一种基于能量收集的超密无线网络中的自主能量管理方法与流程

本发明属于无线通信技术领域，尤其涉及一种基于能量收集的超密无线网络中的自主能量管理方法。

背景技术：

目前，业内常用的现有技术是这样的：在5g网络中，随着移动设备数量的不断攀升和数据驱动为主的新兴业务大量兴起，导致了移动数据爆炸式的增长。因此，提供更高的网络容量和更广泛的网络覆盖，从而保证用户的业务质量需求(qos，qualityofservice)，是未来5g无线网络面对的重大挑战。超密无线网络(smallcellnetwork，scn)是一种新兴的网络技术，可以作为宏基站的有效补充，实现网络容量和覆盖的有效提升。随着无线网络的密集部署，由于网络流量和业务负载的时空动态特性，导致运维管理更加复杂，开销成本高，网络负载不均衡等问题。随着电网中的电力价格的不断增加，能量消耗也成为了在5g网络管理运维中的关键因素。因此，为了有效提升网络能效，设计有效的网络能量管理机制，减少网络能量消耗，是5g网络管理中的关键挑战。关于如何提升无线网络中的能效问题已经引起了广泛的研究，主要包括基站的动态部署策略机制、功率控制、基站的睡眠机制等研究。此外，能量收集技术，可以从周围的无线环境中收集能量，为scn网络提供能量，作为scn网络的能量补给，例如利用太阳能、风能以及射频能量收集技术为scn网络进行能量收集。为节省网络能量，传统的节能研究基于网络中的基站的动态睡眠机制。现有基于能量收集技术的能效管理研究中，都是基于收集的能量和网络全局信息都已知的前提下的集中式管理，为获取全局网络信息，需要大量的信令开销。从而增加网络运维成本和网络管理复杂度，然而由于基站周围的无线环境的不确定性和能量收集的随机到达特性，很难预知收集的能量大小，并且集中式的能效管理，尤其是针对超密集的无线网络，将使得网络管理更加复杂和开销更加巨大，从而需要复杂度更高的能量管理算法。

综上所述，现有技术存在的问题是：现有基于能量收集技术的能效管理存在基于收集的能量和网络全局信息都已知的前提下的集中式管理，需要大量的信令开销；由于基站周围的无线环境的不确定性和能量收集的随机到达特性，很难预知收集的能量大小，并且集中式的能效管理，使得网络管理更加复杂和开销更加巨大。

解决上述技术问题的难度和意义：

随着用户的不断增加和业务的不断增长，无线环境具有高动态的特性，使得算法的复杂度高，需要更加动态的能量策略。此外，由于能量收集具有随机到达特性，需要设计有效的能量动态模型。因此，通过设计基于能量收集的超密无线网络中的自主能量管理方法，可以有效减少网络信令开销和网络管理复杂度，降低网络运维成本，提升网络的智能运维能力和高效的网络能效管理。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于能量收集的超密无线网络中的自主能量管理方法。

本发明是这样实现的，一种基于能量收集的超密无线网络中的自主能量管理方法，所述基于能量收集的超密无线网络中的自主能量管理方法包括：

步骤一，设定超密无线网络中包含一个宏基站mbs和多个小基站sbs；构建超密无线网络中的基站管理模型、超密无线网络的小基站sbs能量消耗模型、超密无线网络的宏基站mbs能量消耗模型、超密无线网络能量收集模型；

步骤二，建立基于qos的效用函数机制，设定son作为超密无线网络中的智能体，实现无线网络中的自主管理；设定小基站sbs作为模型中的赌博臂，构建多臂赌博机模型；

步骤三，设定多臂赌博机模型的优化目标函数；引入开销因子c，在多臂赌博机模型的优化学习过程中，son玩家之间不断地进行交互，最大化整体网络效用值；采用汤姆森采样算法ts，获得此ts策略后悔值的上限；根据所选择的最优臂，确定最优的小基站的睡眠机制策略。

进一步，所述步骤一的超密无线网络中的基站管理模型：整个超密无线网络中有m个小基站sbs，表示为s＝{s1,s2,…sm}，则小基站的运维管理模型为：

其中如果sm＝1，则表示小基站处于激活状态，如果sm＝0，则表示小基站处于休眠状态；在休眠状态下，小基站收集到所需的能量然后存储到小基站的电池中，等到激活状态下，把收集存储的能量用于服务用户。

进一步，所述步骤一的超密无线网络的小基站sbs能量消耗模型：在时间t时刻，小基站的能量消耗模型为：

其中，表示小基站的总的能量开销，表示小基站的固定能量消耗，ζsbs为功率放大器效率因子的倒数，表示小基站射频传输功率。

进一步，所述步骤一的超密无线网络的宏基站mbs能量消耗模型：

其中，表示宏基站mbs的总的能量消耗，表示宏基站mbs的固定能量消耗，表示宏基站的射频传输功率。

进一步，所述步骤一的超密无线网络能量收集模型：在第j次传输的轮次中，表示为由于能量收集的随机特性，是未知的，为独立同分布的随机变量。

进一步，所述步骤二的选择小基站m的效用函数为：

其中，表示小基站m在时间t时刻可以服务的最大用户数，ξm表示每个能量单元的开销；表示小基站m的初始化所需要的能量开销；整个超密无线网络中的整体效用函数为：

进一步，所述步骤三的多臂赌博机模型的优化目标函数为：

其中，qπ(t)表示基于小基站能量管理策略π下的后悔值，即玩家son当前选择的臂的收益与当前最优臂收益的差值。

进一步，所述步骤三的采用汤姆森采样算法ts，获得此ts策略后悔值的上限为：

ts算法包含探索阶段和利用阶段：在探索阶段，采用轮询算法进行尝试不同的臂获取不同的历史知识；在利用阶段，son玩家选择具有最大收益值的臂，经过时间t后，ts算法收敛到最优值。

本发明的另一目的在于提供一种应用所述基于能量收集的超密无线网络中的自主能量管理方法的移动通信设备。

本发明的另一目的在于提供一种应用所述基于能量收集的超密无线网络中的自主能量管理方法的无线通信系统。

综上所述，本发明的优点及积极效果为：本发明通过超密无线网络中的小基站的动态睡眠部署策略机制；结合能量收集技术，从周围的无线环境中收集能量，为超密无线网络提供能量，作为超密无线网络的能量补给。针对超密无线网络，引入自组织网络(son)智能体进行自主分布式管理，结合能量收集技术，作为网络中基站的能量补给。采用多臂赌博机模型，解决基于在无全局信息的情境下，如何最大化网络效用，提升网络能效管理效率。本发明通过综合考虑当前网络的实际状况和用户的实际请求，可以在无能量收集的先验知识和无全局信息的条件下，提升网络效用值，提升能效，减少网络开销。通过与基于全局信息的集中式能量管理技术相比，本文可以有效降低网络管理复杂度和网络运维成本。

此外，传统的小基站的睡眠机制需求全局的状态信息，而且假设收集的能量已知；本发明通过分布式的小基站睡眠机制设计，让每个小基站自主的进行决策，不需要全局的状态信息，不需要能量收集的先验知识；通过与周围环境的交互学习；通过多臂赌博机模型，学习出最优的小基站睡眠机制，获取高能效的基站能量管理策略。本发明通过引入能量收集技术和自组织网络技术，构建以网络节能为目标的网络能量管理模型，结合多臂赌博机的学习机制，学习不同的网络能量管理策略，使得超密无线网络能够自主决策出最优的能量管理策略。

附图说明

图1是本发明实施例提供的基于能量收集的超密无线网络中的自主能量管理方法流程图。

图2是本发明实施例提供的基于能量收集的超密无线网络中的自主能量管理方法实现流程图。

图3是本发明实施例提供的网络效用值方面，本发明与贪婪资源分配策略的比较示意图。

图4是本发明实施例提供的在小基站睡眠策略上，本发明中的小基站睡眠的策略选择示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有基于能量收集技术的能效管理存在需要大量的信令开销；很难预知收集的能量大小；网络管理更加复杂和开销更加巨大的问题。本发明为了减少网络管理开销，自组织网络(self-organizingnetwork(son))作为自主网络管理的关键技术，为超密集无线网络的高效管理提供了有效的途径，如何结合自组织网络技术和能量收集技术，针对动态多变的超密集无线网络，提出一种高能效的网络能量管理机制是主要研究的科学问题；基于能量收集的超密无线网络中的自主能量管理方法，用于下一代移动通信长期演进系统，解决无线通信中的能量获取以及能量资源的面向用户实际需求的分配的问题。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于能量收集的超密无线网络中的自主能量管理方法包括以下步骤：

s101：设定超密无线网络中包含一个宏基站(mbs)；构建超密无线网络中的基站管理模型、超密无线网络的小基站sbs能量消耗模型、超密无线网络的宏基站(mbs)能量消耗模型、超密无线网络能量收集模型；

s102：建立基于qos的效用函数机制，设定son作为超密无线网络中的智能体，实现无线网络中的自主管理；构建多臂赌博机模型；

s103：设定多臂赌博机模型的优化目标函数；引入开销因子c，在多臂赌博机模型的优化学习过程中，son玩家之间不断地进行交互，最大化整体网络效用值；采用汤姆森采样算法(ts)，获得此ts策略后悔值的上限，在探索阶段，采用轮询算法进行尝试不同的臂获取不同的历史知识；在利用阶段，son玩家选择具有最大收益值的臂，经过时间t后，ts算法可以收敛到最优值。根据所选择的最优臂，确定最优的小基站的睡眠机制策略。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于能量收集的超密无线网络中的自主能量管理方法具体包括以下步骤：

步骤一，设定超密无线网络中包含一个宏基站(mbs)，保证基本的网络覆盖，m个小基站(sbs)，为提升网络覆盖和容量提供有效支撑，以及包含n个需要被服务的用户，为后续用户管理以及能量资源分配提供条件。见图3、图4。

步骤二，构建超密无线网络中的基站管理模型：设定整个超密无线网络中有m个小基站(smallcellbasestation，sbs)，表示为s＝{s1,s2,…sm}，则小基站的运维管理模型为：

其中如果sm＝1，则表示小基站处于激活状态，如果sm＝0，则表示小基站处于休眠状态。在休眠状态下，小基站可以收集到所需的能量然后存储到小基站的电池中，等到激活状态下，可以把收集存储的能量用于服务用户。

步骤三，超密无线网络的小基站sbs能量消耗模型：在超密无线网络中，小基站可以在休眠状态或者激活状态都可以周围的无线环境中收集能量。在休眠状态中，小基站中的大部分组件将被关闭从而减少能量消耗，在激活状态，小基站的组件将会被开启工作。因此在时间t时刻，小基站的能量消耗模型为：

其中，表示小基站的总的能量开销，表示小基站的固定能量消耗(包含基带处理电路和冷却单元功耗等)，ζsbs为功率放大器效率因子的倒数，表示小基站射频传输功率。

步骤四，超密无线网络的宏基站(mbs)能量消耗模型：

其中，表示宏基站mbs的总的能量消耗，表示宏基站mbs的固定能量消耗，表示宏基站的射频传输功率。

步骤五，超密无线网络能量收集模型：在超密无线网络中，本发明采用存储-使用的能量收集策略。本发明假设不同的小基站之间的能量收集过程是相互独立的，并且传输的文件经过j次传输，文件传输完成。因此，在第j次传输的轮次中，表示为由于能量收集的随机特性，是未知的，本发明假设为为独立同分布的随机变量。

步骤六，建立基于qos的效用函数机制：在超密无线网络中，由m∈m为nm∈n个用户进行服务。用户n需求个能量单元从而满足用户qos速率需求本发明定义选择小基站m的效用函数为：

其中，表示小基站m在时间t时刻可以服务的最大用户数，ξm表示每个能量单元的开销。表示小基站m的初始化所需要的能量开销。因此，整个超密无线网络中的整体效用函数为：

步骤七，设定son作为超密无线网络中的智能体，实现无线网络中的自主管理；构建多臂赌博机模型，设定小基站sbs作为多臂赌博机的臂，son智能体作为多臂赌博机模型中的玩家。在多臂赌博机模型中，主要存在两个阶段：探索阶段和利用阶段，多臂赌博机模型中的玩家通过探索新的无线环境，同时利用过去的历史经验知识最大化网络效用。

步骤八，设定多臂赌博机模型的优化目标函数为：

其中，qπ(t)表示基于小基站能量管理策略π下的后悔值(即玩家son当前选择的臂的收益与当前最优臂收益的差值)。

步骤九，由于多臂赌博机模型中的小基站(臂)只有局部的信道状态信息，不具有全局的状态信息，因此在多臂赌博机模型的优化学习过程中，需要son玩家之间不断地进行交互，从而最大化整体网络效用值，因此本发明引入开销因子c。

步骤十，为解决整体网络效用值最大化问题，本发明采用汤姆森采样算法(ts)，因此，可以获得此ts策略后悔值的上限为：

步骤十一，ts算法主要包含探索阶段和利用阶段：在探索阶段，采用轮询算法进行尝试不同的臂获取不同的历史知识；在利用阶段，son玩家选择具有最大收益值的臂，经过时间t后，ts算法可以收敛到最优值。根据所选择的最优臂，从而确定最优的小基站的睡眠机制策略。

本发明不需要能量收集的先验知识和全局的状态信息，能够根据无线环境的动态变化，设计出高能效的网络能量管理策略，减少网络管理开销。

下面结合仿真对本发明的应用效果作详细的描述。

如图3所示，本发明所提的算法相比贪婪算法而言，可以有效提高网络效用值，并且收敛更加快速。此外，本发明所提的算法仅需要很少的通信开销c的情况下的算法性能仅次于基于全局信息的算法。

如图4所示，在基于多臂赌博机模型的小基站睡眠机制设计中，基站通过与无线环境不断地进行学习交互，通过有效的探索阶段和利用阶段，最终选择出最优的臂(小基站)，从而获得最优的能量管理策略。

仿真结果表明，本发明不需要能量收集的先验知识和全局的状态信息，能够根据无线环境的动态变化，设计出高能效的网络能量管理策略，减少网络管理开销。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。