郭 琪 陳銘潔 李 展

中國(guó)移動(dòng)通信集團(tuán)江蘇有限公司鹽城分公司

0 引言

“十三五”以來(lái)，工業(yè)和信息化部認(rèn)真落實(shí)網(wǎng)絡(luò)強(qiáng)國(guó)戰(zhàn)略和生態(tài)文明建設(shè)相關(guān)規(guī)定，加快實(shí)施《“十三五”工業(yè)綠色發(fā)展規(guī)劃》、《綠色制造工程實(shí)施指南（2016-2020 年）》，通信行業(yè)在綠色節(jié)能發(fā)展上取得了巨大成效。

通信產(chǎn)業(yè)結(jié)構(gòu)持續(xù)優(yōu)化，節(jié)能減排、降本增效“雙輪驅(qū)動(dòng)”，各類綠色節(jié)能技術(shù)不斷發(fā)展創(chuàng)新，5G 高能耗、大流量時(shí)代，通信行業(yè)將繼續(xù)致力于綠色節(jié)能體系完善與轉(zhuǎn)型。

1 優(yōu)化模型

1.1 基于NSGA-Ⅱ的5G 基站多目標(biāo)優(yōu)化算法

NSGA-Ⅱ（Non-dominated Sorting Genetic Algorithm）算法，即非支配多目標(biāo)優(yōu)化算法[1]，將仿真的移動(dòng)用戶、功率配置及損耗參數(shù)、能效參數(shù)、信令參數(shù)作為輸入，根據(jù)NSGA 算法求取功耗模型最小值、容量模型最大值、信令模型最小值、感知模型最大值四個(gè)目標(biāo)的最優(yōu)解，輸出解為基站最佳配置功率矩陣S。

基站最優(yōu)化功率自適應(yīng)算法原理如圖1 所示，將網(wǎng)絡(luò)優(yōu)化過(guò)程看作一個(gè)黑盒，四個(gè)目標(biāo)模型具體實(shí)現(xiàn)如下：

圖1 基站最優(yōu)化功率自適應(yīng)算法原理

功耗模型：用EE 表示能量效率，單位為比特每焦耳，物理意義為每個(gè)能量單位可以穩(wěn)定通過(guò)通信信道傳輸?shù)男畔⒌谋忍亓浚?/p>

其中P 表示每個(gè)基站的發(fā)射功率，S 表示數(shù)據(jù)速率，系數(shù)α 表示射頻放大器和電源損耗系數(shù)，β 表示由于信號(hào)處理而消耗的功率，常數(shù)δ 是表示每個(gè)數(shù)據(jù)單元?jiǎng)討B(tài)功的常數(shù)，ρ表示固定消耗系數(shù)。

容量模型：由于仿真用戶是不斷移動(dòng)的，容量模型根據(jù)信道估計(jì)、輻射模式、MIMO 信道效率計(jì)算時(shí)刻t 的網(wǎng)絡(luò)容量：

信令模型：信令開銷取決于信令消息的字節(jié)大小、MN 和移動(dòng)錨點(diǎn)每次切換的跳數(shù)，因此，將會(huì)話注冊(cè)更新的總信令成本表征為CS：

其中Nh是觸發(fā)層三切換的切換次數(shù)。

感知模型：該模型用可用性AvailabilityTotal表征，物理意義定義為給定時(shí)間內(nèi)網(wǎng)絡(luò)滿足用戶需求的概率。

其中Ck為基站提供給用戶K 的容量，Dk表示用戶k 的網(wǎng)絡(luò)需求。

1.2 仿真模型建立與參數(shù)配置

為驗(yàn)證本文提出的基站功率最優(yōu)化自適應(yīng)算法即公式（1），搭建了一個(gè)500*500m2的虛擬工作區(qū)，基站均勻隨機(jī)分布，如圖2 紅色五角星所示，黃色六邊形區(qū)域?yàn)楦采w區(qū)域，基站工作頻率、覆蓋半徑等可在建模過(guò)程中自定義。UE 也隨機(jī)分布在虛擬工作區(qū)，且根據(jù)RWP（Random Waypoint Model）移動(dòng)，它們的位置、速度、加速度雖時(shí)間而變化。將用戶與基站之間的會(huì)話業(yè)務(wù)模型，設(shè)定符合為的泊松過(guò)程，同時(shí)將會(huì)話業(yè)務(wù)持續(xù)時(shí)間設(shè)定為符合μ=10s 的指數(shù)分布。

圖2 仿真基站覆蓋與移動(dòng)用戶運(yùn)動(dòng)分布

在該模型中，基站連接到接入網(wǎng)，接入網(wǎng)為移動(dòng)用戶和其余網(wǎng)絡(luò)提供IPv6 連接，仿真基站的規(guī)格參數(shù)如表1 所示。

表1 仿真基站的規(guī)格參數(shù)

2 仿真驗(yàn)證及評(píng)估

2.1 仿真實(shí)驗(yàn)?zāi)Ｐ?/h3>

實(shí)驗(yàn)進(jìn)行了2 類數(shù)據(jù)量級(jí)的仿真，分別是小規(guī)模數(shù)量級(jí)：20 個(gè)移動(dòng)用戶共享5 個(gè)5G 基站，中規(guī)模數(shù)量級(jí)：50 個(gè)移動(dòng)用戶共享20個(gè)5G基站的仿真設(shè)置，各區(qū)域傳播模型隨機(jī)分布，用戶在移動(dòng)過(guò)程中可能切換為其他傳播模型。

根據(jù)優(yōu)化算法，首先定義問(wèn)題的決策變量是基站的傳輸功率，它影響上容量、功耗、信令、感知四大優(yōu)化目標(biāo)。根據(jù)公式（2）可知，基站的傳輸功率直接影響網(wǎng)絡(luò)功耗，由于基站的傳輸功率影響SINR，因而網(wǎng)絡(luò)提供的數(shù)據(jù)速率也受其影響。數(shù)據(jù)速率和小區(qū)限制又導(dǎo)致不同次數(shù)的切換，從而影響了信令開銷。由此可以看出，僅更新一個(gè)基站的傳輸速率，可能會(huì)引起所有目標(biāo)函數(shù)的變化。

考慮到判別決策變量之間優(yōu)先級(jí)存在的難度，以及現(xiàn)網(wǎng)5G 基站大規(guī)模密集部署的現(xiàn)狀，判別模型主要依賴于演進(jìn)多目標(biāo)優(yōu)化算法（MOEA），一方面可以適當(dāng)解決逼近問(wèn)題存在的瓶頸，另一方面可以滿足模型中隨機(jī)黑盒優(yōu)化器的需求。這樣，就可以將復(fù)雜的網(wǎng)絡(luò)優(yōu)化問(wèn)題轉(zhuǎn)變?yōu)閿?shù)學(xué)公式，設(shè)B為已部署基站（BTS）的集合，最終求解實(shí)值向量s ∈（0，1]|B |，其中si 表示BTS i 的發(fā)射功率，四個(gè)目標(biāo)函數(shù)是：

2.2 仿真及現(xiàn)場(chǎng)驗(yàn)證

為了最優(yōu)化目標(biāo)函數(shù)，需要聯(lián)合執(zhí)行功率分配與鏈路調(diào)度，主要通過(guò)執(zhí)行鏈路調(diào)度，為每組業(yè)務(wù)鏈路找到最佳功率，其中鏈路調(diào)度和功率分配是交替進(jìn)行的，核心過(guò)程如圖3所示。仿真結(jié)果按pow 矩陣輸出，矩陣大小根據(jù)輸入基站數(shù)與用戶數(shù)改變，如圖4 所示。

圖3 鏈路調(diào)度和功率分配交替進(jìn)行

圖4 仿真功率分配結(jié)果

導(dǎo)入試點(diǎn)區(qū)域?qū)嶋H工參，根據(jù)仿真結(jié)果對(duì)試點(diǎn)區(qū)域5G 基站功率進(jìn)行修改配置，不僅用戶的信干噪比明顯得到改善，系統(tǒng)的吞吐量也有顯著提高[2]。根據(jù)修改前后對(duì)比測(cè)速結(jié)果可知，降低優(yōu)化功率的同時(shí)不同機(jī)型的測(cè)試速率提升了約30～40Mbps，用戶感知與節(jié)電效果明顯。

2.3 多目標(biāo)優(yōu)化效果評(píng)估

為保證實(shí)驗(yàn)數(shù)據(jù)的可信度，已獨(dú)立運(yùn)行30 次MOEA，同時(shí)采用了置信水平為95%（p 值<0.05）的統(tǒng)計(jì)程序，測(cè)試獲得的p 值為1.5229e-06，改值表明統(tǒng)計(jì)的所有差異都具有顯著性，非支配解決算法具有最佳聚合解，基于NSGA-Ⅱ的5G基站多目標(biāo)優(yōu)化算法能夠最快給出最優(yōu)的基站功率分配集合。如表2 所示，展示了三類算法給出最佳聚合解及S 矩陣的概率，NSGA-Ⅱ（Non-dominated Sorting Genetic Algorithm）算法能夠根據(jù)功率、容量、信令、用戶四項(xiàng)條件解出S 矩陣的概率更高，效果更好。其中SMPSO 為目標(biāo)函數(shù)迭代求解算法，MATLAB 表示MTALAB 工具中求多元函數(shù)最優(yōu)解的內(nèi)置公式算法。

表2 三類算法給出最佳聚合解及S 矩陣的概率

本地推廣前全區(qū)700M 平均單站流量達(dá)到39.1GB/天，共站分流比達(dá)到13.47%，該算法經(jīng)本地推廣后，全區(qū)700M 平均單站流量達(dá)到41.9GB/天，較推廣前提升約2.8GB/天，共站分流比達(dá)到13.95%，省排名第一，較推廣前提升約0.48%。功率智能適配降低網(wǎng)絡(luò)功率，節(jié)能比例9.51%，整體速率提升7.46%。項(xiàng)目實(shí)施節(jié)省了三方勘測(cè)人員、規(guī)劃方案輸出人員、車輛、測(cè)試設(shè)備的投入，每月節(jié)省：高級(jí)3 名、中級(jí)4 名、初級(jí)4 名、車輛4 輛左右。

3 結(jié)束語(yǔ)

經(jīng)過(guò)軟件仿真與現(xiàn)場(chǎng)驗(yàn)證，本文算法可以降低人工優(yōu)化人力、現(xiàn)場(chǎng)測(cè)試物力成本并發(fā)揮節(jié)電功效，同時(shí)在一定程度上促進(jìn)5G 流量吸收，有效實(shí)現(xiàn)降本、增效、提質(zhì)。本文算法在實(shí)現(xiàn)5G 基站節(jié)電的同時(shí)可以保障甚至改善用戶感知，不同機(jī)型5G終端在實(shí)驗(yàn)位置同環(huán)境測(cè)試，5G速率均有不同程度提升，但在多層網(wǎng)的功率協(xié)同自適應(yīng)優(yōu)化方面仍有待研究。