CN117835464A - 基站系统、用于基站系统的功耗优化方法、装置和设备 - Google Patents
基站系统、用于基站系统的功耗优化方法、装置和设备 Download PDFInfo
- Publication number
- CN117835464A CN117835464A CN202410044939.1A CN202410044939A CN117835464A CN 117835464 A CN117835464 A CN 117835464A CN 202410044939 A CN202410044939 A CN 202410044939A CN 117835464 A CN117835464 A CN 117835464A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- base station
- representing
- station system
- total power
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003306 harvesting Methods 0.000 claims abstract description 50
- 230000008447 perception Effects 0.000 claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 21
- 230000003068 static effect Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 17
- 239000012071 phase Substances 0.000 description 63
- 238000013461 design Methods 0.000 description 31
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012073 inactive phase Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种基站系统、用于基站系统的功耗优化方法、装置和设备,其中,该基站系统包括:混合架构发射机和感知接收机;所述混合架构发射机用于同时向多个信息解码接收机发送通信信号,向多个感知目标发送感知信号,以及向多个能量收集接收机发送能量信号,所述感知接收机用于接收多个所述感知目标的回波信号;所述混合架构发射机包括数字波束赋形器、多个发射链路、模拟波束赋形器和多个发射天线,所述模拟波束赋形器包括多个移相器,所述感知接收机包括多个接收天线。解决了相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题。
Description
技术领域
本申请涉及信号基站领域,特别是涉及一种基站系统、用于基站系统的功耗优化方法、装置和设备。
背景技术
将无线感知、传能、计算甚至控制作为新功能集成到未来的第六代(6G)无线网络中已经吸引了越来越多的研究兴趣,以支持具有大规模分布式传感器的各种环境感知应用,特别是在未来物联网(IoT)和工业场景中。多种功能的集成不仅有利于提高资源利用效率和降低系统开销,而且促进了不同功能之间的协调互利。目前的许多工作都集中在其中某两个功能的集成上,如通信和感知一体化(ISAC)和无线携能通信(SWIPT)。然而,考虑多种不同功能相结合的复杂无线通信系统仍然是一项具有挑战性的工作。
目前已经有一些工作考虑集成感知、通信和能量传输能力的多功能无线系统。但是,最早提倡集成感知、通信和无线供电的研究工作中,有的只考虑了一种特殊的技术,如射频识别(RFID)和传感(RFID&S)技术;有的只研究了单通信用户、单感知目标、单能量收集接收机的MIMO系统的性能Pareto边界。目前还没有研究工作试图理解集成感知、通信和能量传输能力的多功能无线系统的能效或功耗问题,也没有研究工作考虑在多通信用户、多感知目标、多能量收集接收机的一般场景中作能量优化设计。
多个功能的集成不可避免地会带来更高的能耗。在6G系统中,高能耗、高运营成本和大量碳排放等挑战已经出现,并吸引了广泛的研究兴趣。为了缓解这些问题,广泛的研究工作致力于实现绿色和碳中和的通信。这些努力从多种视角出发,涵盖了高能效发送波束赋形和天线选择、用户关联和基站激活,以及在基站中可再生能源的利用等技术。其中,发送波束赋形和天线选择的联合优化一直是人们关注的焦点。这一技术旨在通过设计发送波束赋形和选择性地关断某些发射天线来提高多天线基站的能效。通常,寻找最优天线子阵列依赖于穷举搜索或分支定界(BAB)搜索,这些搜索方法受限于极高的计算复杂度。此外,利用机器学习(ML)来解决本质上是组合优化问题的天线选择问题已经引起了越来越多的关注。尽管这些研究取得了一些进展,但它们都是基于固定功放效率的假设,这在实际情况下不成立,可能导致系统设计的能效降低。
此外,混合波束赋形的加入也带来了更多的困难与挑战。为了控制硬件开销并通过空间复用进一步降低功耗,混合波束赋形已被广泛认为是一种可靠技术。在混合波束赋形中,有限数量的射频链路通过模拟组件网络(由开关和/或移相器组成)连接到大规模天线阵列。目前已经有工作从能效的角度探索了混合架构的设计,为理解混合架构下的能效表现提供了有价值的见解。同时,将天线选择与混合波束赋形相结合是一个相对较新的研究课题。然而,目前基于混合架构的讨论往往局限于天线选择,至今仍缺少对射频链路和移相器选择的探索。
在实际系统中,基站的功放功耗约占其总功耗的50%-80%,并且每个功放的效率通常是高度非线性的。特别地,当功放输入信号功率达到最大输出信号功率的饱和点时,方能达到最大功放效率。当功放输入信号功率远离该饱和点时,功放效率可能显著下降,从而导致系统能效迅速降低。有研究考虑了实际的非线性功放效率模型,并揭示了非线性功放效率模型优于传统理想线性模型的优势。另一方面,实际系统中的能量收集模型也是非线性的。在传统的线性能量收集模型中,射频到直流功率的转换效率被假设独立于能量收集电路的输入功率电平,不能准确地表征实际上与输入功率电平相关的能量收集效率。这种差异给资源分配带来了挑战。目前尚未有研究关注基于实际非线性能量收集模型的多功能无线网络传输优化问题。
针对相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题,目前还没有提出有效的解决方案。
发明内容
在本发明中提供了一种基站系统、用于基站系统的功耗优化方法、装置和设备,以解决相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题。
第一个方面,在本发明中提供了一种基站系统,集成通信、感知和传能,所述基站系统包括:混合架构发射机和感知接收机;
所述混合架构发射机用于同时向多个信息解码接收机发送通信信号,向多个感知目标发送感知信号,以及向多个能量收集接收机发送能量信号,所述感知接收机用于接收多个所述感知目标的回波信号;
所述混合架构发射机包括数字波束赋形器、多个发射链路、模拟波束赋形器和多个发射天线,所述模拟波束赋形器和多个发射天线包括多个移相器,所述感知接收机包括多个接收天线;
其中,所述发射链路的数量大于所述信息解码接收机的数量且小于或等于所述发射天线的数量,所述接收天线的数量大于所述发射天线的数量。
第二个方面,在本发明中提供了一种用于基站系统的功耗优化方法,所述基站系统为第一个方面所述的通信感知传能一体化基站系统,所述功耗优化方法包括:
建立所述基站系统的关于所述数字波束赋形器、所述模拟波束赋形器和用于生成所述感知信号的协方差矩阵的总功耗模型和系统约束,所述总功耗模型包括所述发射天线的总功耗、所述射频链路的总功耗和所述移相器的总功耗;
根据所述总功耗模型和所述系统约束,以最小化所述基站系统的总功耗为优化目标,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵。
在其中的一些实施例中,所述系统约束包括:
所述信息解码接收机的最小信干噪比约束、所述感知目标的最大估计克拉美罗界约束、所述能量收集接收机的最小收集功率约束、所述发射天线的发射功率约束和所述模拟波束赋形器的恒模约束。
在其中的一些实施例中,所述总功耗模型为:
其中,表示基站系统的总功耗,F表示所述模拟波束赋形器,wk表示对应第k个信号解码接收机的数字波束赋形器,S表示所述感知信号的协方差矩阵;
PPA(F,{wk},S)表示所述发射天线的总功耗:
NT表示所述发射天线的数量,ηn表示第n个发射天线的功率放大器效率,ηmax表示第发射天线的最大功率放大器效率,表示第n个发射天线的实际发射功率,/>表示第n个发射天线的最大发射功率,β表示效率因子,KID表示信息解码接收机的数量,表示除第n个对角线元素为1之外其他元素为0的零矩阵,/>表示长度为NT且除第n个元素为1之外其他元素为0的向量;
PRF({wk},S)表示所述射频链路的总功耗:
NRF表示所述射频链路的数量,表示单个射频链路在开启时的功耗,/>表示长度为NRF且除第n个元素为1之外其他元素为0的向量,/>表示除第n个对角线元素为1之外其他元素为0的零矩阵,I表示指示函数:
PPS(F)表示所述移相器的总功耗:
表示单个移相器在开启时的功耗;
Pstatic表示基站系统中除所述发射天线、所述射频链路和所述移相器之外的组件的静态功耗。
在其中的一些实施例中,所述信息解码接收机的最小信干噪比约束为:
ΓID表示信息解码接收机的最小信干噪比,表示信息解码接收机的集合γk(F,{wk},S)表示第k个信息解码接收机的信干噪比:
表示基站系统到第k个信息解码接收机的信道向量,/>表示噪声功率,wi表示对应第i个信息解码接收机的数字波束赋形器;
所述感知目标的最大估计克拉美罗界约束为:
ΓS表示感知目标的最大估计克拉美罗界,表示感知目标的平均克拉美罗界:
M表示感知目标的费歇尔信息矩阵;
所述能量收集接收机的最小收集功率约束为:
ΓEH表示能量收集接收机的最大收集功率,表示能量收集接收机的集合,Ψj(F,{wk},S)表示第j个能量收集接收机的收集功率:
Mj表示第j个能量收集接收机在电路饱和状态下的最大收集功率的常数,aj和bj表示与第j个能量收集接收机的电路规格相关的常数,RX表示所述基带信号的协方差矩阵,表示基站系统到第j个能量收集接收机的信道向量;
所述发射天线的发射功率约束为:
表示所述发射天线的集合;
所述模拟波束赋形器的恒模约束为:
表示所述射频链路的集合。
在其中的一些实施例中,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵,包括:
对所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵进行交替优化。
在其中的一些实施例中,对所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵进行交替优化,包括:
固定所述模拟波束赋形器,优化所述数字波束赋形器和所述感知信号的协方差矩阵;
固定所述数字波束赋形器和所述感知信号的协方差矩阵,优化所述模拟波束赋形器。
在其中的一些实施例中,固定所述模拟波束赋形器,优化所述数字波束赋形器和所述感知信号的协方差矩阵,包括:
固定所述总功耗模型中的所述模拟波束赋形器,得到第一中间问题模型;
通过半正定松弛方法对所述第一中间问题模型进行等价变换,得到第二中间问题模型;
通过连续凸近似方法对所述第二中间问题模型进行近似变换,得到第三中间问题模型;
通过凸优化工具对所述第三中间问题模型进行求解,得到优化后的所述数字波束赋形器和所述感知信号的协方差矩阵。
在其中的一些实施例中,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵,包括:
对所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵进行初始优化,得到初始优化结果;
根据所述初始优化结果确定各个所述发射天线的波束赋形权重,以最小化所述基站系统的总功耗为关闭目标,基于各个所述发射天线的波束赋形权重升序迭代关闭所述发射天线,并得到迭代优化结果;
以保证所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵的优化可行性为前提,通过二分搜索确定最小射频链路数;
根据所述迭代优化结果确定各个所述移相器的波束赋形权重,以最小化所述基站系统的总功耗为关闭目标,基于各个所述发射天线的波束赋形权重升序迭代关闭所述发射天线,并得到最终优化结果。
第三个方面,在本发明中提供了一种用于基站系统的功耗优化装置,所述基站系统为第一个方面所述的通信感知传能一体化基站系统,所述功耗优化装置包括:
模型构建模块,用于建立所述基站系统的关于所述数字波束赋形器、所述模拟波束赋形器和用于生成所述感知信号的协方差矩阵的总功耗模型和系统约束,所述总功耗模型包括所述发射天线的总功耗、所述射频链路的总功耗和所述移相器的总功耗;
赋形优化模块,用于根据所述总功耗模型和所述系统约束,以最小化所述基站系统的总功耗为优化目标,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵。
第四个方面,在本发明中提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的方法。
第五个方面,在本发明中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的方法。
与相关技术相比,本发明中提供了一种针对多通信用户、多感知目标和多能量收集接收机的基站系统。其中,该基站系统包括多个发射链路、多个发射天线以及多个移相器,借助开关网络可以实现发射天线、射频链路和移相器的动态开关控制,进而可以通过不同的开关组合,以最小化基站总功耗为目标,针对不同的通信用户、感知目标和能量收集接收机发送不同的基带信号。同时对基站中不同设备的数量进行约束,可以确保混合波束赋形设计的可行性。因此,本发明解决了相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1是本发明的实施例中提供的基站系统的结构图;
图2是本发明的实施例中提供的用于基站系统的功耗优化方法的流程图;
图3表示基站系统总功耗关于信干噪比约束的变化情况;
图4表示基站系统总功耗关于CRB约束的变化情况;
图5表示基站系统总功耗关于能量收集约束的变化情况;
图6表示不同发射天线上的发送功率分配;
图7表示基站系统总功耗关于被关断的发射天线和射频链路数的变化情况;
图8是本发明的实施例中提供的用于基站系统的功耗优化装置结构图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
在本发明的实施例中提供了一种基站系统,集成通信、感知和传能。图1是本发明的实施例中提供的基站系统的结构图,如图1所示,该基站系统包括:
混合架构发射机和感知接收机;混合架构发射机用于同时向多个信息解码接收机发送通信信号,向多个感知目标发送感知信号,以及向多个能量收集接收机发送能量信号,感知接收机用于接收多个感知目标的回波信号;混合架构发射机包括数字波束赋形器、多个发射链路、模拟波束赋形器和多个发射天线,模拟波束赋形器和多个发射天线包括多个移相器,感知接收机包括多个接收天线;其中,发射链路的数量大于或等于信息解码接收机的数量且小于或等于发射天线的数量,接收天线的数量大于发射天线的数量。
在本方案中,其中单个基站为KID个信息解码接收机提供服务,同时为KEH个能量收集接收机提供能量并感知KS个感知目标。可以定义和分别表示信息解码接收机、能量收集接收机和感知目标的集合。基站配备有一个模数混合架构发射机,其包含NT根发射天线和NRF条射频链路,另外还有一个具有NR根接收天线的全数字架构的感知接收机。可以定义/>和/>分别表示发射天线和射频链路的集合。一个发射天线和射频链路子阵列被选择出来以传输独立的多功能数据流。在基站端,对于信息解码接收机/>传输的数据流首先经过数字波束赋形器/>处理,然后通过一个模拟波束赋形器/>该模拟波束赋形器由具有无限分辨率的多个移相器组成,其模长恒定为:/>矩阵F的元素应满足其中:
当相应移相器是激活状态时:当相应移相器被关闭时:[F]i,j=0。
本方案在基站发射机中引入了一种新型混合架构,借助开关网络可以实现发射天线、射频链路和移相器的动态开关控制。信息解码接收机和能量收集接收机各自配备一根接收天线。为了确保混合波束赋形设计的可行性,数据流的数量、射频链路的数量和发射天线的数量受到约束,即KID≤NRF≤NT。此外,本方案中设置NT≤NR,以避免由于缺乏空间自由度引起的感知能力损失。
综上,本发明中提供了一种针对多通信用户(信息解码接收机)、多感知目标和多能量收集接收机的基站系统。其中,该基站系统包括多个发射链路、多个发射天线以及多个移相器,借助开关网络可以实现发射天线、射频链路和移相器的动态开关控制,进而可以通过不同的开关组合,以最小化基站总功耗为目标,针对不同的通信用户、感知目标和能量收集接收机发送不同的基带信号。同时对基站中不同设备的数量进行约束,可以确保混合波束赋形设计的可行性。因此,本发明解决了相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题。
本发明的实施例中还提供了用于基站系统的功耗优化方法,基站系统为本发明的实施例中提供的基站系统。图2是本发明的实施例中提供的用于基站系统的功耗优化方法的流程图,参照图2,该功耗优化方法包括:
步骤S210,建立基站系统的关于数字波束赋形器、模拟波束赋形器和用于生成感知信号的协方差矩阵的总功耗模型和系统约束,总功耗模型包括发射天线的总功耗、射频链路的总功耗和移相器的总功耗;步骤S220,根据总功耗模型和系统约束,以最小化基站系统的总功耗为优化目标,优化数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵。
本方案中,实质上是解决基站系统的波束赋形问题,即如何对波束进行赋形可以降低基站系统的总功耗。波束赋形与数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵相关,进而需要对其进行优化。总功耗模型用于计算基站系统的总功耗,其与数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵等变量相关,而系统约束则是上述变量需要满足的条件。
在一实施例中,系统约束包括:信息解码接收机的最小信干噪比约束、感知目标的最大估计克拉美罗界约束、能量收集接收机的最小收集功率约束、发射天线的发射功率约束和模拟波束赋形器的恒模约束。
通过上述方案,可以优化针对多通信用户、多感知目标和多能量收集接收机的基站系统的总功耗。可以解决相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题,进一步的是解决缺乏多功能基站系统的能研究的问题。
在其中的一些实施例中,总功耗模型为:
其中,表示基站系统的总功耗,F表示模拟波束赋形器,wk表示对应第k个信息解码接收机的数字波束赋形器,S表示感知信号的协方差矩阵;
PPA(F,{wk},S)表示发射天线的总功耗:
NT表示发射天线的数量,ηn表示第n个发射天线的功率放大器效率,ηmax表示第发射天线的最大功率放大器效率,表示第n个发射天线的实际发射功率,/>表示第n个发射天线的最大发射功率,β表示效率因子,KID表示信息解码接收机的数量,/>表示除第n个对角线元素为1之外其他元素为0的零矩阵,/>表示长度为NT且除第n个元素为1之外其他元素为0的向量;
PRF({wk},S)表示射频链路的总功耗:
NRF表示射频链路的数量,表示单个射频链路在开启时的功耗,/>表示长度为NRF且除第n个元素为1之外其他元素为0的向量,/>表示除第n个对角线元素为1之外其他元素为0的零矩阵,I表示指示函数:
PPS(F)表示移相器的总功耗:
表示单个移相器在开启时的功耗;
Pstatic表示基站系统中除发射天线、射频链路和移相器之外的组件的静态功耗。
信息解码接收机的最小信干噪比约束为:
ΓID表示信息解码接收机的最小信干噪比,表示信息解码接收机的集合,γk(F,{wk},S)表示第k个信息解码接收机的信干噪比:
表示基站系统到第k个信息解码接收机的信道向量,/>表示噪声功率,wi表示对应第i个信息解码接收机的数字波束赋形器;
感知目标的最大估计克拉美罗界约束为:
ΓS表示感知目标的最大估计克拉美罗界,表示感知目标的平均克拉美罗界:
M表示感知目标的费歇尔信息矩阵;
能量收集接收机的最小收集功率约束为:
ΓEH表示能量收集接收机的最大收集功率,表示能量收集接收机的集合,Ψj(F,{wk},S)表示第j个能量收集接收机的收集功率:
Mj表示第j个能量收集接收机在电路饱和状态下的最大收集功率的常数,aj和bj表示与第j个能量收集接收机的电路规格相关的常数,RX表示基带信号的协方差矩阵,表示基站系统到第j个能量收集接收机的信道向量;
发射天线的发射功率约束为:
表示发射天线的集合;
模拟波束赋形器的恒模约束为:
表示射频链路的集合。
如下对上述实施例中的总功耗模型和各个系统约束的构建过程和原理进行具体说明。
基站向目标信息解码接收机k发送通信信号其中/>是一个零均值、单位方差的CSCG(圆对称复高斯)随机变量,即/>其中/>表示符号索引。除了通信信号{sk(l)}外,基站还发送一个专用的感知/能量信号,由向量表示,以便为目标感知提供足够的自由度(DoF),其中s0(l)独立于{sk(l)},是一个均值为零、协方差矩阵为/>的CSCG随机向量,即{sk(l)}和s0(l)在不同符号上是独立的,对于所有的/>S为具有一般秩的矩阵,即0≤m=rank(S)≤NRF。这对应于具有m个线性和统计独立感知信号波束的情况,每个波束可以通过S的特征值分解(EVD)获得。因此,基站发送的基带信号/>由以下公式给出:
其中F和{wk}分别是要优化的模拟波束赋形器和数字波束赋形器。因此,x(l)的协方差矩阵被表示为:
本实施例考虑一个准静态窄带信道模型,在该模型中,无线信道在由L个符号组成的感兴趣的传输块期间保持不变,其中L被假定足够大。令表示在这种特定的相干处理间隔内的符号集合,/>表示窄带多功能发送信号矩阵。令/>和/>分别表示从基站到信息解码接收机k和能量收集接收机j的信道向量。令/>表示从混合架构发射机到感知目标i并返回到感知接收机的目标响应矩阵。基站具有/>和/>全部的信道状态信息(CSI)。
首先,考虑下行多用户通信系统。通过将x(l)传输到KID个信息解码接收机,信息解码接收机k处接收到的信号表示为:
其中,表示信息解码接收机k处的AWGN(加性高斯白噪声),表示相应的噪声功率。因此,信息解码接收机k处的信干噪比(SINR)为:
该SINR被选择为通信性能度量。
其次,考虑多个感知目标的雷达感知。需要注意的是,感知信号s0(l)和通信信号s0(l)都可以被利用起来以实现感知功能,因为感知接收机具有关于它们的全部信息。因此,通过将x(l)传输以感知目标,多功能基站的感知接收器接收到的回波信号表示为:
其中,表示感知接收器处的AWGN(加性高斯白噪声),/>表示相应的噪声功率。考虑单站雷达设置,此时到达方向角(DoA)和离开方向角(DoD)相同。对于感知目标采用点模型,感知目标/>的目标响应矩阵Gi表示为:
Gi=a(θi)βivT(θi)
其中,是感知目标的复振幅,包括往返路径损耗和目标的雷达截面(RCS),是相对于基站的KS个感知目标的方位角,/>和/>分别是发射天线和接收天线的导向矢量。为了简化符号,可以将感知接收机接收到的回波信号表达为:
其中:
diag(b)表示对角矩阵,其对角线元素组成的向量为b。
选择均匀线阵接收天线(ULA)的中心作为参考点,并假设相邻接收天线之间间隔半波长且接收天线数为偶数,进而可以得到:
其导数为:
其中,vi和ai表示v(θi)和a(θi)的第i个元素。需要说明的是,在作天线关断时,由于天线单元的物理位置不能移动,需要从上述的导向矢量中删除已经关断的天线单元。
现在,考虑未知目标参数θ和b的克拉美罗界(CRB),它代表了任何无偏估计的方差下界。将目标参数表示为θ、bR和bI,其中已知接收到的信号yS(n),则关于θ、bR和bI的Fisher(费歇尔)信息矩阵(FIM)可以推导为:
其中:
于是,相应的CRB矩阵由CRB(F,{wk},S)=M-1给出。
目标参数的FIM是多功能波束X的协方差矩阵RX的线性函数。在本实施例中,采用CRB矩阵的加权迹,即作为感知性能指标,因为它表征了FIM中所有估计参数的加权平均CRB。
进一步的,考虑从基站到能量收集接收机的无线能量传输(WPT),其中接收到的射频信号通过整流器转换为直流(DC)电信号,用于能量收集。能量收集接收机处接收到的射频功率(单位时间内的能量,单位为瓦特)可以表示为:
/>
其中:
Ωj是引入的常数,以确保当输入射频功率为零时,输出的采集到的能量也为零,Mj是能量收集接收机处在EH电路饱和状态下的最大收集功率的常数,Ψj(F,{wk},S)是关于接收到的射频功率的传统Logistic函数。参数aj和bj是与电路规格(例如电阻、电容和二极管导通电压)相关的常数。在实践中,每个能量收集接收机的EH硬件电路是固定的,所提出的模型中的参数aj、bj和Mj可以通过标准曲线拟合工具确定。我们注意到,所提出的非线性能量收集模型能够捕捉由硬件约束引起的非线性现象的联合效应,包括电路灵敏度限制和电流泄漏。由于Ωj不影响波束赋形设计,为了简化起见,可以直接使用Ψj(F,{wk},S)来表示能量收集接收机j处的收集到的功率。
进一步考虑基站的实际参数功耗模型,由混合架构发射机和全数字架构感知接收机两部分组成。发射机的功耗包括功率放大器(PAs)的非线性功耗、射频链路和移相器的开关功耗、以及开关网络和其他组件的静态功耗,分别在以下进行详细说明。在通信和感知一体化或集成多功能场景中,考虑感知相关器件引入功耗的研究工作较少。一般情况下,感知接收机的功耗包括低噪声放大器(LNA)的功耗和其他信号处理组件的静态功耗。在我们的设计中,我们采用了这一感知接收机模型。
1、非线性效率功率放大器(PA)的功耗:在实际情况下,每个接收天线的功率放大器(PA)的效率是非线性的,而大多数经典模型简化地将PA效率视为固定值,这是理想但不切实际的。在这里,我们考虑一个非线性效率PA功耗模型,其中PA的效率是接收天线上的发射功率的非线性函数,即:
其中,和/>分别是接收天线n上的最大发射信号功率和实际发射信号功率,ηmax是最大PA效率,β是效率因子,它取决于PA的类型。例如,对于A类PA,可以有β=1,对于B类PA,可以有β=0.5。根据上述信号模型,可以有:
其中,是一个向量,其第n个元素为1,其余为0,其维度将根据上下文明确;被定义为一个零矩阵,除了第n个对角线元素为1。因此,所有NT个PA的功耗由下式给出:
进一步考虑基站受到单根天线的发射功率约束,即,基站的每根天线受到最大发射功率的限制:
2、具有开关控制的射频链路功耗:在实际情况下,基站的射频链路功耗取决于每个射频链路的开关状态。特别地,如果射频链路m处于开启状态,通过它传递的功率则相应的射频链路m会消耗固定的功耗,由以下公式给出:
其中,PDAC、Pmix、Pfilt和Psyn分别表示数模转换器(DAC)、混频器、滤波器和频率合成器的功耗。否则,如果相应的射频链路m被关闭,功耗为零。通过组合NRF个射频链路,总射频链路功耗由以下公式给出:
其中,I{·}表示指示函数,定义如下:
3、具有开关控制的移相器功耗:在实际情况下,一个激活的移相器消耗恒定功耗而一个非激活的移相器不消耗功耗。考虑到移相器网络的动态开关控制,移相器的总功耗可以表示为:
其中每个元素的开关状态由指示函数表示。
4、其他组件的静态功耗:除了功放、射频链路和移相器,基站的其他组件,包括开关网络、全数字架构感知接收机和其他支撑设备,也消耗能量,其功耗通常是静态的,并且可以分别指定为如下形式。
相对于移相器而言,单个开关的功耗很小,可以表示为静态项此时,总开关网络消耗的功率为:
上述为控制整个天线、射频链路和移相器系统的开关消耗的功率总和。
在感知接收机中,由于低噪声系数的要求,LNA设计是最具挑战性的一环。由LNA吸收的直流功率计算如下:
其中,G是增益,FoM是以mW-1为单位的品质因数,NF是LNA的噪声系数。这样,LNA消耗的总功耗表达为:
当系统硬件配置固定时,上述功耗为静态项。
此外,感知接收机中的其他组件,包括混频器LO、A/D转换器和数字波束赋形器也会消耗能量。这些组件的功耗是采样频率的函数,因此在系统硬件配置固定的情况下被视为静态项PRS。此外,基站中的其他组件,例如远程回传、冷却系统、基带处理和电源供应也会消耗静态功耗Pc。
通过将上面提出的功耗模型组合起来,基站在传输块上的总功耗由以下公式给出:
其中,Pstatic=PSW+PLNA+Pc+PRS表示静态功耗的总和。
基于上述的信号模型和功耗模型,可以将混合波束赋形问题进行建模,该问题旨在最小化总功耗,同时确保每个信息解码接收机的最小信干噪比要求ΓID,多个感知目标/>的最大估计CRB约束ΓS,以及每个能量收集接收机/>的最小收集功率约束ΓEH,另外还包括每个接收天线的发射功率约束和模拟波束赋形的恒模约束。混合波束赋形问题模型如下:
其中,
如上,则对总功耗模型和各个系统约束进行了具体说明,两者共同构成了混合波束赋形问题模型。
在其中的一些实施例中,步骤S220中,优化数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵,包括:步骤S221,对数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵进行交替优化。
由于需要优化的变量为多个,为了更加方便地对这些变量进行优化,采用交替优化法。交替最小化代表了一种广泛适用且在实践中取得成功的方法,用于涉及多变量耦合的优化问题。
具体的,交替优化过程可以为:步骤S221a,固定模拟波束赋形器,优化数字波束赋形器和感知信号的协方差矩阵;步骤S221b,固定数字波束赋形器和感知信号的协方差矩阵,优化模拟波束赋形器。
其中,步骤S221a具体包括:
固定总功耗模型中的模拟波束赋形器,得到第一中间问题模型;通过半正定松弛方法对第一中间问题模型进行等价变换,得到第二中间问题模型;通过连续凸近似方法对第二中间问题模型进行近似变换,得到第三中间问题模型;通过凸优化工具对第三中间问题模型进行求解,得到优化后的数字波束赋形器和感知信号的协方差矩阵。上述方案提供了一种具体的优化流程,先固定模型中的非优化量,再采用半正定松弛方法对模型进行处理,然后采用连续凸近似方法进行处理,最后采用凸优化工具对模型进行求解。相应的,对于步骤S221b,同样可以采用上述流程进行优化,其包括:
固定总功耗模型中的数字波束赋形器和感知信号的协方差矩阵,得到四中间问题模型;通过半正定松弛方法对四中间问题模型进行等价变换,得到第五中间问题模型;通过连续凸近似方法对第五中间问题模型进行近似变换,得到第六中间问题模型;通过凸优化工具对第六中间问题模型进行求解,得到优化后的模拟波束赋形器。
如下结合上述实施例中给出的具体的混合波束赋形问题模型,对上述优化过程进行具体说明。
在本实施例中,由于F的恒模约束,由实际模型引入的非线性和变量之间的复杂耦合,联合优化F、{wk}和S是非常困难的。通过解耦这三个变量的优化,交替最小化成为获得有效解决方案的高效方法。按照交替最小化的原则,我们将交替求解变量对{F,S}和{wk},同时固定另一个变量。
首先考虑优化数字波束赋形矩阵{wk}和感知协方差矩阵S,并假定模拟波束赋形矩阵F是固定的。因此,混合波束赋形问题模型可以进一步简化为第一中间问题模型形式,其中进一步暂时忽略了总功率模型中的静态项Pstatic和模拟波束赋形矩阵F上的恒模约束。第一中间问题模型如下:
虽然上述问题模型是非凸的,但它可以基于经典的SDR(半正定松弛)方法松弛为一个凸问题。令其中/>且rank(Rk)=1。于是,可以得到:
接下来考虑将约束转化为关于{Rk}和S的凸形式。
首先,考虑通信信号的信干噪比约束,令则原约束可以等价地改写为:
上述约束是仿射的,因而关于{Rk}和S是凸的。
其次,考虑作为感知性能度量的加权CRB矩阵的迹,即:
通过上述形式,可以将感知性能约束改写为:
并引入额外的约束:
其中,是单位矩阵/>的第i列,{ti}是引入的松弛变量。然后,通过应用Schur补,可以将其重新表述为以下不等式:
这一形式是关于{Rk}和S凸的。
最后,考虑具有实际参数化非线性能量收集模型的无线能量传输收集功率约束,即:
它可以等价地转化为以下形式:
这是一个关于左侧接收到的射频功率的线性矩阵不等式,因此关于{Rk}和S是凸的。
第一中间问题模型中的功放和射频链路功耗项也可以表示成{Rk}和S的函数的形式:
接下来,可以处理第一中间问题模型中射频链路功耗涉及的指示函数,该函数是二进制的,因此是非凸的。为此,我们将指示函数等价地重写为:
因此,可以在适当选择的ε下近似指示函数为:
当ε变得更小时,该近似变得更精确。因此,射频链路的总功耗可以近似为:
通过上面的推导,第一中间问题模型和全部约束都表示成了关于{Rk}和S的函数的形式。因此,当松弛秩一约束rank(Rk)=1时,第一中间问题模型可以近似为第二中间问题模型:
需要说明的是,在第二中间问题模型中,需要优化的变量是{Rk}和S,而不是第一中间问题模型中的{wk}和S。
对于第二中间问题模型,可以通过SCA(连续凸近似)方法求解。在SCA中,复杂问题被近似为一系列易于求解的凸问题,以迭代方式逼近。在一实施例中,考虑特定的迭代数j≥1。设和S(j)分别是在SCA的第j次迭代中{Rk}和S的局部最优点(local point)。任何凹函数的一阶泰勒展开都是它的全局上界。因此,在给定局部最优点/>和S(j)的情况下,PA功耗项PPA({Rk},S)可以被其上界/>近似,此时F已知并确定,其中:
类似地,射频链路功耗项也可以进一步近似为其上界/>其中:/>
通过将PPA({Rk},S)和分别替换为/>和/>第二中间问题模型可以在SCA的第j次迭代转化为第三中间问题模型:
第三中间问题模型是凸问题,能被标准凸优化工具求解,如CVX。令和S*(j)分别表示在第j次迭代中得到的第三中间问题模型的解,它们会被更新为下一次迭代的和S(j+1)。由于/>和/>分别是PPA({Rk},S)和/>的全局上界,因此可以证明,/>和S(j+1)得到的总功耗必定不高于/>和S(j)。换句话讲,求解第二中间问题模型得到的功耗值在SCA的迭代过程中是单调不增的。因此,第二中间问题模型的最优目标函数值是有界的。这样,问题的收敛性就有了保证。记通信和感知协方差的收敛结果分别为/>和/>其中/>通常不是秩一的。
基于得到的解和/>可以重建出第一中间问题模型的秩一解:
其中,第一个等式保证了最小信干噪比约束,第二个等式在此基础上保证了其他二次约束,也保证了第一中间问题模型值不变。
在交替优化过程中,接下来可以固定{wk}和S,计算如下第四中间问题模型的最优解F:
与上述求解过程相似,第四中间问题模型也可以利用经典的SDR方法松弛到凸形式。令f=vec(FT)表示对矩阵FT作列向量化。令Rf=ffH,其中且rank(Rf)=1。考虑恒模约束和移相器选择,可以得到如下松弛形式的约束:
/>
由于,其中/>定义为如下矩阵:
其中,是一个全一向量。则可以定义:
是关于Rf的线性函数。令r=rank(S),且考虑厄密特半正定矩阵S的特征值分解其中λ1≥λ2≥...≥λr≥0是特征值,q1,...,qr是相应的特征向量。则可以定义:
RS是关于Rf的线性函数。RX是和RS的线性函数,因此也是Rf的线性函数,其中:
由于感知和传能约束均是RX的线性函数,因此它们也是Rf的线性函数。其中,最小信干噪比约束可以被重新表达为如下形式:
它关于和RS是仿射的,因此是凸的。单根天线上的发送功率约束可以写成如下仿射形式:
第四中间问题模型中的功放和移相器功耗项可以重新表达为Rf的函数:
/>
移相器功耗可以通过利用指示函数的近似方法来近似为关于Rf的凹形式:
基于上述推导,第四中间问题模型和全部约束均重新表达为了Rf的函数。因此,当松弛秩一约束rank(Rf)=1时,第四中间问题模型可以近似为第五中间问题模型:
第五中间问题模型中的优化变量是Rf而非第四中间问题模型中的F。
此时则可以使用SCA方法处理第五中间问题模型。考虑特定的迭代数j≥1。设Rf (j)是在SCA的第j次迭代中的局部最优点(local point)。任何凹函数的一阶泰勒展开都是它的全局上界。因此,在给定局部最优点Rf (j)的情况下,PA功耗项PPA(Rf)可以被其上界近似。其中:
类似的,近似的移相器功耗项可以被其上界/>进一步近似。其中:
通过将PPA(Rf)和分别替换为/>和/>第五中间问题模型可以在SCA的第j次迭代转化为第六中间问题模型:
第六中间问题模型是凸问题,能被标准凸优化工具求解,如CVX。令Rf *(j)表示在第j次迭代中得到的第六中间问题模型的解,它们会被更新为下一次迭代的Rf (j+1)。由于和/>分别是PPA(Rf)和/>的全局上界,因此可以证明,Rf (j+1)得到的总功耗必定不高于Rf (j)。换句话讲,求解第五中间问题模型得到的功耗值在SCA的迭代过程中是单调不增的。因此,第五中间问题模型的最优目标函数值是有界的。这样,问题的收敛性就有了保证。记模拟波束赋形矩阵协方差的收敛结果为/>它通常不是秩一的。
最后,可以通过高斯随机化方法恢复秩一解。特别地,可以随机生成一组并据此生成一组候选可行解:/>
可以选择其中使得第四中间问题模型值最小的f*作为优化结果。高斯随机化应当充分多次执行以保证第四中间问题模型值在每次交替优化的迭代中都有所下降。将f*重新表示成矩阵形式,我们就得到了模拟波束赋形器的优化结果F*。
如上介绍的则是一种具体的优化流程,需要说明的是,该优化方法还可以结合接收天线、射频链路和移相器智能关断。
在其中的一些实施例中,步骤S220中,优化数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵,包括:
步骤S222,对数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵进行初始优化,得到初始优化结果;步骤S223,根据初始优化结果确定各个发射天线的波束赋形权重,以最小化基站系统的总功耗为关闭目标,基于各个发射天线的波束赋形权重升序迭代关闭发射天线,并得到迭代优化结果;步骤S224,以保证数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵的优化可行性为前提,通过二分搜索确定最小射频链路数;步骤S225,根据迭代优化结果确定各个移相器的波束赋形权重,以最小化基站系统的总功耗为关闭目标,基于各个发射天线的波束赋形权重升序迭代关闭发射天线,并得到最终优化结果。
具体的,本实施例利用求解混合波束赋形问题得到的F*、和S*形成判别准则。在实际系统中,功放通常消耗绝大部分功耗,约占系统总功耗的50%-80%。单个移相器的功耗比射频链路低得多。在2.4GHz下,单个移相器和开关的功耗一般认为处于如下范围:而单个射频链路的功耗一般认为因此,本实施例采用如下手段:功耗更大的元件应当具有更高的关断优先级,则依次顺序地考发射天线、射频链路和移相器的关断。具体而言,本实施例先基于发射天线关断权重关闭尽可能多的发射天线,然后二分搜索能保证问题可行性的最小射频链路数量,最后考虑移相器的关断以进一步降低系统功耗。
首先,可以利用上述实施例中的优化方法对数字波束赋形器、模拟波束赋形器和感知信号的协方差矩阵进行初始优化,并根据初始优化结果确定各个发射天线的波束赋形权重。发射天线n的波束赋形权重定义为:
其表示该发射天线上的发送功率。显然,波束赋形权重vn较小的发射天线对波束赋形设计的性能影响较小,因此更优先被关闭。这样,我们将不同发射天线的波束赋形权重按升序排列,并以迭代的方式确定发射天线的开关状态。具体来说,可以根据上述排序迭代地关闭天线,并将它们通过上述实施例中的优化方法实现的功耗值进行比较,以获得最小化总功耗的最优天线开关选择设计。示例性地,具体的,可以先关闭权重最低的一个或多个发射天线,然后重新优化总功耗模型,并判断总功耗是否下降,若下降则继续关闭权重最低的一个或多个发射天线,并继续重新优化总功耗模型,以此迭代关闭发射天线并优化总功耗模型,直至基站的总功耗不再下降,最终可确定发射天线的最佳关闭方案。
在发射天线的关断完成后,考虑射频链路的选择。由于每个射频链路都与全部发射天线相连接,关闭任何一个射频链路对发射机系统的影响都是相同的。因此,通过对保证总功耗模型的可行性(存在最优解)的最小射频链路数进行二分搜索,则能够以较低的复杂度得到最优的射频链路选择。具体的,可以根据基站配置的总射频链路数和发射天线选择得到的最优天线数,以二者中更小的那个作为搜索起点执行二分搜索;基于当前射频链路数,判断总功耗模型的可行性,若可行,则向更少射频链路数搜索,若不可行,则向更多射频链路数搜索。
最终,根据优化结果确定移相器的波束赋形权重,并基于波束赋形权重考虑移相器的关断。在最后一次交替优化迭代中通过高斯随机化得到的最优f*和相应的我们将表示成相应的模拟波束赋形矩阵的形式/>并在此基础上定义每个移相器[F*]i,j的波束赋形权重/>其中F*是考虑恒模约束的实际得到的最优模拟域矩阵,而/>是它在忽略恒模约束时的形式。显然,波束赋形权重ci,j较小的移相器对波束赋形设计的性能影响较小,因此更优先被关闭。这样,我们将所有移相器的波束赋形权重按升序排列,并以迭代的方式确定这些移相器的开关状态。具体来说,我们根据上述排序迭代地关闭移相器,每次可以关断10%的移相器,并将它们通过前面提出的最优波束赋形算法实现的功耗值进行比较,以获得最小化总功耗的最优移相器选择设计。关断移相器以迫使一部分元素为零的方式体现,我们考虑在模拟域波束赋形求解中添加关于被关断的第n个移相器的额外约束[Rf]n,n=0。
通过上述实施例可知,本发明提供的基站系统及其功耗优化方法具有如下特点和优点:
1.本发明技术方案考虑在同一单站系统中同时集成通信、感知和能量传输能力。相比现有技术方案,本方案有效降低了硬件开销,提高了能量效率。
2.本发明提出了基于联合能量优化混合波束赋形与动态天线、射频、移相器网络关断控制的系统能耗优化方法,在保证性能需求的前提下最大限度降低单站能耗,充分利用系统资源,提高能量效率。
3.本发明提出了基于AO、SCA和SDR的算法以求解能量优化混合波束赋形问题,其中交替优化(AO)将多个变量解耦,连续凸近似(SCA)将非凸的功耗目标函数通过一阶泰勒展开近似为凸函数,半正定松弛(SDR)将二次约束转化为多变量的一次约束。相比现有算法,本方案能获得更加精确的高能效波束赋形。
4.本发明提出了基于波束赋形权重发射天线关断控制算法和基于二分搜索的射频链路关断查找算法,分别用于关断发射天线和射频链路,并提出了保证模拟预编码域恒模约束的移相器关断方案。相比现有算法,本方案以较低的复杂度求解了这一复杂的组合优化问题。
5.基于上述算法,本发明提出了通信感知传能集成系统中多性能指标的能耗权衡,并分析了能量优化混合波束赋形增益与动态关断控制增益对系统总能耗的影响。
如下提供五个仿真实施例,来验证本发明中技术方案的可行性。
在仿真中,基站配备了一个具有NT=32和NS=32天线的均匀线阵,相邻天线之间的间距为半波长,并且具有NRF=32个射频链路。通信接收机、感知目标和能量收集接收机的数量分别设置为KID=8,KS=6和KEH=6。将信息解码接收机和感知接收机的噪声功率设置为在功耗参数方面,设置/> Pc=10W,ηmax=0.38和β=0.5。不同用户的信干噪比约束和不同能量收集接收机的最小收集功率需求均被设置为相同的。接着,我信息解码接收机考虑瑞利衰落信道模型,对感知目标考虑视距信道模型,对能量收集接收机考虑Rician因子为3dB的Rician衰落信道模型。大尺度路径损耗模型被建模为51.2+41.2log10 r,其中基站发射机与信息解码接收机之间的距离r=50m,基站发射机与能量收集接收机之间的距离r=20m。感知的视距信道模型被设置为51.2+41.2log102rS,其中基站发射机与感知目标之间的距离rS=10m,其中考虑了往返路径损耗(r和rS的单位是米)。目标方位角/>是随机生成的。传输块长度设置为L=30。出于一般性考虑,CRB的权重矩阵Λα被设置为单位矩阵。在非线性能量收集模型中,设置Mj=0.02,aj=6400,bj=0.003,这些数据是通过对特定硬件设备的测量数据作曲线拟合得到的。对于感知接收机,设置G=10dB,FoM=8.46和NF=3.1dB,这些数据是接收机的常用值。
为了进行性能比较,考虑以下基准方案,包括固定功放效率的传统功放模型、基于优化总发射功率的传统能量优化混合波束赋形设计,以及忽略天线、射频链路和/或移相器的动态开关选择的方案,与我们提出的联合能量优化混合波束赋形与动态天线、射频、移相器网络关断控制设计作比较。
1.优化总发射功率的混合波束赋形设计:考虑传统的能量优化设计,这里采用最小化总发射功率而不是总功耗,同时确保满足相同的约束条件,即通信/感知/无线能量传输性能约束、每个天线的发射功率约束,以及模拟波束赋形的恒模约束。优化问题可以表达为如下形式:
/>
为了求解该问题,可以考虑目标函数PT的一种等价表达基于这一形式,上述问题可以通过前面提出的算法类似地求解。此时不再需要SCA。
2.仅混合波束赋形设计:这对应于完全忽略动态选择的情况,所有天线、射频链路和移相器均被设置为激活状态。混合波束赋形器可以采用所提出的算法求解。
3.仅移相器选择设计:这对应于忽略天线和射频链路的动态选择,而专注于移相器的关断控制的情况。此时,我们单独观察移相器选择带来的能效增益,并探究移相器的开关选择对系统总功耗的影响程度。
4.仅射频链路选择设计:这对应于忽略天线和移相器的动态选择,而专注于射频链路的关断控制的情况。此时,我们单独观察射频链路选择带来的能效增益,并探究射频链路的开关选择对系统总功耗的影响程度。这里,每一个移相器在波束赋形后都被归一化为单位模长,而不考虑关断控制。
5.联合全数字波束赋形和动态选择设计:这对应于在全数字发射机架构中实现所提出的联合设计方案。此时,模拟波束赋形器F和数字波束赋形器{wk}被组合成一个可以任意控制的全数字波束赋形器{dk}。不再需要交替最小化的步骤,所提算法的其他部分被类似地迁移。
6.采用固定功放效率模型的联合设计:这对应于在所提联合设计中令β=0。此时,功放的功耗模型可以简化为如下的传统形式,这一形式已经被广泛研究:
上述模型可以通过本发明提供的优化方法求解。
参照图3,图3显示了当给定CRB阈值ΓS=0.1和能量收集约束ΓEH=-2dBm时,系统总功耗关于信干噪比约束的变化情况。图中给出了在相同信道条件下的多个基准方案和所提设计。可以看到,所提出的联合设计取得的系统总功耗显著低于其他基准方案。此外,我们注意到,当信干噪比要求相对较小时,相比于最优波束赋形增益,动态选择增益对降低系统总功耗的作用更明显,而在相对较大的信干噪比约束下则反之。这是因为当信干噪比约束较高时,必须激活更多的天线和射频链路以保障性能,从而导致动态选择增益的降低。为了揭示信干噪比、CRB和能量收集约束之间的折中权衡关系,我们还发现,当信干噪比需求ΓID低于某个转折点时,系统总功耗将转而受CRB和能量收集约束的限制,从而导致系统总功耗不再随信干噪比约束的降低而降低,在图中表现出水平行为。
图4和图5分别显示了当给定SINR要求ΓID=6dB和能量收集约束ΓEH=-2dBm时的系统总功耗随CRB约束的变化情况,以及当给定SINR要求ΓID=6dB和CRB阈值ΓS=0.1时的系统总功耗关于能量收集约束的变化情况。所提设计在节能性能方面显著优于任何基准方案。此外,我们注意到,当CRB阈值在较高范围内或能量收集约束在较低范围内时,总功耗将受限于其他两个约束,导致图中的水平行为。此外,我们还可以观察到,优化总发射功率的设计的转折点更早。这表明,与所提设计相比,该波束赋形设计所取得的能效有所下降。
图6比较了在考虑非线性功放效率(即β=0.5)和固定功放效率(即β=0)这两种功放功耗模型下不同天线上的最优发射功率分配情况。在考虑固定功放效率的传统模型中,倾向于激活几乎所有天线并对每根天线作相对均衡的功率分配。相比之下,我们提出的考虑非线性功放效率的设计揭示了一种新的功率分配模式:一些天线被关断,而另一些天线接收更多的功率分配以满足性能需求。这是因为非线性的功放效率随着每个天线处的输出信号功率提高而提高。因此,基站倾向于关闭更多的天线并增加剩余天线上的发射功率以利用更高的功放效率。此外,比较ΓID=6dB和ΓID=15dB的情况,我们可以进一步观察到,当性能约束更高时,不同发射天线上的功率分配更加两极分化,这意味着此时波束方向图将具有更强的方向性。
图7显示了系统总功耗关于被关断的天线和射频链路数的变化情况。我们基于贪婪算法关闭最多NT-KID=24个天线。可以看到,总功耗最初随着关断天线数的增加而快速下降,在达到最低点后反而开始上升。因此,存在一个将总功耗降至最低的最优天线数量——激活更多或更少的天线都会导致能效降低。比较采用固定功放效率模型和实际的非线性模型时的天线选择行为,我们可以观察到,后者倾向于关闭更多天线以利用更高的功放效率,因而在关断更多天线时达到最优。后者的斜率比前一种情况更大,这意味着在考虑实际非线性功放模型时,天线选择能发挥出相比固定功放效率下更显著的影响,即:当摒弃了错误的固定功放效率模型时,实际的天线选择增益比原来在该错误模型下得到的大得多。比较接收机到基站的不同距离下的天线选择行为,其中r1>r2,我们观察到接收机距离基站越远,对发射信号质量的要求越高,可以关闭的天线就越少,这就需要更多天线。此外,当关断射频链路时,总功耗的下降速度比关断天线时慢,这意味着天线选择对总功耗的降低有更大的影响,应该优先考虑,从而验证了所提出算法的有效性,即:我们首先考虑天线的开关,然后考虑射频链路的开关。
图8是本发明的实施例中提供的用于基站系统的功耗优化装置的结构框图,如图8所示,该装置包括:
模型构建模块810,用于建立所述基站系统的关于所述数字波束赋形器、所述模拟波束赋形器和用于生成所述感知信号的协方差矩阵的总功耗模型和系统约束,所述总功耗模型包括所述发射天线的总功耗、所述射频链路的总功耗和所述移相器的总功耗;
赋形优化模块820,用于根据所述总功耗模型和所述系统约束,以最小化所述基站系统的总功耗为优化目标,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵。
通过上述方案,可以优化针对多通信用户、多感知目标和多能量收集接收机的基站系统的总功耗。可以解决相关技术中缺乏针对多通信用户、多感知目标和多能量收集接收机的基站系统研究的问题,进一步的是解决缺乏多功能基站系统的能研究的问题。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本发明的实施例中还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
此外,结合上述实施例中提供的用于基站系统的功耗优化方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种用于基站系统的功耗优化方法。
Claims (10)
1.一种基站系统,集成通信、感知和传能,其特征在于,所述基站系统包括:混合架构发射机和感知接收机;
所述混合架构发射机用于同时向多个信息解码接收机发送通信信号,向多个感知目标发送感知信号,以及向多个能量收集接收机发送能量信号,所述感知接收机用于接收多个所述感知目标的回波信号;
所述混合架构发射机包括数字波束赋形器、多个发射链路、模拟波束赋形器和多个发射天线,所述模拟波束赋形器包括多个移相器,所述感知接收机包括多个接收天线;
其中,所述发射链路的数量大于或等于所述信息解码接收机的数量且小于或等于所述发射天线的数量,所述接收天线的数量大于所述发射天线的数量。
2.一种用于基站系统的功耗优化方法,其特征在于,所述基站系统为权利要求1所述的基站系统,所述功耗优化方法包括:
建立所述基站系统的关于所述数字波束赋形器、所述模拟波束赋形器和用于生成所述感知信号的协方差矩阵的总功耗模型和系统约束,所述总功耗模型包括所述发射天线的总功耗、所述射频链路的总功耗和所述移相器的总功耗;
根据所述总功耗模型和所述系统约束,以最小化所述基站系统的总功耗为优化目标,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵。
3.根据权利要求2所述的用于基站系统的功耗优化方法,其特征在于,所述系统约束包括:
所述信息解码接收机的最小信干噪比约束、所述感知目标的最大估计克拉美罗界约束、所述能量收集接收机的最小收集功率约束、所述发射天线的发射功率约束和所述模拟波束赋形器的恒模约束。
4.根据权利要求3所述的用于基站系统的功耗优化方法,其特征在于,所述总功耗模型为:
其中,表示基站系统的总功耗,F表示所述模拟波束赋形器,wk表示对应第k个信号解码接收机的数字波束赋形器,S表示所述感知信号的协方差矩阵;
PPA(F,{wk},S)表示所述发射天线的总功耗:
NT表示所述发射天线的数量,ηn表示第n个发射天线的功率放大器效率,ηmax表示第发射天线的最大功率放大器效率,表示第n个发射天线的实际发射功率,/>表示第n个发射天线的最大发射功率,β表示效率因子,KID表示信息解码接收机的数量,/>表示除第n个对角线元素为1之外其他元素为0的零矩阵,/>表示长度为NT且除第n个元素为1之外其他元素为0的向量;
PRF({wk},S)表示所述射频链路的总功耗:
NRF表示所述射频链路的数量,表示单个射频链路在开启时的功耗,/>表示长度为NRF且除第n个元素为1之外其他元素为0的向量,/>表示除第n个对角线元素为1之外其他元素为0的零矩阵,I表示指示函数:
PPS(F)表示所述移相器的总功耗:
表示单个移相器在开启时的功耗;
Pstatic表示基站系统中除所述发射天线、所述射频链路和所述移相器之外的组件的静态功耗。
5.根据权利要求4所述的用于基站系统的功耗优化方法,其特征在于,所述信息解码接收机的最小信干噪比约束为:
ΓID表示信息解码接收机的最小信干噪比,表示信息解码接收机的集合,γk(F,{wk},S)表示第k个信息解码接收机的信干噪比:
表示基站系统到第k个信息解码接收机的信道向量,/>表示噪声功率,wi表示对应第i个信息解码接收机的数字波束赋形器;
所述感知目标的最大估计克拉美罗界约束为:
ΓS表示感知目标的最大估计克拉美罗界,表示感知目标的平均克拉美罗界:
M表示感知目标的费歇尔信息矩阵;
所述能量收集接收机的最小收集功率约束为:
ΓEH表示能量收集接收机的最大收集功率,表示能量收集接收机的集合,Ψj(F,{wk},S)表示第j个能量收集接收机的收集功率:
Mj表示第j个能量收集接收机在电路饱和状态下的最大收集功率的常数,aj和bj表示与第j个能量收集接收机的电路规格相关的常数,RX表示基带信号的协方差矩阵,表示基站系统到第j个能量收集接收机的信道向量;
所述发射天线的发射功率约束为:
表示所述发射天线的集合;
所述模拟波束赋形器的恒模约束为:
表示所述射频链路的集合。
6.根据权利要求3所述的用于基站系统的功耗优化方法,其特征在于,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵,包括:
对所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵进行交替优化。
7.根据权利要求6所述的用于基站系统的功耗优化方法,其特征在于,对所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵进行交替优化,包括:
固定所述模拟波束赋形器,优化所述数字波束赋形器和所述感知信号的协方差矩阵;
固定所述数字波束赋形器和所述感知信号的协方差矩阵,优化所述模拟波束赋形器。
8.根据权利要求7所述的用于基站系统的功耗优化方法,其特征在于,固定所述模拟波束赋形器,优化所述数字波束赋形器和所述感知信号的协方差矩阵,包括:
固定所述总功耗模型中的所述模拟波束赋形器,得到第一中间问题模型;
通过半正定松弛方法对所述第一中间问题模型进行等价变换,得到第二中间问题模型;
通过连续凸近似方法对所述第二中间问题模型进行近似变换,得到第三中间问题模型;
通过凸优化工具对所述第三中间问题模型进行求解,得到优化后的所述数字波束赋形器和所述感知信号的协方差矩阵。
9.根据权利要求2所述的用于基站系统的功耗优化方法,其特征在于,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵,包括:
对所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵进行初始优化,得到初始优化结果;
根据所述初始优化结果确定各个所述发射天线的波束赋形权重,以最小化所述基站系统的总功耗为关闭目标,基于各个所述发射天线的波束赋形权重升序迭代关闭所述发射天线,并得到迭代优化结果;
以保证所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵的优化可行性为前提,通过二分搜索确定最小射频链路数;
根据所述迭代优化结果确定各个所述移相器的波束赋形权重,以最小化所述基站系统的总功耗为关闭目标,基于各个所述发射天线的波束赋形权重升序迭代关闭所述发射天线,并得到最终优化结果。
10.一种用于基站系统的功耗优化装置,其特征在于,所述基站系统为权利要求1所述的通信感知传能一体化基站系统,所述功耗优化装置包括:
模型构建模块,用于建立所述基站系统的关于所述数字波束赋形器、所述模拟波束赋形器和用于生成所述感知信号的协方差矩阵的总功耗模型和系统约束,所述总功耗模型包括所述发射天线的总功耗、所述射频链路的总功耗和所述移相器的总功耗;
赋形优化模块,用于根据所述总功耗模型和所述系统约束,以最小化所述基站系统的总功耗为优化目标,优化所述数字波束赋形器、所述模拟波束赋形器和所述感知信号的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044939.1A CN117835464A (zh) | 2024-01-10 | 2024-01-10 | 基站系统、用于基站系统的功耗优化方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044939.1A CN117835464A (zh) | 2024-01-10 | 2024-01-10 | 基站系统、用于基站系统的功耗优化方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117835464A true CN117835464A (zh) | 2024-04-05 |
Family
ID=90511499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410044939.1A Pending CN117835464A (zh) | 2024-01-10 | 2024-01-10 | 基站系统、用于基站系统的功耗优化方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117835464A (zh) |
-
2024
- 2024-01-10 CN CN202410044939.1A patent/CN117835464A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taha et al. | Enabling large intelligent surfaces with compressive sensing and deep learning | |
CN101808341B (zh) | 无线网络中用于波束精化的布置 | |
Chen et al. | Joint radar-communication transmission: A generalized pareto optimization framework | |
Liu et al. | Joint beamforming and reflection design for RIS-assisted ISAC systems | |
CN113411110B (zh) | 一种基于深度强化学习的毫米波通信波束训练方法 | |
Love et al. | Grassmannian beamforming on correlated MIMO channels | |
US20150365142A1 (en) | Efficient large-scale multiple input multiple output communications | |
CN107171708B (zh) | 一种大规模mimo系统的信道跟踪与混合预编码方法 | |
KR20160009027A (ko) | 하이브리드 빔포밍을 이용하는 밀리미터파 통신 시스템에서의 선형 rf 빔 탐색을 위한 방법 | |
US20100234053A1 (en) | Systems and method for coordinated multipoint downlink transmissions | |
CN107566305A (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN114268350A (zh) | 智能反射面辅助通信中非理想信道下的鲁棒波束赋形设计方法 | |
CN114172547A (zh) | 基于智能反射面的无线携能通信混合预编码设计方法 | |
CN114844545A (zh) | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 | |
Ma et al. | User scheduling for federated learning through over-the-air computation | |
CN115085774A (zh) | 一种基于克拉美罗界的通感融合混合波束赋形方法 | |
Li et al. | Selective uplink training for massive MIMO systems | |
Chen et al. | Deep reinforcement learning for resource allocation in massive MIMO | |
Kao et al. | AI-aided 3-D beamforming for millimeter wave communications | |
CN117835464A (zh) | 基站系统、用于基站系统的功耗优化方法、装置和设备 | |
Hou et al. | Particle swarm optimization inspired low-complexity beamforming for MmWave massive MIMO systems | |
Liao et al. | Low-complexity transmit beamforming design for massive MIMO-ISAC systems | |
Zhang et al. | Deep Learning-Based Cramér-Rao Bound Optimization for Integrated Sensing and Communication in Vehicular Networks | |
Saxena et al. | A learning approach for optimal codebook selection in spatial modulation systems | |
Liu et al. | Variational mode decomposition based channel prediction in massive MIMO systems |
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 |