CN115103449A - 一种多波束低轨卫星空间能源分配方法、装置和电子设备 - Google Patents
一种多波束低轨卫星空间能源分配方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115103449A CN115103449A CN202211015730.XA CN202211015730A CN115103449A CN 115103449 A CN115103449 A CN 115103449A CN 202211015730 A CN202211015730 A CN 202211015730A CN 115103449 A CN115103449 A CN 115103449A
- Authority
- CN
- China
- Prior art keywords
- satellite
- power
- traffic
- calculating
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims description 48
- 108090000623 proteins and genes Proteins 0.000 claims description 48
- 239000000126 substance Substances 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009828 non-uniform distribution Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18513—Transmission in a satellite or space-based system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/06—Airborne or Satellite Networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种多波束低轨卫星空间能源分配方法、装置和电子设备,涉及航空卫星技术领域。通过获取卫星的星下点运动轨迹划分地理栅格接入优先级,建立分区域业务特征模型;并基于遗传算法对波束功率进行动态分配;利用深度学习算法对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。上述方案在考虑容量、时延和CCI等约束条件下使用遗传算法与深度学习结合的方式进行波束功率的动态分配以及业务预测,提高了卫星进行功率动态分配的效率;同时通过制作分区域业务特征模型,优化了利用深度学习进行业务预测的能力。
Description
技术领域
本发明涉及航空卫星技术领域,尤其涉及一种多波束低轨卫星空间能源分配方法、装置和电子设备。
背景技术
随着全球信息化的不断发展,卫星移动通信以其具有的通信覆盖范围广、通信服务机动灵活等特点成为了全球通信中的重要组成部分。而由于卫星通信技术的广泛应用,以及人们对卫星功能(如通信、遥感、导航)和星上处理能力要求的逐渐提高,星上极其有限的能源成为了限制卫星通信发展的瓶颈,通过功率分配提升系统资源利用率已成为当前研究热点。
针对多波束卫星通信系统,在其带宽分配与功率分配方面均已开展相关研究。然而,由于卫星终端在地理空间上的非均匀分布导致其业务量的非均匀分布,导致LEO波束间的业务量分布差异较大。负载较重的波束由于缺乏通信资源可能导致该波束内用户下行容量下降,而负载较轻波束内的资源利用率也会不足。如何考虑到业务量的分布情况对星上资源进行分配管理是当前亟需解决的问题。
发明内容
为了解决现有技术中存在的问题,本发明提供了如下技术方案。
本发明一方面提供了一种多波束低轨卫星空间能源分配方法,包括:
获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型;
基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配;
利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;
依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
优选地,还包括:判断卫星所在地区的纬度,若卫星所在地区的纬度达到阈值,则关闭所有波束,直到卫星所在地区的纬度小于阈值,则根据星历信息和波束业务量对波束功率进行动态调节。
优选地,所述基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配包括:
以卫星缓存、最大允许时延、业务需求和信道容量的关系和同频干扰约束作为初始条件,计算出初始种群;
计算当前种群中染色体的适应度值,并选取适应度值超过阈值的染色体形成新种群,其中,用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数;
在新种群中随机选取两个染色体,并将该两个染色体的信息进行局部交换形成新染色体;
在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”;
计算新种群中染色体的适应度值,判断是否满足优化原则:若满足,则得到最优解或次优解,若不满足,则跳至步骤:计算当前种群中染色体的适应度值。
优选地,考虑同频干扰功率情况下的波束容量为:
时延约束条件为:
波束功率与总功率的关系为:
优选地,所述获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型包括:
根据物联网终端设备密度以及业务特征划分地理栅格;
根据星历信息计算出星座星下点轨迹以及覆盖范围模型,并据此划分地理栅格接入优先级;
计算各地理栅格的业务量,根据当前星历信息记录业务时刻的汇聚节点;
在各地理栅格上累加业务量,并记录每次业务的时间节点和空间节点,完成分区域业务特征模型的建立。
优选地,所述物联网终端设备密度根据如下公式进行计算:
优选地,所述利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测包括:
根据波束和终端的位置关系获取接入波束;
根据接入波束与卫星之间的距离、以及用户与卫星之间的距离,计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离;
根据卫星的角速度计算切换时间和切换波束;
利用卫星、波束及用户数据,以及切换时间、波束号及终端位置,基于深度学习算法对业务量进行预测。
优选地,所述根据波束和终端的位置关系获取接入波束包括:
计算波束中心点的位置;
计算波束与终端之间的地心角;
将地心角转换为距离;
将距离最近的波束作为接入波束。
本发明第二方面提供了一种多波束低轨卫星空间能源分配装置,包括:
分区域业务特征模型建立模块,用于获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型;
波束功率动态分配模块,用于基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配;
业务量预测模块,用于利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;
边缘用户重划分模块,用于依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
本发明第三方面提供了一种电子设备,包括处理器和与所述处理器连接的存储器,所述存储器存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如第一方面所述的方法。
本发明的有益效果是:本发明提供的多波束低轨卫星空间能源分配方法、装置和电子设备,着眼于实际卫星应用场景,结合卫星轨道及具体星座位置解决了各载荷部件的资源分配问题;在考虑容量、时延和CCI等约束条件下使用遗传算法与深度学习结合的方式进行波束功率的动态分配以及业务预测,优化了全局搜索能力,对非线性问题求解不依赖梯度,获取分配结果更快,更适应波束动态变化的业务需求;有效地提高了卫星进行功率动态分配的效率,显著地提高了卫星的资源利用率;同时通过划分地理栅格制作分区域业务特征模型,优化了深度学习进行业务预测的能力;较现有技术而言,更贴近实际应用层面,并可以更具体地应用卫星通信所独有的星历信息通过控制波束开关完成功率分配。
附图说明
图1为本发明所述多波束低轨卫星空间能源分配方法的流程示意图;
图2为本发明所述波束构成和频率复用情况示意图;
图3为本发明所述地理栅格接入优先级划分示例示意图;
图4为本发明所述遗传算法流程架构图;
图5为本发明所述多波束低轨卫星空间能源分配装置的功能框架图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,该终端可以包括一个或多个如下部件:处理器、存储器和显示屏。其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例一
如图1所示,本发明实施例提供了一种多波束低轨卫星空间能源分配方法,包括:S101,获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型;S102,基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配;S103,利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;S104,依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。上述方法中涉及到的波束构成和频率复用情况可参考图2所示。
由于卫星由太阳能电池阵和蓄电池交替供电,能量容量十分有限。为满足现阶段低轨卫星增长的功能以及增益需求,同时保证卫星各部件在轨正常工作,本发明通过对卫星各功能单元进行开关管理来有效减少卫星消耗功率,合理分配系统的功率资源。其中,功能单元包括常开功能单元和可控功能单元。常开功能单元包括维持卫星正常运行的电源、姿态控制等,需要保持常开的运行状态;在可控功能单元中,除了可以对计算机GPU模块和X测控数传收发模块进行常规的节电降耗管理之外,还可以通过解读星历对星载多波束天线进行动态波束管理,从而减少卫星消耗功率,合理分配系统的功率资源;此外,对于相机、星间通信模块、DCS载荷等,可以通过触发器的使能信号开启;还可以通过增加认证过程,限定只有被授权用户才可向卫星发送数据,以防止其他类似终端,或废弃终端持续发送数据消耗星上资源。
其中,本发明提供的多波束低轨卫星空间能源分配方法可以实现对星载多波束天线的动态波束管理。
在执行步骤S101之前,还可以包括:判断卫星所在地区的纬度,若卫星所在地区的纬度达到阈值,则关闭所有波束,直到卫星所在地区的纬度小于阈值,则根据星历信息和波束业务量对波束功率进行动态调节。
卫星在轨工作后,可以由地面观测站观测得出星历信息,并可以进一步根据星历信息推算出星下点的运动轨迹。卫星可以根据星历信息中的自身星下点位置进行纬度判断。
当纬度达到阈值时,比如纬度大于等于60°时,卫星星座中各卫星之间的距离会很小,波束覆盖范围高度重合,且业务存在可能性较低,因此,为了卫星的节能降耗,则关闭所有波束,当卫星离开高纬度地区(纬度达到阈值,比如纬度大于等于60°),再开启所有波束,并对波束功率进行动态调节。需要说明的是,如果有特定指令开启波束的卫星,则保持波束开启。
在步骤S101中,地理栅格接入优先级的划分可如图3所示。在图3中,卫星每个单波束下均设立接入优先级,其中由于星下点与卫星距离最近,终端仰角最高,因此星下点优先级设置为一级(优先级最高),向外优先级依次降低;在终端处于多个波束重叠覆盖下时,自动选择优先级高的波束进行接入。
执行步骤S101,具体可以按照如下步骤进行实施:根据物联网终端设备密度以及业务特征划分地理栅格;根据星历信息计算出星座星下点轨迹以及覆盖范围模型,并据此划分地理栅格接入优先级;计算各地理栅格的业务量,根据当前星历信息记录业务时刻的汇聚节点;在各地理栅格上累加业务量,并记录每次业务的时间节点和空间节点,完成分区域业务特征模型的建立。
其中,所述物联网终端设备密度根据如下公式进行计算:
执行步骤S102,如图4所示,基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配包括:以卫星缓存、最大允许时延、业务需求和信道容量的关系、同频干扰约束作为初始条件,计算出初始种群;计算当前种群中染色体的适应度值,并选取适应度值超过阈值的染色体形成新种群,其中,用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数;在新种群中随机选取两个染色体,并将该两个染色体的信息进行局部交换形成新染色体;在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”;计算新种群中染色体的适应度值,判断是否满足优化原则:若满足,则得到最优解或次优解,若不满足,则跳至步骤:计算当前种群中染色体的适应度值。
在本发明的一个优选实施例中,实施步骤S102时,可以采用如下公式和计算方法。
考虑同频干扰功率情况下的波束容量为:
时延约束条件为:
波束功率与总功率的关系为:
采用上述方法,不仅实现了对波束功率的动态调节,还通过考虑同频干扰功率,修正了CCI(同频干扰)带来的影响。
执行步骤S103,所述利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测包括:根据波束和终端的位置关系获取接入波束;根据接入波束与卫星之间的距离、以及用户与卫星之间的距离,计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离;根据卫星的角速度计算切换时间和切换波束;利用卫星、波束及用户数据,以及切换时间、波束号及位置,基于深度学习算法对业务量进行预测。
其中,所述根据波束和终端的位置关系获取接入波束包括:计算波束中心点的位置;计算波束与终端之间的地心角;将地心角转换为距离;将距离最近的波束作为接入波束。
在该步骤S103中,业务结束后,利用深度学习法分析由步骤S102得出的本次业务量与波束功率的实际分配情况,利用实时星历信息及用户位置信息,计算星下点及斜投影下多波束的用户覆盖模型并预测切换时刻。之后,由卫星智能处理单元提前进行对目标波束的资源预留等工作,减少切换时间,降低功率损耗,并且对之后的业务量进行预测分析,将多次业务情况放入神经网络进行多次迭代,更新全国分区域业务特征模型。
本发明实施例中,深度学习算法中采用的神经网络构成可以为:设卫星信道资源集合为,卫星网络总带宽为;设波束n的信道分配状态,表示业务优先级,由数值1-10表示,表示接入类型,为切换接入,为新接入;卫星信道的分布状态由波束信道分配状态的集合矩阵表示,。
针对问题建模,设定四个限制条件:条件1:,表示分配给波束的功率不能超过波束最大发射功率;条件2:,表示每个波束功率之和不超过卫星的总发射功率;条件3:,表示排队时延的限制条件;条件4:,表示用户和卫星间的时延不能超过卫星波束覆盖时长。
根据问题,对训练流程的状态、动作和奖励可以做如下定义:
经验回放池中放置过往样本值:地心角、波束位置、分配功率、终端卫星距离等。
本实施例着眼于实际卫星应用场景,结合卫星轨道及具体星座位置解决了各载荷部件的资源分配问题;在考虑容量、时延和CCI等约束条件下使用遗传算法与深度学习结合的方式进行波束功率的动态分配以及业务预测,优化了全局搜索能力,对非线性问题求解不依赖梯度,获取分配结果更快,更适应波束动态变化的业务需求;有效地提高了卫星进行功率动态分配的效率,显著地提高了卫星的资源利用率;通过划分地理栅格,制作了全国分区域业务特征模型,优化了深度学习进行业务预测的能力;较现有技术而言,更贴近实际应用层面,并可以更具体地应用卫星通信所独有的星历信息通过控制波束开关完成功率分配。
实施例二
如图5所示,本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构,即本发明实施例还提供了一种多波束低轨卫星空间能源分配装置,包括:分区域业务特征模型建立模块501,用于获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型;波束功率动态分配模块502,用于基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配;业务量预测模块503,用于利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;边缘用户重划分模块504,用于依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
进一步地,所述装置还包括纬度判断模块,用于判断卫星所在地区的纬度,若卫星所在地区的纬度达到阈值,则关闭所有波束,直到卫星所在地区的纬度小于阈值,则根据星历信息和波束业务量对波束功率进行动态调节。
进一步地,所述波束功率动态分配模块具体用于:以卫星缓存、最大允许时延、业务需求和信道容量的关系、同频干扰约束作为初始条件,计算出初始种群;计算当前种群中染色体的适应度值,并选取适应度值超过阈值的染色体形成新种群,其中,用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数;在新种群中随机选取两个染色体,并将该两个染色体的信息进行局部交换形成新染色体;在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”;计算新种群中染色体的适应度值,判断是否满足优化原则:若满足,则得到最优解或次优解,若不满足,则跳至步骤:计算当前种群中染色体的适应度值。
进一步地,在所述波束功率动态分配模块中,考虑同频干扰功率情况下的波束容量为:
时延约束条件为:
波束功率与总功率的关系为:
进一步地,所述分区域业务特征模型建立模块具体用于:根据物联网终端设备密度以及业务特征划分地理栅格;根据星历信息计算出星座星下点轨迹以及覆盖范围模型,并据此划分地理栅格接入优先级;计算各地理栅格的业务量,根据当前星历信息记录业务时刻的汇聚节点;在各地理栅格上累加业务量,并记录每次业务的时间节点和空间节点,完成分区域业务特征模型的建立。
进一步地,所述物联网终端设备密度根据如下公式进行计算:
进一步地,在所述业务量预测模块中,所述利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测包括:根据波束和终端的位置关系获取接入波束;根据接入波束与卫星之间的距离、以及用户与卫星之间的距离,计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离;根据卫星的角速度计算切换时间和切换波束;利用卫星、波束及用户数据,以及切换时间、波束号及位置,基于深度学习算法对业务量进行预测。
其中,所述根据波束和终端的位置关系获取接入波束包括:计算波束中心点的位置;计算波束与终端之间的地心角;将地心角转换为距离;将距离最近的波束作为接入波束。
该装置可通过上述实施例一提供的多波束低轨卫星空间能源分配方法实现,具体的实现方法可参见实施例一中的描述,在此不再赘述。
本发明还提供了一种电子设备,包括处理器和与所述处理器连接的存储器,所述存储器存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种多波束低轨卫星空间能源分配方法,其特征在于,包括:
获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型;
基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配;
利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;
依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
2.如权利要求1所述的多波束低轨卫星空间能源分配方法,其特征在于,还包括:判断卫星所在地区的纬度,若卫星所在地区的纬度达到阈值,则关闭所有波束,直到卫星所在地区的纬度小于阈值,则根据星历信息和波束业务量对波束功率进行动态调节。
3.如权利要求1所述的多波束低轨卫星空间能源分配方法,其特征在于,所述基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配包括:
以卫星缓存、最大允许时延、业务需求和信道容量的关系和同频干扰约束作为初始条件,计算出初始种群;
计算当前种群中染色体的适应度值,并选取适应度值超过阈值的染色体形成新种群,其中,用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数;
在新种群中随机选取两个染色体,并将该两个染色体的信息进行局部交换形成新染色体;
在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”;
计算新种群中染色体的适应度值,判断是否满足优化原则:若满足,则得到最优解或次优解,若不满足,则跳至步骤:计算当前种群中染色体的适应度值。
4.如权利要求3所述的多波束低轨卫星空间能源分配方法,其特征在于,考虑同频干扰功率情况下的波束容量为:
时延约束条件为:
波束功率与总功率的关系为:
5.如权利要求1所述的多波束低轨卫星空间能源分配方法,其特征在于,所述获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型包括:
根据物联网终端设备密度以及业务特征划分地理栅格;
根据星历信息计算出星座星下点轨迹以及覆盖范围模型,并据此划分地理栅格接入优先级;
计算各地理栅格的业务量,根据当前星历信息记录业务时刻的汇聚节点;
在各地理栅格上累加业务量,并记录每次业务的时间节点和空间节点,完成分区域业务特征模型的建立。
7.如权利要求1所述的多波束低轨卫星空间能源分配方法,其特征在于,所述利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测包括:
根据波束和终端的位置关系获取接入波束;
根据接入波束与卫星之间的距离、以及用户与卫星之间的距离,计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离;
根据卫星的角速度计算切换时间和切换波束;
利用卫星、波束及用户数据,以及切换时间、波束号及终端位置,基于深度学习算法对业务量进行预测。
8.如权利要求7所述的多波束低轨卫星空间能源分配方法,其特征在于,所述根据波束和终端的位置关系获取接入波束包括:
计算波束中心点的位置;
计算波束与终端之间的地心角;
将地心角转换为距离;
将距离最近的波束作为接入波束。
9.一种多波束低轨卫星空间能源分配装置,其特征在于,包括:
分区域业务特征模型建立模块,用于获取卫星的星下点运动轨迹,并根据运动轨迹划分地理栅格接入优先级,结合初始业务开启区域建立分区域业务特征模型;
波束功率动态分配模块,用于基于遗传算法,根据星历信息和波束业务量对波束功率进行动态分配;
业务量预测模块,用于利用深度学习算法,根据业务量与波束功率之间的对应关系、星历信息及用户位置信息,对业务量进行预测;并将多次业务信息进行迭代,更新分区域业务特征模型;
边缘用户重划分模块,用于依据分区域业务特征模型,将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
10.一种电子设备,其特征在于,包括处理器和与所述处理器连接的存储器,所述存储器存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015730.XA CN115103449B (zh) | 2022-08-24 | 2022-08-24 | 一种多波束低轨卫星空间能源分配方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015730.XA CN115103449B (zh) | 2022-08-24 | 2022-08-24 | 一种多波束低轨卫星空间能源分配方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115103449A true CN115103449A (zh) | 2022-09-23 |
CN115103449B CN115103449B (zh) | 2022-11-15 |
Family
ID=83300920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015730.XA Active CN115103449B (zh) | 2022-08-24 | 2022-08-24 | 一种多波束低轨卫星空间能源分配方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115103449B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111163520A (zh) * | 2019-12-27 | 2020-05-15 | 东方红卫星移动通信有限公司 | 一种低轨卫星通信系统的动态资源分配方法 |
CN111182594A (zh) * | 2019-12-12 | 2020-05-19 | 西安空间无线电技术研究所 | 一种基于星历信息的低轨卫星星座系统小区切换方法及装置 |
CN111262619A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院计算技术研究所 | 一种多波束卫星资源分配方法及系统 |
CN113259950A (zh) * | 2021-05-13 | 2021-08-13 | 重庆邮电大学 | 一种基于业务预测的低轨卫星点波束关闭方法 |
US20210344416A1 (en) * | 2018-09-04 | 2021-11-04 | Satixfy Israel Ltd. | Allocation of Downlink Carrier Power in LEO Communication Satellites |
US20220052756A1 (en) * | 2018-09-10 | 2022-02-17 | Telesat Technology Corporation | Resource deployment optimizer for non-geostationary and/or geostationary communications satellites |
CN114071528A (zh) * | 2021-11-16 | 2022-02-18 | 北京邮电大学 | 基于业务需求预测的多波束卫星波束资源适配方法 |
WO2022107484A1 (en) * | 2020-11-20 | 2022-05-27 | Mitsubishi Electric Corporation | Method implemented by user equipment to access satellite network |
CN114665952A (zh) * | 2022-03-24 | 2022-06-24 | 重庆邮电大学 | 一种基于星地融合架构下低轨卫星网络跳波束优化方法 |
CN114759973A (zh) * | 2022-04-08 | 2022-07-15 | 重庆邮电大学 | 一种多波束卫星系统下基于能效优化的功率分配方法 |
CN114781247A (zh) * | 2022-03-28 | 2022-07-22 | 南京航空航天大学 | 一种基于多目标NSGA-III算法的InSAR卫星任务规划方法 |
-
2022
- 2022-08-24 CN CN202211015730.XA patent/CN115103449B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210344416A1 (en) * | 2018-09-04 | 2021-11-04 | Satixfy Israel Ltd. | Allocation of Downlink Carrier Power in LEO Communication Satellites |
US20220052756A1 (en) * | 2018-09-10 | 2022-02-17 | Telesat Technology Corporation | Resource deployment optimizer for non-geostationary and/or geostationary communications satellites |
CN111182594A (zh) * | 2019-12-12 | 2020-05-19 | 西安空间无线电技术研究所 | 一种基于星历信息的低轨卫星星座系统小区切换方法及装置 |
CN111163520A (zh) * | 2019-12-27 | 2020-05-15 | 东方红卫星移动通信有限公司 | 一种低轨卫星通信系统的动态资源分配方法 |
CN111262619A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院计算技术研究所 | 一种多波束卫星资源分配方法及系统 |
WO2022107484A1 (en) * | 2020-11-20 | 2022-05-27 | Mitsubishi Electric Corporation | Method implemented by user equipment to access satellite network |
CN113259950A (zh) * | 2021-05-13 | 2021-08-13 | 重庆邮电大学 | 一种基于业务预测的低轨卫星点波束关闭方法 |
CN114071528A (zh) * | 2021-11-16 | 2022-02-18 | 北京邮电大学 | 基于业务需求预测的多波束卫星波束资源适配方法 |
CN114665952A (zh) * | 2022-03-24 | 2022-06-24 | 重庆邮电大学 | 一种基于星地融合架构下低轨卫星网络跳波束优化方法 |
CN114781247A (zh) * | 2022-03-28 | 2022-07-22 | 南京航空航天大学 | 一种基于多目标NSGA-III算法的InSAR卫星任务规划方法 |
CN114759973A (zh) * | 2022-04-08 | 2022-07-15 | 重庆邮电大学 | 一种多波束卫星系统下基于能效优化的功率分配方法 |
Non-Patent Citations (1)
Title |
---|
张华明 等: "基于深度强化学习的低轨卫星下行功率分配方案", 《中国科学院大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115103449B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105009475B (zh) | 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统 | |
CN114362810A (zh) | 一种基于迁移深度强化学习的低轨卫星跳波束优化方法 | |
CN110518956B (zh) | 基于时隙分配算法的跳波图案优化方法及装置、存储介质 | |
CN113543074B (zh) | 一种基于车路云协同的联合计算迁移和资源分配方法 | |
CN110647391A (zh) | 面向星地协同网络的边缘计算方法及系统 | |
CN112134614B (zh) | 一种多波束通信卫星的下行载波资源分配方法及系统 | |
Chen et al. | Learning-based computation offloading for IoRT through Ka/Q-band satellite–terrestrial integrated networks | |
Alsamhi et al. | An efficient channel reservation technique for improved QoS for mobile communication deployment using high altitude platform | |
CN115021799B (zh) | 一种基于多智能体协同的低轨卫星切换方法 | |
WO2023245835A1 (zh) | 一种基于栅格时延预测的卫星传输优化方法 | |
Cui et al. | Latency optimization for hybrid GEO–LEO satellite-assisted IoT networks | |
CN108738151A (zh) | 一种基于粗略信息的无线预测资源分配方法 | |
Zheng et al. | LEO satellite channel allocation scheme based on reinforcement learning | |
Wang et al. | Radio resource allocation for bidirectional offloading in space-air-ground integrated vehicular network | |
CN106304107A (zh) | 一种基站布局方法及系统 | |
CN113556163A (zh) | 面向多类业务需求的中继卫星系统波束调度系统及方法 | |
Bozkaya et al. | Airnet: Energy-aware deployment and scheduling of aerial networks | |
Han et al. | Two-timescale learning-based task offloading for remote IoT in integrated satellite–terrestrial networks | |
CN116886172A (zh) | 基于机器学习的多波束卫星通信用户选择和频谱划分方法 | |
CN116436513A (zh) | 一种适用于大规模多层低轨卫星星座的协作跳波束方法 | |
CN116546624B (zh) | 跳波卫星业务预测与多维链路动态资源分配方法及装置 | |
CN115103449B (zh) | 一种多波束低轨卫星空间能源分配方法、装置和电子设备 | |
Zhou et al. | Improved artificial bee colony algorithm-based channel allocation scheme in low earth orbit satellite downlinks | |
Birabwa et al. | Multi-agent deep reinforcement learning for user association and resource allocation in integrated terrestrial and non-terrestrial networks | |
Lu et al. | Distributed task offloading for large-scale vec systems: A multi-agent deep reinforcement learning method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, device, and electronic device for space energy allocation of multi beam low orbit satellites Granted publication date: 20221115 Pledgee: Beijing Zhongguancun bank Limited by Share Ltd. Pledgor: Ellipse space time (Beijing) Technology Co.,Ltd. Registration number: Y2024990000002 |