基于仿真的5G 基站最優化功率自適應算法研究

郭 琪 陳銘潔 李 展

中國移動通信集團江蘇有限公司鹽城分公司

0 引言

“十三五”以來，工業和信息化部認真落實網絡強國戰略和生態文明建設相關規定，加快實施《“十三五”工業綠色發展規劃》、《綠色制造工程實施指南（2016-2020 年）》，通信行業在綠色節能發展上取得了巨大成效。

通信產業結構持續優化，節能減排、降本增效“雙輪驅動”，各類綠色節能技術不斷發展創新，5G 高能耗、大流量時代，通信行業將繼續致力于綠色節能體系完善與轉型。

1 優化模型

1.1 基于NSGA-Ⅱ的5G 基站多目標優化算法

NSGA-Ⅱ（Non-dominated Sorting Genetic Algorithm）算法，即非支配多目標優化算法[1]，將仿真的移動用戶、功率配置及損耗參數、能效參數、信令參數作為輸入，根據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目標的最優解，輸出解為基站最佳配置功率矩陣S。

基站最優化功率自適應算法原理如圖1 所示，將網絡優化過程看作一個黑盒，四個目標模型具體實現如下：

圖1 基站最優化功率自適應算法原理

功耗模型：用EE 表示能量效率，單位為比特每焦耳，物理意義為每個能量單位可以穩定通過通信信道傳輸的信息的比特量：

其中P 表示每個基站的發射功率，S 表示數據速率，系數α 表示射頻放大器和電源損耗系數，β 表示由于信號處理而消耗的功率，常數δ 是表示每個數據單元動態功的常數，ρ表示固定消耗系數。

容量模型：由于仿真用戶是不斷移動的，容量模型根據信道估計、輻射模式、MIMO 信道效率計算時刻t 的網絡容量：

信令模型：信令開銷取決于信令消息的字節大小、MN 和移動錨點每次切換的跳數，因此，將會話注冊更新的總信令成本表征為CS：

其中Nh是觸發層三切換的切換次數。

感知模型：該模型用可用性AvailabilityTotal表征，物理意義定義為給定時間內網絡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 的網絡需求。

1.2 仿真模型建立與參數配置

為驗證本文提出的基站功率最優化自適應算法即公式（1），搭建了一個500*500m2的虛擬工作區，基站均勻隨機分布，如圖2 紅色五角星所示，黃色六邊形區域為覆蓋區域，基站工作頻率、覆蓋半徑等可在建模過程中自定義。UE 也隨機分布在虛擬工作區，且根據RWP（Random Waypoint Model）移動，它們的位置、速度、加速度雖時間而變化。將用戶與基站之間的會話業務模型，設定符合為的泊松過程，同時將會話業務持續時間設定為符合μ=10s 的指數分布。

圖2 仿真基站覆蓋與移動用戶運動分布

在該模型中，基站連接到接入網，接入網為移動用戶和其余網絡提供IPv6 連接，仿真基站的規格參數如表1 所示。

表1 仿真基站的規格參數

2 仿真驗證及評估

2.1 仿真實驗模型

實驗進行了2 類數據量級的仿真，分別是小規模數量級：20 個移動用戶共享5 個5G 基站，中規模數量級：50 個移動用戶共享20個5G基站的仿真設置，各區域傳播模型隨機分布，用戶在移動過程中可能切換為其他傳播模型。

根據優化算法，首先定義問題的決策變量是基站的傳輸功率，它影響上容量、功耗、信令、感知四大優化目標。根據公式（2）可知，基站的傳輸功率直接影響網絡功耗，由于基站的傳輸功率影響SINR，因而網絡提供的數據速率也受其影響。數據速率和小區限制又導致不同次數的切換，從而影響了信令開銷。由此可以看出，僅更新一個基站的傳輸速率，可能會引起所有目標函數的變化。

考慮到判別決策變量之間優先級存在的難度，以及現網5G 基站大規模密集部署的現狀，判別模型主要依賴于演進多目標優化算法（MOEA），一方面可以適當解決逼近問題存在的瓶頸，另一方面可以滿足模型中隨機黑盒優化器的需求。這樣，就可以將復雜的網絡優化問題轉變為數學公式，設B為已部署基站（BTS）的集合，最終求解實值向量s ∈（0，1]|B |，其中si 表示BTS i 的發射功率，四個目標函數是：

2.2 仿真及現場驗證

為了最優化目標函數，需要聯合執行功率分配與鏈路調度，主要通過執行鏈路調度，為每組業務鏈路找到最佳功率，其中鏈路調度和功率分配是交替進行的，核心過程如圖3所示。仿真結果按pow 矩陣輸出，矩陣大小根據輸入基站數與用戶數改變，如圖4 所示。

圖3 鏈路調度和功率分配交替進行

圖4 仿真功率分配結果

導入試點區域實際工參，根據仿真結果對試點區域5G 基站功率進行修改配置，不僅用戶的信干噪比明顯得到改善，系統的吞吐量也有顯著提高[2]。根據修改前后對比測速結果可知，降低優化功率的同時不同機型的測試速率提升了約30～40Mbps，用戶感知與節電效果明顯。

2.3 多目標優化效果評估

為保證實驗數據的可信度，已獨立運行30 次MOEA，同時采用了置信水平為95%（p 值<0.05）的統計程序，測試獲得的p 值為1.5229e-06，改值表明統計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基站多目標優化算法能夠最快給出最優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）算法能夠根據功率、容量、信令、用戶四項條件解出S 矩陣的概率更高，效果更好。其中SMPSO 為目標函數迭代求解算法，MATLAB 表示MTALAB 工具中求多元函數最優解的內置公式算法。

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700M 平均單站流量達到39.1GB/天，共站分流比達到13.47%，該算法經本地推廣后，全區700M 平均單站流量達到41.9GB/天，較推廣前提升約2.8GB/天，共站分流比達到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絡功率，節能比例9.51%，整體速率提升7.46%。項目實施節省了三方勘測人員、規劃方案輸出人員、車輛、測試設備的投入，每月節?。焊呒? 名、中級4 名、初級4 名、車輛4 輛左右。

3 結束語

經過軟件仿真與現場驗證，本文算法可以降低人工優化人力、現場測試物力成本并發揮節電功效，同時在一定程度上促進5G 流量吸收，有效實現降本、增效、提質。本文算法在實現5G 基站節電的同時可以保障甚至改善用戶感知，不同機型5G終端在實驗位置同環境測試，5G速率均有不同程度提升，但在多層網的功率協同自適應優化方面仍有待研究。