一种基于机器学习的功放电压调整方法及系统技术方案

本发明专利技术公开了一种基于机器学习的功放电压调整方法，该方法包括：构建基于电压参数训练形成的机器学习模型；获取当前话务量，基于机器学习模型对当前话务量进行预测生成预测结果；基于预置的功放调整算法和预测结果自动调整功放电压，其中，预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。由此，根据本发明专利技术公开的方法能够在不需要关断模式的情况下，通过预测话务量的变化，动态调整功放电压以提升电路的整体功放效率，从而大大降低了功放工作时的能耗。了功放工作时的能耗。了功放工作时的能耗。

【技术实现步骤摘要】
一种基于机器学习的功放电压调整方法及系统


[0001]本专利技术涉及通信
，尤其涉及一种基于机器学习的功放电压调整方法及系统。

技术介绍

[0002]现有的5G基站软件节能方向主要以“关断”为主，如符号关断、时隙关断、载波关断、通道关断、基站深度休眠等。为了避免“关断”行为对5G基站运行的影响，现有的节能方式一般通过预先寻找一种对应关系存于控制单元的存储系统中，在基站出厂前，通过经验公式建立静态查找表，找到关联关系来获取功放电压参数，如功率控制等级
‑
功放电压对应关系，载波数
‑
削波门限
‑
功放电压对应关系，平均功率
‑
峰均比
‑
功放电压对应关系，之后在基站实际工作中通过查找表方式，调整功放状态参数达到基站节能的目的。但是对于这些实现降低基站能耗的过程中，仍然存在可以进一步降低基站软件能耗的空间。

技术实现思路

[0003]本专利技术所要解决的技术问题在于，提供一种基于机器学习的功放电压调整方法，能够在不需要基站执行关断模式的条件下，通过预测理解话务量的变化，动态调整功放电压以提升功放效率，从而降低功放工作时基站软件的能耗。
[0004]为了解决上述技术问题，本专利技术第一方面公开了一种基于机器学习的功放电压调整方法，所述方法包括：构建基于电压参数训练形成的机器学习模型；获取当前话务量，基于所述机器学习模型对当前话务量进行预测生成预测结果；基于预置的功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
[0005]在一些实施方式中，所述构建基于电压参数训练形成的机器学习模型，包括：利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。
[0006]在一些实施方式中，所述基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型，包括：基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。
[0007]在一些实施方式中，所述功放电压包括功放栅压和功放漏压，所述基于预置的功放调整算法和所述预测结果自动调整功放电压，包括：基于预置的功放调整算法进行漏压
电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果所述预测结果调整主路和辅路的功放漏压；基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
[0008]在一些实施方式中，所述方法还包括：将所述机器学习模型和所述预置的功放调整算法部署于同一控制模块。
[0009]根据本专利技术的第二个方面，提供了一种基于机器学习的功放电压调整系统，所述系统包括：基于电压参数训练形成的机器学习模型，所述机器学习模型用于获取当前话务量，对当前话务量进行预测生成预测结果；功放调整模块，用于基于功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
[0010]在一些实施方式中，所述机器学习模型包括：参数获取模块，用于利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；所述功放调整模块搭载于中间件，所述中间件用于控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。
[0011]在一些实施方式中，中间件实现为：基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。
[0012]在一些实施方式中，所述功放电压包括功放栅压和功放漏压，所述功放调整模块，包括：功放漏压调整单元，用于基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果所述预测结果调整主路和辅路的功放漏压；功放栅压调整单元，用于基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
[0013]在一些实施方式中，所述机器学习模型和所述功放调整模块部署于同一控制模块。
[0014]与现有技术相比，本专利技术的有益效果在于：实施本专利技术能够利用所训练的包含对功率对齐结果、时延对齐结果和削峰系数预测的机器学习模型，在有业务情况下，可根据话务量的高低，自动通过预置的功放调整算法自动调整功放电压，实时优化整体电路的功耗，让功放时刻的工作效率达到最优点。而且在不影响性能的同时实现功耗的动态优化，有利于实现基站的能耗随业务变化实时动态调整。
附图说明
[0015]图1为本专利技术实施例公开的一种基于机器学习的功放电压调整方法的流程示意
图；图2为本专利技术实施例公开的一种基于机器学习的功放电压调整方法的机器学习模型框图；图3为本专利技术实施例公开的又一种基于机器学习的功放电压调整系统示意图；图4为本专利技术实施例公开的一种基于机器学习的功放电压调整装置结构示意图。
具体实施方式
[0016]为了更好地理解和实施，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]本专利技术实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
[0018]本专利技术实施例公开了一种基于机器学习的功放电压调整方法及系统，能够利用所训练的包含对功率对齐结果、时延对齐结果和削峰系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的功放电压调整方法，其特征在于，所述方法包括：构建基于电压参数训练形成的机器学习模型；获取当前话务量，基于所述机器学习模型对当前话务量进行预测生成预测结果；基于预置的功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。2.根据权利要求1所述的基于机器学习的功放电压调整方法，其特征在于，所述构建基于电压参数训练形成的机器学习模型，包括：利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。3.根据权利要求2所述的基于机器学习的功放电压调整方法，其特征在于，所述基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型，包括：基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。4.根据权利要求1所述的基于机器学习的功放电压调整方法，其特征在于，所述功放电压包括功放栅压和功放漏压，所述基于预置的功放调整算法和所述预测结果自动调整功放电压，包括：基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放漏压；基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。5.根据权利要求1
‑
4任一项所述的基于机器学习的功放电压调整方法，其特征在于，所述方法还包括：将所述机器学习模型和所...

【专利技术属性】
技术研发人员：刘畅远，闫书保，陈传友，
申请(专利权)人：广东省新一代通信与网络创新研究院，
类型：发明
国别省市：