面向SWIPT辅助去蜂窝大规模MIMO网络的长期功率控制方法

面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法
技术领域
1.本发明属于无线通信技术领域，具体涉及一种面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法。


背景技术：

2.目前，去蜂窝大规模mimo(cell-free massive mimo，cf-mmimo)网络系统作为6g通信最具有潜力的实现方式之一，已成为国内外最新的研究热点之一。而无线携能技术(simultaneous wireless information and power transfer,swipt)也因其即可延长接入物联网设备的使用寿命，又可以提高系统的能量效率的特点，一直受到通信领域的关注。然而，虽然两者都具有6g通信所要求的特质，如cf-mmimo所带来的接入量提升，swipt所提供的绿色通信的手段，但却都有所局限性。就目前而言，制约cf-mmimo发展的主要是接入量提升后所导致的导频污染等，swipt技术的主要瓶颈在于传播距离的限制。虽然有以上所说的制约两种技术发展的原因，但是swipt技术和cf-mmimo系统却是互相契合的。最主要的契合点体现在cf-mmimo系统能够使得设备与接入点(ap，access point)之间的距离足够近，为swipt的能量传播提供了可能。尽管如此，两者的结合还是存在许多待解决的问题，如，实际中物联网设备如何从cpu处得到swipt相关的分割信息，cpu又如何得知物联网设备的相关信息以做出合适的资源分配策略等。
3.目前cf-mmimo网络架构下的功率控制方案最终通常需要由构造和求解优化问题得到，如果一个标准形式下的优化问题的目标函数和不等式约束函数是凸函数，并且等式约束是仿射函数，则该优化问题就是凸优化问题。凸优化方法是用于求解凸优化问题的常用方法，因此，在已有的基于st-wpsns的时间分配方案的求解中，原始优化问题首先被改造成凸优化问题，之后采用凸优化方法进行求解得到最优的时间分配结果。常用的凸优化方法由内点法等。内点法通过构造障碍函数来代替原始目标函数，将原始有约束优化问题转化为无约束优化问题并迭代进行求解。此外，对于长期优化问题，一般采取李雅普诺夫优化理论来进行辅助。李雅普诺夫优化理论是通过引入李雅普诺夫漂移函数，构造出李雅普诺夫惩罚函数来代替原长期优化目标的一套优化方法，对于长期优化问题有着显著的解决效果。
4.虽然swipt技术和cf-mmimo网络架构是十分契合的，但是目前的研究仍存在很多问题。绝大部分的研究都仅考虑理想情况，没有考虑一个实际的问题，即swipt的关键信息如何从cpu处传递到最终的接入物联网设备中，以及，cpu如何将接入物联网设备的相关状态及时同步更新以完成长期优化的目标。进一步展开，目前在swipt辅助cf-mmimo网络下的研究较为稀少，基本没有考虑实际的通信场景中用户多数是以主动发起的形式接入网络，目前的研究均为假设物联网设备是可以被动的听从cpu处的调度信息，这在真实的场景下是不现实的。此外，目前的研究也很少考虑到物联网设备的电池约束问题。
5.进一步地，在现有的功率控制方案中，大部分方案只考虑瞬时优化，而没有考虑更实际的长期优化问题，这是因为长期优化需要考虑的约束条件的更多，如电池约束，系统模
型以及最终问题的复杂程度更加大所导致的。此外，目前考虑了长期优化的方案中，对于用户如何接入网络仍然采用的是较为理想的被动接入，并且没有考虑相关信息是如何传递的，这也使得其方法进一步缺失了实际可行性。最后，目前的功率控制方案在性能表现上，在满足实际约束的前提下，仍然有提升的空间。


技术实现要素：

6.本发明针对上述问题，提供了一种面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法，在swipt辅助的cf-mmimo网络下，首先在通过完善系统模型来保证提出方案的实际可行性的前提下，通过功率控制来解决在系统接入的物联网设备的电池约束下的系统速率最大化问题。
7.本发明的技术方案如下：
8.一种面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法，包括以下步骤:
9.构建swipt辅助cf-mmimo网络系统模型，包括均配备了n个天线的m个接入点，k个单天线物联网用户，在每个时隙中检测出用户导频信号中的活跃用户，同时，根据用户的历史电量记录以及所累计的上行数据记录，为下行数据传输，下行能量传输，以及上行信息传输过程进行功率分配，并在接下来的下行传输阶段的数据传输状态中，将功率分配的最优调度策略集传输给各个活跃用户；
10.根据构建的swipt辅助cf-mmimo网络系统模型，以长期时段t内到所有用户可达的下行速率和所有用户达到的上行速率之和最大化为优化目标，以用户活跃状态约束、用户的控制因子约束、用户最终可获取的总能量约束、用户每次上行数据传输所消耗的能量约束、用户设备电量更新约束、用户电量队列的长期稳定性约束以及用户设备在t时刻所积累的待传输上行数据队列的长期稳定性约束为限制条件得到长期功率控制优化问题p1；
11.根据李雅普诺夫理论，将长期功率控制优化问题p1转化为以李雅普诺夫漂移惩罚函数为目标函数的优化问题p2，将优化问题p2中各约束带入目标函数后得到优化问题p3，将优化问题p3解耦成上行优化子问题p
3,ul
'和下行优化子问题p
3,dl
'，利用凸优化解法中的内点法分别求解上行优化子问题p
3,ul
'和下行优化子问题p
3,dl
'即可得到最优调度策略集。进一步地，所述构建swipt辅助cf-mmimo网络系统模型过程中，将整个时隙间隔分为信道估计阶段、下行传输阶段和上行传输阶段，其中信道估计阶段，通过利用不同用户发射给接入点的导频序列矩阵得到ap对用户的信道估计；下行传输阶段分为下行能量传输阶段和数据传输阶段，其中下行能量传输阶段通过ap对用户的信道估计和下行能量传输控制因子得到用户最终可获取的总共能量约束，数据传输阶段通过用户所接受到的信息和swipt时间分割因子得到可达的下行速率；上行传输阶段通过用户的能量控制因子得到每次上行数据传输所消耗的能量以及用户设备电量更新。
12.进一步地，所述长期功率控制优化问题p1具体表达式为：
[0013][0014][0015]
[0016][0017][0018][0019][0020][0021][0022][0023]
其中
η(t)
表示接入点到用户的下行能量传输控制因子，
ξ(t)
表示用户的上行能量控制因子，表示t时刻可达用户的下行速率，表示t时刻用户达到的上行速率，表示第k个用户的活跃状态，κ表示用户集，表示第m个接入点到第k个用户的下行能量传输控制因子，表示信道估计的平方值，表示第k个用户的能量控制因子，表示第k个用户最终可获取的总能量，α
(t)
表示swipt分割因子，tc表示时隙间隔，参数ζ∈(0,1)，表示第k个用户所接收到的信号，τd表示导频序列最大长度，表示用户每次上行数据传输所消耗的能量，tu表示上行传输时间，ρu表示每个用户的最大传输能量，表示第k个用户在时隙开始前的的电池余量，b
max
表示用户的最大电量，yk(t)表示第k个用户在t时刻所累积的待传输上行数据队列，xk(t)表示第k个用户在t时刻的电池电量队列。
[0024]
进一步地，，所述将长期功率控制优化问题p1转化为以李雅普诺夫漂移惩罚函数为目标函数的优化问题p2，具体表达式为：
[0025][0026]
s.t.c2-c7 in p1
[0027]
其中调节参数w表示长期调度策略中充电和通信两种权衡的权重。
[0028]
进一步地，所述将优化问题p2中各约束带入目标函数后得到优化问题p3，具体表达式为：
[0029][0030][0031][0032][0033][0034]
表示第k个用户在t时刻的下行功率控制因子，表示第j个用户在t时刻的下行功率控制因子；表示t时刻下的活跃用户总数；p3中的控制因子是p1中的控制因子的简化，n表示的是每个ap配备的天线数量；表示的平方值；td表示下行传输时间，ρd表示接入点传输的功率，tu表示上行传输时间，β
m,k
表示第m个接入点与第k个用户之间的大尺度衰落因子，ψj表示第j个用户发射的导频序列矩阵，e
p
＝τρ
p
/σ2，
[0035][0036][0036]
为计算辅助矩阵，ρ
p
是最大导频功率，σ2是噪声功率，τ表示导频序列的长度。
[0037]
进一步地，所述将优化问题p3解耦成上行优化子问题p
3,ul
'和下行优化子问题p
3,dl
'，具体表达式为：
[0038]
[0039][0040][0041][0042][0043][0044][0045][0046]vk,ul
、v
k,dl
均为辅助变量。
[0047]
进一步地，利用凸优化解法中的内点法分别求解上行优化子问题p
3,ul
'和下行优化子问题p
3,dl
'即可得到最优调度策略集，具体步骤为：
[0048]
步骤1、输入大尺度衰落因子
[0049]
步骤2、设置虚拟队列xk(0)＝yk(0)＝0，k∈κ以及最大时隙索引t
max
；
[0050]
步骤3、在每个时隙开始时，先获取虚拟队列xk(t)和yk(t)的值；
[0051]
步骤4、引入辅助变量v
k,ul
，利用凸优化理论对问题p
′
3,ul
进行交替优化求解，得到上行最优策略解变量第k个用户的能量控制因子
[0052]
步骤5、引入辅助变量v
k,dl
，利用凸优化理论对问题p
′
3,dl
进行交替优化求解，得到下行最优策略解变量第k个用户的下行能量传输控制因子和第k个用户吸收能量效率
[0053]
步骤6、根据最优调度策略集以及更新虚拟队列xk(t+1),yk(t+1)，k∈κ；
[0054]
步骤7、输入所有时刻下的最优调度策略集。
[0055]
本发明提供的一种面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法，在swipt辅助的cf-mmimo网络中，考虑到实际场景下对于长期视角下的优化方案的需求，以及目前大部分研究并未保证其方案的实际可实现性，方法面向swipt辅助的cf-mmimo网络
下的功率控制，在满足接入网络的物联网用户电池电量充足，并且关键的控制信息可达的前提下，最大化长期系统速率，通过李雅普诺夫优化理论将长期优化问题拆分成两个子优化问题，结合内点法和凸优化理论，提出了联合优化上下行功率控制因子和时隙能量控制因子的功率控制方法。本发明所提出的长期功率控制方法能够实现系统更好的和速率性能以及能效性能，另一方面，在不同的调节参数下，能根据情况的不同调节速率-能效权衡的侧重点，适合用于实际的swipt辅助的cf-mmimo网络。
附图说明
[0056]
图1是本发明实施例中swipt辅助cf-mmimo网络系统结构示意图；
[0057]
图2是本发明实施例中完整时隙阶段安排示意图；
[0058]
图3是本发明实施例中不同方案随着时隙t的长期速率变化曲线对比图；
[0059]
图4是本发明实施例中不同方案随着时隙t的平均电量变化曲线对比图；
[0060]
图5是本发明实施例中功率控制方法对于用户长期平均速率和用户平均能效之间的权衡包络图。
具体实施方式
[0061]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅出示了与本发明相关的部分而非全部结构。
[0062]
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0063]
实施例中一种面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法包括以下步骤:
[0064]
构建swipt辅助cf-mmimo网络系统模型，包括均配备了n个天线的m个接入点，k个单天线物联网用户，在每个时隙中检测出用户导频信号中的活跃用户，同时，根据用户的历史电量记录以及所累计的上行数据记录，为下行数据传输，下行能量传输，以及上行信息传输过程进行功率分配，并在接下来的下行传输阶段的数据传输状态中，将功率分配的最优调度策略集传输给各个活跃用户；
[0065]
根据构建的swipt辅助cf-mmimo网络系统模型，以长期时段t内到所有用户可达的下行速率和所有用户达到的上行速率之和最大化为优化目标，以用户活跃状态约束、用户的控制因子约束、用户最终可获取的总能量约束、用户每次上行数据传输所消耗的能量约束、用户设备电量更新约束、用户电量队列的长期稳定性约束以及用户设备在t时刻所积累的待传输上行数据队列的长期稳定性约束为限制条件得到长期功率控制优化问题p1；
[0066]
根据李雅普诺夫理论，将长期功率控制优化问题p1转化为以李雅普诺夫漂移惩罚函数为目标函数的优化问题p2，将优化问题p2中各约束带入目标函数后得到优化问题p3，将优化问题p3解耦成上行优化子问题p
3,ul
'和下行优化子问题p
3,dl
'，利用凸优化解法中的
内点法分别求解上行优化子问题p
3,ul
'和下行优化子问题p
3,dl
'即可得到最优调度策略集。
[0067]
具体实施过程如下：
[0068]
(1)swipt辅助的cf-mmimo网络系统模型
[0069]
本实施例的长期功率控制方法应用于swipt辅助的cf-mmimo网络系统，系统结构如图1所示，包括m个aps以及k个随机分布带有单天线的物联网用户设备，每个ap配备有n个天线，所有的m个aps都通过假设的无损失的前向链路与cpu链接。在每个时隙内，仅有ka个用户设备在活跃状态，且满足ka＜＜k。每个时期包括τ个字符长度，用于信道估计阶段，剩下的字符由用户设备的通信模式决定是通信或者传输能量。
[0070]
参见图2，将整个时隙tc分为信道估计阶段t
p
、下行传输阶段td和上行传输阶段tu，其中信道估计阶段，通过利用不同用户发射给接入点的导频序列矩阵得到ap对用户的信道估计；下行传输阶段分为下行能量传输阶段和数据传输阶段，其中下行能量传输阶段通过ap对用户的信道估计和下行能量传输控制因子得到用户最终可获取的总共能量约束，数据传输阶段通过用户所接受到的信息和swipt时间分割因子得到可达的下行速率；上行传输阶段通过用户的能量控制因子得到每次上行数据传输所消耗的能量以及用户设备电量更新。
[0071]
在每个时隙中，当cpu接收到了来自用户的导频信号时，cpu利用aud技术，检测出其中的活跃用户，于此同时，cpu将根据用户的历史电量记录以及所累计的上行数据记录，来为接下来的下行数据传输，下行能量传输，以及上行信息传输过程，进行功率分配，并在接下来的下行传输阶段的数据传输状态中，将分配功率的计算结果策略，传输给各个活跃用户。最后，在接下来的过程中，各个活跃用户就可以根据刚才cpu分配的结果策略，来进行上下行通信过程，以达到方案关键信息的传递和实施。
[0072]
在每个时隙中，使用了如下的一组向量α
(t)
，来为每一个用户独一无二地进行swipt切割，来确保系统整体的能效能够达到最大化：
[0073][0074]
表示的是第k个用户所得到的swipt切割因子，是重要的优化变量，范围是[0,1]，并且每个用户都是独立的，由于用户接入网络的原因只有充电需求和通信需求，假设通信需求在用户之间的累计总是随机的，所以进一步来说，系统存在一个恒定的活跃用户比例∈＜＜1，用一组元素为二元变量，长度为k的列向量来表征每个时隙整个系统的活跃状态，具体如下：
[0075][0076][0077]
其中表示第k个用户的活跃状态，κ表示用户集，ka表示活跃用户总数。
[0078]
在实施例中，主要考虑接入点ap与用户设备之间的信道增益，具体如下：首先，用来表示任意时隙t内在第k个设备与第m个ap的第n个天线之间的信道增益。具体表达式为：
[0079]
[0080]
式中，下标mnk分别表示第m个ap的第n个天线以及第k个设备。β
m,k
是大尺度衰落因子，在ap处设定为已知。为小尺度衰落因子，在每个时隙内保持恒定，但是在时隙与时隙之间是独立的。而在第k个设备与第m个ap的第任意个天线之间的信道增益矩阵，以及在第m个ap的第n个天线与任意设备之间的信道增益矩阵则可以表示为：
[0081][0082][0083]
(2)信道估计阶段
[0084]
在信道估计阶段，每个时隙下，所有的活跃用户设备将同时向ap传输非正交导频序列，以方便ap得到不同用户与其之间的信道增益估计矩阵。不同用户设备发射的导频序列矩阵表示为：
[0085][0086]
其中，每个列向量ψk表示第k个设备发送的长度为τ的独特的非正交导频序列，满足如下约束：
[0087][0088]
其中，τ是导频序列的长度，而i则是单位矩阵。在任意时隙下，第m个ap的第n个天线所接收到的导频序列可由如下表示：
[0089][0090]
其中为ap处的加性噪声，ρk为第k个用户设备所发送的导频所包含的能量，θ则是以用户设备活跃状态为元素的对角阵diag(θ1…
θk)。记d
ρ
＝diag(τρk),da＝θ以及s＝ψ，则上述式子可以简化为：
[0091][0092]
利用接收到的导频序列矩阵，ap处可以得到的lmmse估计为：
[0093][0094]
其中，的具体表达式为：
[0095][0096]
其中，e
p
＝τρ
p
/σ2，并且令矩阵的第k个列向量为的第k个列向量为为计算辅助矩阵，ρ
p
是最大导频功率，σ2是噪声功率。
[0097]
最后，为了得到一个关于信道估计的均方期望，需要定义一个中间变量，令：
[0098]
[0099]
则最后所得的信道估计的均方值为：
[0100][0101]
至此，得到了每个ap对每个设备的信道估计。
[0102]
(3)下行传输阶段
[0103]
在实施例中，采用swipt技术来对系统中的不同用户设备进行充电/通信管理，从而解决设备的电量/通信频率不匹配问题。如前所述，每个时隙的前τ个字符用于信道估计，后t
c-τ个字符上行通信过程与下行通信过程各分一半，根据不同的需要，下行通信过程被时间分割因子alpha分为两种阶段：1)能量传输阶段；2)数据传输阶段。具体如下：
[0104]
1)下行能量传输阶段
[0105]
在此模式下，各个ap将会基于信道估计的结果，联合地进行能量波束赋形传输能量给需要的活跃用户设备。从第m个ap传输的第个ofdm字符可以写为：
[0106][0107]
其中，ρd表示接入点传输的功率，即下行传输功率，由ap传输给用户，是对第j个设备的第个字符。表示第m个接入点到第j个用户设备的下行能量传输控制因子，受下式约束：
[0108][0109]
对于每个ap，其传输的能量受下式约束：
[0110][0111]
其中，nρd是每个ap所能传输的最大功率限制。现在，将式子(14)，(15)带入(17)即可得到关于控制因子的约束：
[0112][0113]
其中，表示信道估计的平方值，而对于第k个设备所接收到的信号可以写为：
[0114][0115]
其中表示传输噪声。在每个时隙下，第k个设备最终总共可以获取的能量可以表示为：
[0116][0117]
其中，α＝τ/tc以及ζ∈(0,1)可以表示吸收能量的效率，τd表示导频序列的最大长度。
[0118]
2)数据传输模式
[0119]
在能量传输阶段结束后，剩余的下行字符将会被用于cpu与用户之间的信息传输，在此阶段，第k个用户所接受到的信息可以表示为：
[0120][0121]
在上式中，s1代表所希望接收到真实信号，s2+s3+s4则代表噪声及干扰项。四项之间彼此互不关联，所以，可达的下行速率可以表示为：
[0122][0123]
其中，αk代表的则是swipt时间分割因子，信干噪比则展开为：
[0124][0125]
(4)上行传输阶段
[0126]
在上行数据传输模式下，所有的活跃用户设备会同时传输数据给ap。在第m个ap处收到的第个ofdm字符的信号可以表示为：
[0127][0128]
其中表示第j个设备所发送的第个上行字符，并且满足ρu表示每个用户设备的最大传输能量，表示加性噪声，而表示第k个设备的能量控制因子。并且满足如下约束：
[0129][0130]
对于任意一个活跃用户，每次上行数据传输所消耗的能量如下：
[0131][0132]
其中表示第k个用户设备在时隙开始前的的电池余量。在接受到各个用户设备所发送的信号之后，每个ap各自独立地进行波束赋形，并且通过假设无损的回程链路发送信号给cpu，cpu通过匹配滤波器的方法检测出各个设备所发送的原始信号的估计值具体表达式如下：
[0133][0134]
其中为所求信号，均为有效噪声。又因为四项之间均不相关，所以第k个设备的可达速率下限为：
[0135][0136]
其中，为有效信号与干扰加噪声比(sinr)，具体表达式为：
[0137][0138]
最后，由于用户设备电池的限制，仍需对设备的电池利用排队论理论来建模，令bk表示设备的电量，则电量更新的表达式为：
[0139][0140]bmax
表示用户设备的最大电量。并且，为了保证用户设备每次通信开始时有所需要的最低电量，需要设定一个最低电量阈值b0，具体为：
[0141][0142]
(5)swipt辅助的cf-mmimo网络下的功率控制方案
[0143]
1)优化问题
[0144]
在本实施例的系统模型下，为了提出长期调度策略，需要分别对用户所累积的待传输上行数据和历史电池电量建立各自的虚拟队列。具体如下：
[0145]
令yk(t)来表示系统中第k个用户在t时刻所累积的待传输上行数据队列，其动态
更新的数学公式如下：
[0146][0147]
其中，dk(t)表示用户所累积的新数据，表示用户这一时刻达到的上行速率。在这个基础上，根据排队论，数据队列的长期稳定性条件可以表示为：
[0148][0149]
类似于数据传输队列，令xk(t)表示系统中第第k个用户在t时刻的电池电量队列，其动态更新数学公式为：
[0150][0151]
电量队列的长期稳定性条件为：
[0152][0153]
在引入了数据队列和队列电量这两个关键概念后，可以将swipt enabled cf-mmiimo系统下的长期调度优化问题表示为：
[0154][0155]
其中，t是长期时隙的总时长，c1限定第k个用户的活跃状态需满足活跃度集合；c2限定第m个接入点到第k个用户设备的下行能量传输控制因子不小于零；c3限定所有用户的控制因子之和不大于1；c4限定第k个用户设备的能量控制因子需满足区间[0，1]；c5限定第k个用户设备最终可以获取的总共能量表达式；c6限定第k个用户设备每次上行数据传输所消耗的能量不大于第k个用户设备在时隙开始前的电池余量；c7限定用户设备电量更新满足的条件；c8限定用户设备电量队列的长期稳定性条件；c9限定第k个用户设备在t时刻所积累的待传输上行数据队列的长期稳定性条件；其中
η(t)
表示接入点到用户的下行能量传
输控制因子，
ξ(t)
表示用户的上行能量控制因子，表示t时刻可达用户的下行速率，表示t时刻用户达到的上行速率，表示第k个用户的活跃状态，κ表示用户集，表示第m个接入点到第k个用户的下行能量传输控制因子，表示信道估计的平方值，表示第k个用户的能量控制因子，表示第k个用户最终可获取的总能量，α
(t)
表示swipt分割因子，tc表示时隙间隔，参数ζ∈(0,1)，表示第k个用户所接收到的信号，
τd
表示导频序列最大长度，表示用户每次上行数据传输所消耗的能量，tu表示上行传输时间，ρu表示每个用户的最大传输能量，表示第k个用户在时隙开始前的的电池余量，b
max
表示用户的最大电量，yk(t)表示第k个用户在t时刻所累积的待传输上行数据队列，xk(t)表示第k个用户在t时刻的电池电量队列。
[0156]
2)问题转化
[0157]
为了解决长期优化问题，本发明引入李雅普诺夫优化理论，将长期优化问题转化为一系列的非长期优化问题。首先，定义出p1的李雅普诺夫函数：
[0158][0159]
漂移函数的定义如下：
[0160]
d(t)＝l(t+1)-l(t) (38)
[0161]
根据李雅普诺夫理论，在两个长期约束下优化原始问题等价于优化如下的李雅普诺夫漂移惩罚函数：
[0162][0163]
具体展开为：
[0164][0165]
从式(40)中可以看出在原始问题中的约束作用下，虚拟队列xk(t)会越来越大，当xk(t)达到一定程度时，最大化实质上相当于最大化bk(t+1)，这又会引起xk(t)的减小，实际上控制了系统整体xk(t)的水平。同样的虚拟队列yk(t)也存在这个现象。这种机制保证了系统整体的稳定性，使得分配策略不会完全偏向充电或者是通信需求。此外，调节参数w用于调节长期调度策略中充电和通信两种权衡的权重。
[0166]
注意到p2的目标函数中包括三个部分，第一项与电池电量约束相关，而后两项与上下行速率约束有关。因此，将各个部分的约束带入后可得:
[0167][0168][0169][0170][0171][0172]
表示第k个用户在t时刻的下行功率控制因子，表示第j个用户在t时刻的下行功率控制因子；表示t时刻下的活跃用户总数；需要注意的是，p1中的控制因子与p3中的控制因子是相同的，只是因为在求解的过程中采用了集中式的cf-mmimo，因此不会因为m的变化而变化，因此简化成了n表示的是每个ap配备的天线数量；表示的平方值，省略了时隙符号t；
[0173]
其中与信噪比相关的系数表达式如下：
[0174][0175][0176][0177]
其中，e
p
＝τρ
p
/σ2，为计算辅助矩阵，ρ
p
是最大导频功率，σ2是噪声功率。
[0178]
式(41)的目标函数中包含两个独立不相关的部分，分别代表系统中的上行和下行过程。因此，将p3解耦成上下行的两个子问题p
3,ul
和p
3,dl
，具体如下：
[0179][0180][0181][0182]
上述p
3,ul
可以被看作是一个标准的fp问题的形式，再引入辅助变量v
k,ul
后，p
3,ul
就等价为:
[0183][0184]
通过对解变量和v
k,ul
进行交替优化，在每一步的交替过程中，问题将转变为一个标准的sum-of-ratio凸问题，利用标准的凸优化解法中的内点法即可将问题解决。
[0185]
同理，类似于p
3,ul
，p
3,dl
也可利用fp方法进行求解，得到最优的解变量αk和ηk：
[0186][0187][0188][0189]
[0190][0191]
至此，通过解耦p3，已经可以在任意时刻t下得到最优调度策略集以及在每个时刻结束后，根据求得的解变量也就是调度策略集，相应地更新虚拟队列xk(t)和yk(t)。完整的基于李雅普诺夫优化理论求解最大化系统速率的长期调度策略如下面的算法总结所示：
[0192]
[0193][0194]
为了更好地体现本发明的效果，实施例通过仿真分析了本发明提出的面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法的性能，假设一个500
×
500m2的方形空间，其中包含有m＝100个ap均匀分布在高为h
ap
＝2m的天花板上，k＝20个随机分布在高度为hs＝1.65m生活平面内。设定空间中的大尺度衰落系数为其中10([σ
shzm,k
]/10)代表σ
sh
＝8db且的阴影衰落。而路径衰落则为其中并且载波频率为f＝2000mhz。注意，大尺度衰落β
m.k
一旦确立下来，则在接下来的每个时隙均不会变动，只有小尺度衰落在时隙之间会随即变动。其他更加详细的参数总结如下表1：
[0195]
表1仿真参数表
[0196][0197]
如图3和图4所示，分别从长期系统速率和用户平均电量两方面展示了本发明提出的长期功率控制方法的性能。发明人考虑了两种对比算法，长期贪婪功率控制方案和目前的wpt功率控制方案。其中长期贪婪的方案将上行功率控制因子简化为通过对电池电量与预设阈值的对比得出，即当用户接入网络时，如果其电量大于阈值，则将上行功率控制因子设置为1，反之则为0，除此之外，其他优化过程，与本发明方法一致。wpt功率控制方案则是假设所有用户统一进行充电或通信两种模式并进行优化，得出的优化结果再带回原始的目标函数，如果在本时隙下的所有活跃用户都进行充电所得出的目标函数值大于进行通信的
目标函数值，则采用充电模式，反之则进行通信模式。通过仿真可以发现，随着时隙t的变化，本发明提出的方法同时在长期速率和平均电量两方面的表现都要优于两种对比算法，这说明了本发明方法的优化步骤相比于对比方案来说是要更加合理且性能更好的。
[0198]
如图5所示，展示了所提出的功率控制方案在不同的惩罚因子w下的长期速率和能量效率的变化图。在不同的用户上行信息累计速率下，随着惩罚因子w的不断提高，曲线逐渐往用户长期速率的一侧靠近，用户平均的长期速率逐渐提高，方案分配了更多的功率资源给通信需求。同时在w的不断提高下，用户平均的能量效率在不断的下降，也表明系统将更多的功率资源从充电能效需求中分走，这表明通过增大w，方案可以在优化过程中不断地偏向系统速率一侧，反之，如果减小w，则会使方案在优化过程中更加偏向能效一侧。这说明了本发明方法的灵活性，可以通过调节w来使方案适应不同的实际场景。
[0199]
通过实施例可以看出，本发明提供的一种面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法，在swipt辅助的cf-mmimo网络中，考虑到实际场景下对于长期视角下的优化方案的需求，以及目前大部分研究并未保证其方案的实际可实现性，方法面向swipt辅助的cf-mmimo网络下的功率控制，在满足接入网络的物联网用户电池电量充足，并且关键的控制信息可达的前提下，最大化长期系统速率，通过李雅普诺夫优化理论将长期优化问题拆分成两个子优化问题，结合内点法和凸优化理论，提出了联合优化上下行功率控制因子和时隙能量控制因子的功率控制方法。本发明所提出的长期功率控制方法能够实现系统更好的和速率性能以及能效性能，另一方面，在不同的调节参数下，能根据情况的不同调节速率-能效权衡的侧重点，适合用于实际的swipt辅助的cf-mmimo网络。
[0200]
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的步骤、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种步骤、方法所固有的要素。
[0201]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。