智能反射面辅助的密集无线网络碳效率优化方法

本发明涉及无线通信，特别是智能反射面辅助的密集无线网络碳效率优化方法。

背景技术：

1、移动业务的为满足用户通信质量对数据速率有了更高需求，面向5g advanced－6g无线通信系统的典型业务场景衍生出了超高数据密度类、超低功率类等业务，同时，全球各国相继提出双碳(碳达峰、碳中和)目标，对通信基础设施也提出了低碳发展要求。未来无线系统中的通信基础设施将不断异构化、密集化，扩大现有基站的信号覆盖和容量覆盖能力，网络密集部署是提升网络容量覆盖最有效的途径，它能够将网络容量提升近2700倍。同时智能反射面技术(intelligent reflecting surface，irs)是面向无线通信网络提出的一种无源地被动反射信号的新型技术，通过低耗的反射单元智能地重构无线传播环境，因其无源、低成本的重要特性，成为面向未来低能耗通信系统的必要选择。为实现“绿色通信”，减少无线通信网络碳排放，未来无线网络将向更致密化、更低能耗发展。如何通过智能反射面削减和消除网络密集导致的复杂干扰，同时高效地利用无线通信网络和电能供给网络现有的资源提升网络碳效率，成为当前密集无线网络有待解决的关键问题。

2、现有技术方案：

3、1.智能反射面辅助的密集无线网络性能优化问题，现有的研究成果中智能反射面通常用于增强不同无线通信网络的覆盖扩展能力，优化智能反射面位置部署和相位以提升网络性能(网络容量或网络能效)，但缺少针对干扰受限的密集无线网络中复杂干扰的有效管控。

4、2.当前对网络性能的优化停留于网络高能效目标或节能目标，通过优化网络资源分配策略，通过交替优化等方法最大化网络的能效，在节能减排的趋势下，缺乏能量供给侧的绿能供给及网络碳效率的考量。

5、合肥工业大学在其申请的专利文献“智能反射面的位置部署方法和系统”(申请号：cn202210379879.x，申请公布号：cn114980132a)中提出了一种智能反射面的位置部署方法、系统、存储介质和电子设备，首先获取通信网络中待部署的发射机及智能反射面的相关信息，以网络中所有用户端点接收的能量和最大化为目标，构建关于发射机位置部署、智能反射面位置部署和智能反射面相位偏移联合优化模型，并根据所述联合优化模型，依次获取发射机位置部署位置、智能反射面位置部署位置和智能反射面相位偏移，经过对智能反射面的部署位置进行优化，系统能量和有进一步的提升。但是该方法在目标上仅考虑了系统能量，未考虑网络性能，也未涉及干扰受限网络中的干扰消除，不适用于密集无线网络性能优化。

6、中国南方电网有限责任公司超高压输电公司在其申请的文献专利“基于irs辅助的miso无线携能通信系统的能效最大化方法”(申请号202210634256.2，申请公布号：cn115173901a)中公开了一种基于irs辅助的miso无线携能通信系统的能效最大化方法。该方法构建智能反射面辅助的miso无线携能通信系统，建立系统能效最大化的数学模型并设计分析联合优化发射波束赋形矢量、反射波束赋形矢量和功率分配因子的交替优化算法，完成系统能效的最大化。该文献利用功率分配策略，实现在满足各用户最低通信速率需求以及最低能量收集需求的同时最大化系统的能效，但该并未考虑实际系统中业务分布的随机性和电能供给网络，未涉及优化智能反射面部署提升网络能力，并不适用于考虑有绿能供给的密集无线网络场景。

7、在文献《stochastic geometry analysis of irs－assisted downlinkcellular networks》中随机几何工具，针对irs辅助的蜂窝网络下行链路，提供了覆盖概率、遍历容量和能量效率的近似表达式。但该文献仅针对数值结果验证了推导的非闭式表达式，仅考虑了智能反射面对覆盖增强的场景，同时缺乏对网络性能的优化，并不适用于干扰受限的密集无线网络场景，同时也仅提出了一些有用的见解，缺少网络优化的网络部署的指导。

8、因此，对于现有技术存在的不足，我们提出智能反射面辅助的密集无线网络碳效率优化方法。

技术实现思路

1、本发明的目的在于：提出智能反射面辅助的密集无线网络碳效率优化方法，以提升干扰受限下密集无线网络的碳效率，通过设计密集无线网络的智能反射面部署密度、智能反射面反射单元数和绿能供给系统的绿能供给因子，实现密集无线网络干扰的高效管控，最大化密集无线网络的网络碳效率，解决绿色能源配比、智能反射面部署密度、智能反射面反射单元配比的网络碳效率最大化问题。

2、本发明采用的技术方案如下：

3、本发明是智能反射面辅助的密集无线网络碳效率优化方法，包括以下步骤：

4、建立智能反射面辅助干扰消除的密集无线网络系统模型，系统模型包括能量消耗侧的网络模型和能量供给侧的能量供给模型；

5、能量消耗侧的网络模型包括基站、智能反射面和用户，用户接收来自基站的干扰集合和来自智能反射面辅助干扰消除的待消除干扰集合

6、对能量消耗侧的网络空间吞吐量进行计算；

7、对能量消耗侧的基站部署密度和智能反射面的反射单元配比进行优化设计；

8、能量供给侧的能量供给模型，将绿能收集转化为电能对网络模型进行能量供给，计算能量供给侧中绿能供给因子和绿能覆盖概率；

9、以最大化网络碳效率为目标，对能量供给侧绿能供给因子和能量消耗侧智能反射面与基站部署密度比进行联合优化设计。

10、进一步的，所述能量消耗侧的网络模型的基站、智能反射面和用户服从泊松点过程，分别表示为πbs＝{bsi|bsi∈r2}、πirs＝{irsj|irsj∈r2}以及πu＝{uu|uu∈r2}，其中i,j,u∈n。

11、进一步的，所述基站和用户均配备一根全向天线，基站与用户的全向天线高度差为hbs；所述智能反射面由n块反射单元组成，智能反射面的反射系数矩阵为：

12、

13、其中，β和分别表示幅值和相位反射系数，j是虚数单位，所述智能反射面部署在墙面或柱体上，智能反射面与用户的全向天线高度差为hirs。

14、进一步的，所述用户、基站、智能反射面采用最近关联原则，即用户与最近的基站关联，用户与最近的智能反射面关联，智能反射面与最近的基站关联。

15、进一步的，所述用户接收来自基站的干扰集合和来自智能反射面辅助干扰消除的待消除干扰集合具体包括以下步骤：

16、步骤11，考虑存在智能反射面辅助的下行链路，用户接收到的信号是来自基站-智能反射面和基站-智能反射面-用户两路信号的叠加，来自基站-智能反射面-用户一路的级联信道为：

17、

18、其中，表示第i个基站到第j个智能反射面的信道，表示第j个智能反射面到第u个用户的信道，hi∈c表示第i个基站到第u个用户的信道；

19、步骤12，根据步骤11的级联信道，用户的全向天线接收到的干扰为两个集合，分别为来自基站的干扰集合和来自智能反射面辅助干扰消除的待消除干扰集合具体公式为：

20、

21、

22、其中，d、t、r分别表示基站到用户的链路长度、基站到智能反射面的链路长度、智能反射面到用户的链路长度，n表示智能反射面的反射单元数，aq表示原始信号相位与反射波束信号相位反相后的智能反射面相位反射系数，表示四个瑞利随机变量的乘积，hz表示伽马随机变量，记作hz～γ(kz,θz)，其形状参数和尺度参数分别为：

23、

24、

25、上式中，α表示路径损耗。

26、进一步的，所述对能量消耗侧的网络空间吞吐量进行计算，具体包括：

27、步骤21，计算用户的信干噪比，公式为：

28、

29、其中，表示智能反射面散射干扰，在干扰受限的网络中分析时可以忽略；

30、步骤22，根据步骤21的信干噪比，得到来自干扰基站的聚合干扰和来自智能反射面辅助干扰消除的待消除干扰集合的拉普拉斯变换，分别如下：

31、

32、

33、其中，

34、步骤23，基于用户与基站采用的最近关联原则，用户覆盖概率为用户处于基站覆盖区域内且成功完成用户请求数据传输的概率，计算用户覆盖概率：

35、

36、其中，τ表示用户接收端信干噪比门限，λ和μ分别表示基站的部署密度和智能反射面的部署密度；

37、步骤24，将用户位置视作原点，且将距离用户最近的基站和智能反射面作为用户关联的基站和智能反射面，分别计算用户与关联基站和关联智能反射面之间链路距离的概率密度函数，则所述用户与关联基站和关联智能反射面之间链路距离的概率密度函数为：

38、

39、

40、其中，链路距离采用3d链路距离，计算上期望需要将待求解的概率中链路的二维距离l替换为三维距离l2+h2；

41、步骤25，计算所述网络空间吞吐量，具体为：

42、

43、其中，log2(1+τ)指无差错传输下单位频谱上最大链路传输速率。

44、进一步的，对能量消耗侧的基站部署密度和智能反射面的反射单元配比进行优化设计，具体为：

45、步骤31，计算无智能反射面辅助的密集无线网络干扰受限的临界密度为λ*：

46、

47、步骤32，在最大化网络容量的条件下，计算待消除干扰集合内干扰全部消除的理想上界最优基站部署密度

48、

49、在干扰受限的网络中，经过干扰消除后基站部署密度可以进一步增加至

50、步骤33，计算网络容量的半闭式解：

51、

52、其中，

53、

54、

55、步骤34，最大化网络容量的条件下，计算最优智能反射面的反射单元配比：

56、

57、其中，计算网络空间吞吐量中作了近似近似推导，并且仅能得到半闭式表达式，为了得到智能反射面的最优反射单元配比，将r0,0固定，上述配比仅在干扰受限μ>λ*条件下成立。

58、进一步的，计算能量供给侧中绿能供给因子和绿能覆盖概率具体为：

59、步骤41，绿能供给因子，为智能反射面密集无线网络能量供给模型中绿能配比，具体公式为：

60、

61、其中，γg为能量供给模型的绿能供给因子，为保证能量供给模型不发生绿能和非绿能整体供给的能量中断，绿能供给因子γg∈[0,0.9]，其中eg表示绿能电能，eng非绿能电能，

62、类似的，能量供给模型非绿能能量配比为：

63、γng＝eng/(eg+eng)；

64、步骤42，绿能中断概率定义为能量收集存储设备输出的能量不足以支持系统数据成功传输和静态功耗的能量消耗，此时能量消耗侧的基站和智能反射面被迫处于能量中断状态，即：

65、

66、其中，eh是绿能收集设备输出的能量，eτ是系统数据传输和静态功耗的能量门限，pg是能量收集设备收集能量的输出功率，对于绿能来说pg＝psolar，t是能量收集设备的收集时长；

67、绿能覆盖概率为绿能非中断概率，即绿能覆盖概率与绿能中断概率为互补函数，绿能覆盖概率为：gcov＝p[eg>eτ]＝1-p[eg<eτ]。

68、进一步的，以最大化网络碳效率为目标，对能量供给侧绿能供给因子和能量消耗侧智能反射面与基站部署密度比进行联合优化设计，具体包括：

69、步骤51，计算绿能供给时输出功率的概率密度函数和累积分布函数：

70、

71、

72、其中，kc为辐射强度阈值，ηc光伏效率，s表示光伏的面积，i表示日光辐射强度，取决于太阳高度角和云层遮挡的衰减，其概率密度函数为：

73、

74、其中，i＝id+δi，δi＝i-id服从服从标准正态分布，id(t)是时间确定函数：

75、

76、其中，imax是一天中的最大太阳日光强度；

77、步骤52，计算分布式供给时，即存在绿能的基站和智能反射面的绿能覆盖概率分别为：

78、

79、

80、存在绿能的基站和智能反射面的绿能中断概率分别为：

81、

82、

83、其中，与智能反射面反射单元的数量和相位分辨率相关，其中，pc表示基站的静态功耗，pt表示基站天线发射功率，ξ＝v-1，v表示基站功放的效率；

84、步骤53，计算分布式绿能供给的网络碳效率：

85、

86、其中，ρ＝μ/λ，

87、步骤54，为最大化网络碳效率计算最优智能反射面和基站部署密度比ρ*，ρ*∈[0.5,2]，用户覆盖概率是关于部署密度比的半闭式表达式，在干扰受限的条件下由计算的数值解分析，在满足的条件下，网络碳效率取到极大值；

88、步骤55，为最大化网络碳效率，用集中式绿能配比方式，近似分布式绿能配比，计算绿能配比变化下的网络碳效率，绿能能量中断则会有更多的非绿能参与供给，近似的网络碳效率为：

89、

90、其中，表示在门限为γgptotal/λ时绿能中断概率；

91、步骤56，最大化网络碳效率的条件下，最优绿能配比为：

92、

93、其中，表示向下取整函数，0.9(·)表示满足括号内条件的变量值取0.9的函数。

94、综上所述，由于采用了上述技术方案，本发明的有益效果是：

95、1、本发明是智能反射面辅助的密集无线网络碳效率优化方法，建立了智能反射面辅助干扰消除的密集无线网络系统模型，针对能量消耗侧的密集无线网络干扰受限特点对其进行干扰抑制实现干扰管控，将干扰集合分成两部分，分别为自基站的干扰集合和来自智能反射面辅助干扰消除的待消除干扰集合并分别计算拉普拉斯变换，利用智能反射面反相的工作原理对干扰信号进行抑制或消除，利用求得的半闭式表达式通过近似和固定条件优化智能反射面的反射单元配比，实现最大化网络容量。

96、2、本发明是智能反射面辅助的密集无线网络碳效率优化方法，提出绿色能源覆盖概率，通过分布式的绿能覆盖方法提升网络碳效率，进一步优化智能反射面的部署密度和绿能供给因子，将分布式供给方法得到的碳效率用集中式供给方法近似，得到集中式供给方法下的碳效率，基于此优化智能反射面和基站部署密度比和绿能供给因子，最终实现整个系统碳效率的最大化。