CN116723527A - 一种基于数字孪生的基站功耗优化方法 - Google Patents
一种基于数字孪生的基站功耗优化方法 Download PDFInfo
- Publication number
- CN116723527A CN116723527A CN202310996109.4A CN202310996109A CN116723527A CN 116723527 A CN116723527 A CN 116723527A CN 202310996109 A CN202310996109 A CN 202310996109A CN 116723527 A CN116723527 A CN 116723527A
- Authority
- CN
- China
- Prior art keywords
- time
- model
- power consumption
- base stations
- base station
- 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 41
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims abstract description 14
- 230000001413 cellular effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 40
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 9
- 230000004913 activation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- 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
Abstract
本发明公开了一种基于数字孪生的基站功耗优化方法,包括以下步骤：S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；S3.基于数字孪生体，在用户满意度约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。本发明针对包含多个通信基站的系统，得到了满足所有用户满意度要求的最小功耗及对应的最优网络配置。
Description
技术领域
本发明涉及基站功耗优化，特别是涉及一种基于数字孪生的基站功耗优化方法。
背景技术
通信基站是无线通信系统中一个关键组成部分，其主要功能是为移动终端提供无线连接服务，从而实现语音、数据等业务的传输。从2G到5G，为满足不断增加的移动流量数据需求，基站的数量和性能也在不断增长，而基站的功耗问题也逐渐引起了广泛的关注。基站功耗主要来自于射频功放、信号处理、设备冷却等方面。
由于基站数量庞大，其功耗问题对环境和运营商的成本产生了重要影响，因此降低基站功耗对于节约能源、减少环境污染和提高运营商的紧急效益具有重要意义。虽然目前已有一些关于基站功耗优化的研究和技术，如动态功率控制、基站休眠策略，但技术仍存在一定的局限性，部分技术会导致服务的质量下降。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于数字孪生的基站功耗优化方法，能够根据机器学习算法构建功耗函数的学习模型，来完成数字孪生体的构建，并针对包含多个通信基站的系统，得到满足所有用户满意度要求的最小功耗及对应的最优网络配置。
本发明的目的是通过以下技术方案来实现的：一种基于数字孪生的基站功耗优化方法，包括以下步骤：
S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；
S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；
S3.基于数字孪生体，在用户满意度约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。
本发明的有益效果是：能够根据机器学习算法构建功耗函数的学习模型，来完成数字孪生体的构建，并针对包含多个通信基站的系统，得到满足所有用户满意度要求的最小功耗及对应的最优网络配置。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于数字孪生的基站功耗优化方法，包括以下步骤：
S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；
所述步骤S1中，假设在系统中，共有个基站和/>个用户，在时刻/>时，第/>个基站的覆盖范围/>由电磁传播模型/>给出，其中，/>表示第/>个基站在时刻/>所处的坐标，/>表示系统中用户在时刻/>所处的坐标，/>表示在时刻/>系统的三维环境模型，/>表示第/>个基站在时刻/>的基站配置，/>表示在时刻/>系统中用户接收端的配置；
设第个基站在时刻/>的业务流量/>由业务流量时空模型给出，记为：
其中，表示第/>个基站在时刻/>的工参信息，/>表示第/>个基站在时刻/>与相邻小区间的切换数据，/>表示第/>个基站在时刻/>的负载信息，/>表示第/>个基站在时刻/>的兴趣点数据；其中/>为当前时刻/>之前/>个时刻的业务流量，/>为设定的常数，且/>不小于2；
设第个基站在时刻/>的功耗/>由功耗模型/>给出，记为：
其中，表示第/>个基站在时刻/>的业务流量，/>表示第/>个基站在时刻/>的运行状态，当基站处于开启状态时，/>，当基站处于关闭状态时，/>且此时基站功耗/>为0；/>表示第/>个基站在时刻/>的通道关断信息；/>表示第个基站在时刻/>的载波关断信息；/>表示第/>个基站在时刻/>的覆盖范围，覆盖范围/>与基站功耗/>成正相关关系；/>表示第/>个基站在时刻/>时的设备温度；/>表示第/>个基站在时刻/>时所处的环境底噪；/>表示第/>个基站在时刻时所呈现的设备特征属性，它包括了设备损耗特征和设备开机使用时长。
所述电磁传播模型采用机器学习算法训练获得：
首先根据机器学习算法构建电磁传播模型，所述电磁传播模型的输入层共有5个输入节点，用于输入，输出层有一个节点，用于输出/>；
由于每个系统的通信网络存在特性不同的特点，隐藏层的数量，隐藏单元的数量以及激活函数的设计与选取需根据实际情况进行设定并调试。在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为/>，则采集样本特征/>，采集样本标签/>，样本被表征为：
；
设系统中，共采集了个时间节点的数值，则对于单个基站，有/>个样本，对于整个系统，则共有/>个样本；
将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的电磁传播模型。
所述业务流量时空模型采用机器学习算法训练得到：
首先根据机器学习算法构建业务流量时空模型，业务流量时空模型共有个输入节点，用于输入/>，输出层有一个节点，用于输出/>；
由于每个系统的通信网络存在特性不同的特点，隐藏层的数量，隐藏单元的数量以及激活函数的设计与选取需根据实际情况进行设定并调试。在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为/>，则采集样本特征，采集样本标签/>，样本被表征为：
设系统中，共采集了个时间节点的数值，则对于单个基站，有/>个样本，对于整个系统，则共有/>个样本；
将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的业务流量时空模型。
所述功耗模型采用机器学习算法训练获得，训练过程包括：
S101.根据机器学习算法构建功耗模型，所述功耗模型的输入层共有8个输入节点，用于输入，/>，/>，/>，/>，/>，/>和/>，输出层共有一个输出节点，用于输出/>；
S102.在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为/>，采集样本的特征为/>，采集该特征下对应的标签/>，该样本被表征为
；
S103.设系统中，共采集了个时间节点的数值，则对于单个基站，有/>个样本，对于整个系统，则共有/>个样本；
S104.将个样本送入模型后，经过前向传播与反向传播的初步训练，得到一个初步的功耗模型/>模型；
S105.初步训练完成后，采用K折交叉验证的方法进行模型的超参数进行评估，得到一组满足期望准确率的超参数；
将个样本分成/>等份；
A2、选取份样本中的任意一份作为测试集的选取结果，剩余/>份作为训练集，利用训练集中的样本对初步的功耗函数/>进行训练，得到功耗函数的训练结果，利用测试集中的样本对训练结果进行测试，确定测试的准确率；
A3、在将等份样本中每一份样本作为测试集的选取结果时，重复执行步骤A2，得到/>个功耗函数训练结果和对应的准确率；并取平均准确率作为模型的最终准确率；
例如，用1到个数字对/>等份后的样本进行编号。第一次，选取编号为“1”的一份作为测试集，剩余部分作为训练集，进行训练和测试，得到一个模型；第二次，选取编号为“2”的一份作为测试集，剩余部分作为训练集，进行训练和测试，得到另一个模型；如此重复次，得到/>个模型，取平均准确率作为模型的最终准确率；
A4、设定模型的期望准确率为，如果模型的最终准确率小于/>，将对其中的超参数进行调整，调整后再次用K折交叉验证的方法进行评估；如此重复，直到最终准确率不小于期望准确率/>，得到一组满足期望准确率的超参数。
S106.将上一步得到这组超参数输入到学习模型中，然后将个样本送入学习模型后，经过前向传播与反向传播的初步训练，得到一个最终的功耗模型/>；
此时，基站最终的功耗模型学习完成。
其中，所述机器学习算法包括但不限于多层感知机或卷积神经网络算法。
所述全网蜂窝网络的数字孪生体由电磁传播模型、业务流量时空模型和功耗模型构成，运行原理如下：
将第个基站在时刻/>所处的坐标/>，系统中用户在时刻/>所处的坐标，在时刻/>系统的三维环境模型/>，第/>个基站在时刻/>的配置/>，在时刻/>系统中用户接收端的配置/>作为电磁传播模型的输入，由电磁传播模型输出第/>个基站/>时刻的覆盖范围/>；
将第个基站在时刻/>的工参信息/>，第/>个基站在时刻/>与相邻小区间的切换数据/>，第/>个基站在时刻/>的负载信息/>，第/>个基站在时刻/>的兴趣点数据/>，当前时刻/>之前/>个时刻的业务流量/>作为业务流量时空模型的输入，由业务流量时空模型输出第/>个基站在时刻/>的业务流量；
将第个基站在时刻/>的运行状态/>、第/>个基站在时刻/>的通道关断信息、第/>个基站在时刻/>的载波关断信息/>、第/>个基站在时刻/>时的设备温度、第/>个基站在时刻/>时所处的环境底噪/>、第/>个基站在时刻/>时所呈现的设备特征属性/>、电磁传播模型输出的/>、业务流量时空模型输出的/>，输入到功耗模型中，由功耗模型输出功耗/>；
S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；
假设在系统中，在时刻时，网络中第/>个用户的用户满意度/>由用户满意度模型给出，记为：
其中，表示系统中第/>个用户在时刻/>所处的坐标，/>表示在时刻/>系统中第/>个用户接收端的配置。
该用户满意度模型采用机器学习算法训练获得，其中，所述机器学习算法包括但不限于多层感知机或卷积神经网络算法。首先根据机器学习算法构建用户满意度模型，所述用户满意度模型的输入层共有8个输入节点，用于输入，输出层有一个节点，用于输出/>；
由于每个系统的通信网络存在特性不同的特点，隐藏层的数量，隐藏单元的数量以及激活函数的设计与选取需根据实际情况进行设定并调试。在采集单个样本时，假设该样本对应的基站编号为，用户编号为/>，数据采集时刻为/>，则采集样本特征，采集样本标签/>，样本被表征为：
；
设系统中，共采集了个时间节点的数值，则对于单个用户，有/>个样本，对于整个系统，则共有/>个样本；
将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的电磁传播模型。
同时，第个用户的用户满意度/>不能低于预设阈值/>，即
。
S3.基于数字孪生体，在用户感知约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。
计算系统在时刻的功耗/>为：
确定目标函数为：最小化系统功耗，确定约束条件为：应满足系统内用户在时刻/>的用户满意度不允许低于预设值/>，假设在该系统中，有/>个用户，系统中第/>个用户在时刻/>的用户满意度/>需满足：
其中，。
即需要满足：对，/>；
确定满足用户满意度需求的系统功耗最小值的问题：
。
优化的目标函数为系统在时刻的总功耗/>：
优化的约束条件为系统功耗在时刻时满足所有用户的用户满意度要求：
以强化学习为例，在强化学习的每一次交互过程中，动作为将每一个基站的运行状态进行调整，代表开启第/>个基站，/>代表关闭第/>个基站；状态为此时刻任意用户/>的用户满意度/>；奖励为动作完成后系统总功耗/>的减少量;
在强化学习训练过程中，若出现对某个用户来说，用户满意度不满足要求的情况：
则需要对学习的目标函数加上惩罚项进行修正，当基站的用户满意度不满足用户的要求时，，惩罚项将不再为0，修正后的目标函数如下：
在强化学习的过程中，采用策略网络和价值网络两个网络来进行学习：
策略网络负责与环境进行交互，并且在价值函数的指导下学习更好的策略，价值网络负责用策略网络和环境交互收集的数据集学习一个价值函数，帮助策略网络进行策略更新，目标函数的梯度中有一项轨迹回报，用来进行策略的更新，
价值网络中采取时序差分残差的学习方式，定义出价值函数的损失函数，通过梯度下降的方法进行价值网络参数的更新；因此，在每一轮的交互中，先对当前策略采样，计算出价值函数的梯度，更新价值网络参数，然后在新的价值函数的指导下，更新策略网络的参数；
如此进行多轮交互后，当目标函数不再减少时，便停止学习，记录下此时每个基站的状态，从而得到系统满足所有用户满意度要求的最小功耗及对应的最优网络配置，至此，强化学习过程训练完成。
本申请以Actor-Critic神经网络为实施例。其中，动作的函数为，代表着/>时刻对每一个基站的运行状态进行调整；状态的函数为/>，代表着/>时刻用户的用户满意度；奖励的函数为/>，代表着/>时刻动作完成后系统总功耗/>的减少量。Critic价值网络表示为/>，参数为/>，采用时序差分残差的学习方式，将价值函数的损失函数定义为：
因此，价值函数的梯度可得到：
Actor策略网络的参数为，将策略网络的目标函数定义为：
对其求梯度可得到：
其中采用时序差分残差的形式：
在得到价值网络和策略网络的函数和梯度后，可以进行强化学习。首先初始化策略网络参数，价值网络参数/>。然后在每一轮的交互中，先用当前策略/>采样轨迹，然后为每一步数据计算：/>，再根据梯度依次更新价值网络参数/>和策略网络参数/>。如此进行多轮交互后，当目标函数不再减少时，便停止学习。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于数字孪生的基站功耗优化方法，其特征在于：包括以下步骤：
S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；
S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；
S3.基于数字孪生体，在用户满意度约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。
2.根据权利要求1所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述步骤S1中，假设在系统中，共有个基站和/>个用户，在时刻/>时，第/>个基站的覆盖范围由电磁传播模型/>给出，其中，/>表示第/>个基站在时刻/>所处的坐标，/>表示系统中用户在时刻/>所处的坐标，/>表示在时刻/>系统的三维环境模型，/>表示第/>个基站在时刻/>的基站配置，/>表示在时刻/>系统中用户接收端的配置；
设第个基站在时刻/>的业务流量/>由业务流量时空模型给出，记为：
其中，表示第/>个基站在时刻/>的工参信息，/>表示第/>个基站在时刻/>与相邻小区间的切换数据，/>表示第/>个基站在时刻/>的负载信息，/>表示第/>个基站在时刻/>的兴趣点数据；其中/>为当前时刻/>之前/>个时刻的业务流量，/>为设定的常数，且/>不小于2；
设第个基站在时刻/>的功耗/>由功耗模型/>给出，记为：
其中，表示第/>个基站在时刻/>的业务流量，/>表示第/>个基站在时刻/>的运行状态，当基站处于开启状态时，/>，当基站处于关闭状态时，/>且此时基站功耗/>为0；/>表示第/>个基站在时刻/>的通道关断信息；/>表示第/>个基站在时刻/>的载波关断信息；/>表示第/>个基站在时刻/>的覆盖范围，覆盖范围与基站功耗/>成正相关关系；/>表示第/>个基站在时刻/>时的设备温度；/>表示第/>个基站在时刻/>时所处的环境底噪；/>表示第/>个基站在时刻/>时所呈现的设备特征属性，它包括了设备损耗特征和设备开机使用时长。
3.根据权利要求2所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述电磁传播模型采用机器学习算法训练获得：
首先根据机器学习算法构建电磁传播模型，所述电磁传播模型的输入层共有5个输入节点，用于输入，输出层有一个节点，用于输出/>；
在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为/>，则采集样本特征/>，采集样本标签/>，样本被表征为：
；
设系统中，共采集了个时间节点的数值，则对于单个基站，有/>个样本，对于整个系统，则共有/>个样本；
将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的电磁传播模型。
4.根据权利要求2所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述业务流量时空模型采用机器学习算法训练得到：
首先根据机器学习算法构建业务流量时空模型，业务流量时空模型共有个输入节点，用于输入/>，输出层有一个节点，用于输出/>；
在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为/>，则采集样本特征/>，采集样本标签/>，样本被表征为：
设系统中，共采集了个时间节点的数值，则对于单个基站，有/>个样本，对于整个系统，则共有/>个样本；
将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的业务流量时空模型。
5.根据权利要求2所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述功耗模型采用机器学习算法训练获得，训练过程包括：
S101.根据机器学习算法构建功耗模型，所述功耗模型的输入层共有8个输入节点，用于输入，/>，/>，/>，/>，/>，/>和/>，输出层共有一个输出节点，用于输出/>；
S102.在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为/>，采集样本的特征为/>，采集该特征下对应的标签/>，该样本被表征为
；
S103.设系统中，共采集了个时间节点的数值，则对于单个基站，有/>个样本，对于整个系统，则共有/>个样本；
S104.将个样本送入模型后，经过前向传播与反向传播的初步训练，得到一个初步的功耗模型/>模型；
S105.初步训练完成后，采用K折交叉验证的方法进行模型的超参数进行评估，得到一组满足期望准确率的超参数；
S106.将上一步得到这组超参数输入到学习模型中，然后将个样本送入学习模型后，经过前向传播与反向传播的初步训练，得到一个最终的功耗模型/>；
此时，基站最终的功耗模型学习完成。
6.根据权利要求5所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述步骤S105包括：
A1、将个样本分成/>等份；
A2、选取份样本中的任意一份作为测试集的选取结果，剩余/>份作为训练集，利用训练集中的样本对初步的功耗函数/>进行训练，得到功耗函数的训练结果，利用测试集中的样本对训练结果进行测试，确定测试的准确率；
A3、在将等份样本中每一份样本作为测试集的选取结果时，重复执行步骤A2，得到/>个功耗函数训练结果和对应的准确率；并取平均准确率作为模型的最终准确率；
A4、设定模型的期望准确率为，如果模型的最终准确率小于/>，将对其中的超参数进行调整，调整后再次用K折交叉验证的方法进行评估；如此重复，直到最终准确率不小于期望准确率/>，得到一组满足期望准确率的超参数。
7.根据权利要求1所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述全网蜂窝网络的数字孪生体由电磁传播模型、业务流量时空模型和功耗模型构成，运行原理如下：
将第个基站在时刻/>所处的坐标/>，系统中用户在时刻/>所处的坐标/>，在时刻/>系统的三维环境模型/>，第/>个基站在时刻/>的配置/>，在时刻/>系统中用户接收端的配置/>作为电磁传播模型的输入，由电磁传播模型输出第/>个基站/>时刻的覆盖范围/>；
将第个基站在时刻/>的工参信息/>，第/>个基站在时刻/>与相邻小区间的切换数据/>，第/>个基站在时刻/>的负载信息/>，第/>个基站在时刻/>的兴趣点数据/>，当前时刻/>之前/>个时刻的业务流量/>作为业务流量时空模型的输入，由业务流量时空模型输出第/>个基站在时刻/>的业务流量；
将第个基站在时刻/>的运行状态/>、第/>个基站在时刻/>的通道关断信息、第/>个基站在时刻/>的载波关断信息/>、第/>个基站在时刻/>时的设备温度、第/>个基站在时刻/>时所处的环境底噪/>、第/>个基站在时刻/>时所呈现的设备特征属性/>、电磁传播模型输出的/>、业务流量时空模型输出的，输入到功耗模型中，由功耗模型输出功耗/>。
8.根据权利要求1所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述步骤S2中，假设在系统中，在时刻时，网络中第/>个用户的用户满意度/>由用户满意度模型给出，记为：
其中，表示系统中第/>个用户在时刻/>所处的坐标，/>表示在时刻/>系统中第/>个用户接收端的配置；
该用户满意度模型采用机器学习算法训练获得，首先根据机器学习算法构建用户满意度模型，所述用户满意度模型的输入层共有8个输入节点，用于输入，输出层有一个节点，用于输出/>；
在采集单个样本时，假设该样本对应的基站编号为，用户编号为/>，数据采集时刻为/>，则采集样本特征/>，采集样本标签/>，样本被表征为：
；
设系统中，共采集了个时间节点的数值，则对于单个用户，有/>个样本，对于整个系统，则共有/>个样本；
将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的用户满意度模型。
9.根据权利要求8所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述全网蜂窝网络用户满意度的约束条件如下；
第个用户的用户满意度/>不能低于预设阈值/>，即
。
10.根据权利要求1所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述步骤S3包括：
根据全网蜂窝网络的数字孪生体，计算系统在时刻的功耗/>为：
为了对基站进行能耗优化，需要最小化系统功耗，根据全网蜂窝网络的数字孪生体输出功耗的限定条件，在最小化系统功耗时，需要满足：
采用强化学习的方式，在强化学习的每一次交互过程中，动作为将每一个基站的运行状态进行调整，代表开启第/>个基站，/>代表关闭第/>个基站；状态为此时刻任意用户/>的用户满意度/>；奖励为动作完成后系统总功耗/>的减少量;
在强化学习训练过程中，若出现对某个用户来说，用户满意度不满足要求的情况，即：
则需要对学习的目标函数加上惩罚项进行修正，当用户满意度不满足要求时，，修正后的目标如下：
在强化学习的过程中，采用策略网络和价值网络两个网络来进行学习：
其中，策略网络用于与环境进行交互，并且在价值函数的指导下学习策略，价值网络负责用策略网络和环境交互收集的数据集学习一个价值函数，帮助策略网络进行策略更新，目标函数的梯度中有一项轨迹回报，用来进行策略的更新；
价值网络中采取时序差分残差的学习方式，定义出价值函数的损失函数，通过梯度下降的方法进行价值网络参数的更新；在每一轮的交互中，先对当前策略采样，计算出价值函数的梯度，更新价值网络参数，然后在新的价值函数的指导下，更新策略网络的参数；
如此进行多轮交互后，当目标函数不再减少时，便停止学习，记录下此时每个基站的状态，从而得到系统满足所有用户满意度要求的最小功耗及对应的最优网络配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310996109.4A CN116723527B (zh) | 2023-08-09 | 2023-08-09 | 一种基于数字孪生的基站功耗优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310996109.4A CN116723527B (zh) | 2023-08-09 | 2023-08-09 | 一种基于数字孪生的基站功耗优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116723527A true CN116723527A (zh) | 2023-09-08 |
| CN116723527B CN116723527B (zh) | 2023-11-14 |
Family
ID=87870095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310996109.4A Active CN116723527B (zh) | 2023-08-09 | 2023-08-09 | 一种基于数字孪生的基站功耗优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116723527B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117320024A (zh) * | 2023-10-08 | 2023-12-29 | 香港中文大学（深圳） | 一种基于数字孪生的低空网络覆盖优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109819522A (zh) * | 2019-03-15 | 2019-05-28 | 电子科技大学 | 一种平衡能耗与用户服务质量的用户带宽资源分配方法 |
| CN113537514A (zh) * | 2021-07-27 | 2021-10-22 | 北京邮电大学 | 一种高能效的基于数字孪生的联邦学习框架 |
| CN114641076A (zh) * | 2022-03-25 | 2022-06-17 | 重庆邮电大学 | 一种超密集网络中基于动态用户满意度的边缘计算卸载方法 |
| CN115481748A (zh) * | 2022-08-30 | 2022-12-16 | 广东工业大学 | 一种基于数字孪生辅助的联邦学习新鲜度优化方法与系统 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
-
2023
- 2023-08-09 CN CN202310996109.4A patent/CN116723527B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109819522A (zh) * | 2019-03-15 | 2019-05-28 | 电子科技大学 | 一种平衡能耗与用户服务质量的用户带宽资源分配方法 |
| CN113537514A (zh) * | 2021-07-27 | 2021-10-22 | 北京邮电大学 | 一种高能效的基于数字孪生的联邦学习框架 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
| CN114641076A (zh) * | 2022-03-25 | 2022-06-17 | 重庆邮电大学 | 一种超密集网络中基于动态用户满意度的边缘计算卸载方法 |
| CN115481748A (zh) * | 2022-08-30 | 2022-12-16 | 广东工业大学 | 一种基于数字孪生辅助的联邦学习新鲜度优化方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴杜成;翟维维;冯丛丛;张亮;: "5G异构蜂窝网络资源管理研究", 移动通信, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117320024A (zh) * | 2023-10-08 | 2023-12-29 | 香港中文大学（深圳） | 一种基于数字孪生的低空网络覆盖优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116723527B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111726826B (zh) | 一种基站密集型边缘计算网络中的在线任务卸载方法 | |
| CN116723527B (zh) | 一种基于数字孪生的基站功耗优化方法 | |
| Gupta et al. | Cluster-head election using fuzzy logic for wireless sensor networks | |
| Boussaïd et al. | Hybridizing biogeography-based optimization with differential evolution for optimal power allocation in wireless sensor networks | |
| CN104239556A (zh) | 基于密度聚类的自适应轨迹预测方法 | |
| Zhang et al. | Joint optimization of cooperative edge caching and radio resource allocation in 5G-enabled massive IoT networks | |
| CN102271379A (zh) | 一种基于上下文感知技术的物联网节点节能路由方法 | |
| Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
| CN109787699B (zh) | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 | |
| Foong et al. | Adaptive network fuzzy inference system (ANFIS) handoff algorithm | |
| Qu et al. | A hybrid handover forecasting mechanism based on fuzzy forecasting model in cellular networks | |
| CN115809147A (zh) | 多边缘协作缓存调度优化方法、系统及模型训练方法 | |
| Shodamola et al. | A machine learning based framework for KPI maximization in emerging networks using mobility parameters | |
| Devi et al. | Optimization techniques for spectrum handoff in cognitive radio networks using cluster based cooperative spectrum sensing | |
| CN113316087B (zh) | 一种lte系统中基于终端位置预测的动态寻呼方法 | |
| Svahn et al. | Inter-frequency radio signal quality prediction for handover, evaluated in 3GPP LTE | |
| Liu et al. | Reinforcement learning-based joint self-optimisation method for the fuzzy logic handover algorithm in 5G HetNets | |
| Noh et al. | Sparse CNN and deep reinforcement learning-based D2D scheduling in UAV-assisted industrial IoT networks | |
| CN111050398B (zh) | 寻呼方法、装置、设备及存储介质 | |
| Singh et al. | Reinforcement learning-based real time search algorithm for routing optimisation in wireless sensor networks using fuzzy link cost estimation | |
| Parija et al. | Location prediction of mobility management using soft computing techniques in cellular network | |
| CN115314925A (zh) | 一种基于gnn和lstm的智能电网融合网络流量预测方法 | |
| CN115297518A (zh) | 一种基于移动用户位置的网络切换方法及其系统 | |
| CN109120438B (zh) | 一种机会网络下的数据协同传输方法及系统 | |
| Liao et al. | Knowledge transfer in deep reinforcement learning for slice-aware mobility robustness optimization |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Huang Chuan Inventor after: Qin Xiaoqi Inventor after: Cui Shuguang Inventor after: Zhong Yun Inventor after: Lan Wanshun Inventor after: Liu Dayang Inventor before: Huang Chuan Inventor before: Qin Xiaoqi Inventor before: Cui Shuguang Inventor before: Zhong Yun Inventor before: Lan Wanshun Inventor before: Liu Dayang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |