一种基于数字孪生的基站功耗优化方法技术

本发明专利技术公开了一种基于数字孪生的基站功耗优化方法,包括以下步骤：S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；S3.基于数字孪生体，在用户满意度约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。本发明专利技术针对包含多个通信基站的系统，得到了满足所有用户满意度要求的最小功耗及对应的最优网络配置。小功耗及对应的最优网络配置。小功耗及对应的最优网络配置。

【技术实现步骤摘要】
一种基于数字孪生的基站功耗优化方法


[0001]本专利技术涉及基站功耗优化，特别是涉及一种基于数字孪生的基站功耗优化方法。

技术介绍

[0002]通信基站是无线通信系统中一个关键组成部分，其主要功能是为移动终端提供无线连接服务，从而实现语音、数据等业务的传输。从2G到5G，为满足不断增加的移动流量数据需求，基站的数量和性能也在不断增长，而基站的功耗问题也逐渐引起了广泛的关注。基站功耗主要来自于射频功放、信号处理、设备冷却等方面。
[0003]由于基站数量庞大，其功耗问题对环境和运营商的成本产生了重要影响，因此降低基站功耗对于节约能源、减少环境污染和提高运营商的紧急效益具有重要意义。虽然目前已有一些关于基站功耗优化的研究和技术，如动态功率控制、基站休眠策略，但技术仍存在一定的局限性，部分技术会导致服务的质量下降。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于数字孪生的基站功耗优化方法，能够根据机器学习算法构建功耗函数的学习模型，来完成数字孪生体的构建，并针对包含多个通信基站的系统，得到满足所有用户满意度要求的最小功耗及对应的最优网络配置。
[0005]本专利技术的目的是通过以下技术方案来实现的：一种基于数字孪生的基站功耗优化方法，包括以下步骤：S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；S3.基于数字孪生体，在用户满意度约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。
[0006]本专利技术的有益效果是：能够根据机器学习算法构建功耗函数的学习模型，来完成数字孪生体的构建，并针对包含多个通信基站的系统，得到满足所有用户满意度要求的最小功耗及对应的最优网络配置。
附图说明
[0007]图1为本专利技术的方法流程图。
具体实施方式
[0008]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。
[0009]如图1所示，一种基于数字孪生的基站功耗优化方法，包括以下步骤：
S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；所述步骤S1中，假设在系统中，共有个基站和个用户，在时刻时，第个基站的覆盖范围由电磁传播模型给出，其中，表示第个基站在时刻所处的坐标，表示系统中用户在时刻所处的坐标，表示在时刻系统的三维环境模型，表示第个基站在时刻的基站配置，表示在时刻系统中用户接收端的配置；设第个基站在时刻的业务流量由业务流量时空模型给出，记为：由业务流量时空模型给出，记为：其中，表示第个基站在时刻的工参信息，表示第个基站在时刻与相邻小区间的切换数据，表示第个基站在时刻的负载信息，表示第个基站在时刻的兴趣点数据；其中为当前时刻之前个时刻的业务流量，为设定的常数，且不小于2；设第个基站在时刻的功耗由功耗模型给出，记为：其中，表示第个基站在时刻的业务流量，表示第个基站在时刻的运行状态，当基站处于开启状态时，，当基站处于关闭状态时，且此时基站功耗为0；表示第个基站在时刻的通道关断信息；表示第个基站在时刻的载波关断信息；表示第个基站在时刻的覆盖范围，覆盖范围与基站功耗成正相关关系；表示第个基站在时刻时的设备温度；表示第个基站在时刻时所处的环境底噪；表示第个基站在时刻时所呈现的设备特征属性，它包括了设备损耗特征和设备开机使用时长。
[0010]所述电磁传播模型采用机器学习算法训练获得：首先根据机器学习算法构建电磁传播模型，所述电磁传播模型的输入层共有5个输入节点，用于输入，输出层有一个节点，用于输出；由于每个系统的通信网络存在特性不同的特点，隐藏层的数量，隐藏单元的数量以及激活函数的设计与选取需根据实际情况进行设定并调试。在采集单个样本时，假设该
样本对应的基站编号为，数据采集时刻为，则采集样本特征，采集样本标签，样本被表征为：；设系统中，共采集了个时间节点的数值，则对于单个基站，有个样本，对于整个系统，则共有个样本；将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的电磁传播模型。
[0011]所述业务流量时空模型采用机器学习算法训练得到：首先根据机器学习算法构建业务流量时空模型，业务流量时空模型共有个输入节点，用于输入，输出层有一个节点，用于输出；由于每个系统的通信网络存在特性不同的特点，隐藏层的数量，隐藏单元的数量以及激活函数的设计与选取需根据实际情况进行设定并调试。在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为，则采集样本特征，采集样本标签，样本被表征为： 设系统中，共采集了个时间节点的数值，则对于单个基站，有个样本，对于整个系统，则共有个样本；将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的业务流量时空模型。
[0012]所述功耗模型采用机器学习算法训练获得，训练过程包括：S101.根据机器学习算法构建功耗模型，所述功耗模型的输入层共有8个输入节点，用于输入，，，，，，和，输出层共有一个输出节点，用于输出；S102.在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为，采集样本的特征为，采集该特征下对应的标签，该样本被表征为；
S103.设系统中，共采集了个时间节点的数值，则对于单个基站，有个样本，对于整个系统，则共有个样本；S104.将个样本送入模型后，经过前向传播与反向传播的初步训练，得到一个初步的功耗模型模型；S105.初步训练完成后，采用K折交叉验证的方法进行模型的超参数进行评估，得到一组满足期望准确率的超参数；将个样本分成等份；A2、选取份样本中的任意一份作为测试集的选取结果，剩余份作为训练集，利用训练集中的样本对初步的功耗函数进行训练，得到功耗函数的训练结果，利用测试集中的样本对训练结果进行测试，确定测试的准确率；A3、在将等份样本中每一份样本作为测试集的选取结果时，重复执行步骤A2，得到个功耗函数训练结果和对应的准确率；并取平均准确率作为模型的最终准确率；例如，用1到个数字对等份后的样本进行编号。第一次，选取编号为“1”的一份作为测试集，剩余部分作为训练集，进行训练和测试，得到一个模型；第二次，选取编号为“2”的一份作为测试集，剩余部分作为训练集，进行训练和测试，得到另一个模型；如此重复次，得到个模型，取平均准确率作为模型的最终准确率；A4、设定模型的期望准确率为，如果模型的最终准确率小于，将对其中的超参数进行调整，调整后再次用K折交叉验证的方法进行评估；如此重复，直到最终准确率不小于期望准确率，得到一组满足期望准确率的超参数。
[0013]S106.将上一步得到这组超参数输入到学习模型中，然后将个样本送入学习模型后，经过前向传播与反向传播的初步训练，得到一个最终的功耗模型；此时，基站最终的功耗模型学习完成。
[0014]其中，所述机器学习算法包括但不限于多层感知机或卷积神经网络算法。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的基站功耗优化方法，其特征在于：包括以下步骤：S1.基于网络历史和当前数据，建立给定区域的电磁传播模型和业务流量时空模型，以及该区域基站的功耗模型，构建全网蜂窝网络的数字孪生体；S2.构建用户满意度模型，并给定全网蜂窝网络用户满意度的约束条件；S3.基于数字孪生体，在用户满意度约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。2.根据权利要求1所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述步骤S1中，假设在系统中，共有个基站和个用户，在时刻时，第个基站的覆盖范围由电磁传播模型给出，其中，表示第个基站在时刻所处的坐标，表示系统中用户在时刻所处的坐标，表示在时刻系统的三维环境模型，表示第个基站在时刻的基站配置，表示在时刻系统中用户接收端的配置；设第个基站在时刻的业务流量由业务流量时空模型给出，记为：由业务流量时空模型给出，记为：其中，表示第个基站在时刻的工参信息，表示第个基站在时刻与相邻小区间的切换数据，表示第个基站在时刻的负载信息，表示第个基站在时刻的兴趣点数据；其中为当前时刻之前个时刻的业务流量，为设定的常数，且不小于2；设第个基站在时刻的功耗由功耗模型给出，记为：其中，表示第个基站在时刻的业务流量，表示第个基站在时刻的运行状态，当基站处于开启状态时，，当基站处于关闭状态时，且此时基站功耗为0；表示第个基站在时刻的通道关断信息；表示第个基站在时刻的载波关断信息；表示第个基站在时刻的覆盖范围，覆盖范围与基站功耗成正相关关系；表示第个基站在时刻时的设备温度；表示第个基站在时刻时所处的环境底噪；表示第个基站在时刻时所呈现的设备特征属性，它包括了设备损耗特征和设备开机使用时长。3.根据权利要求2所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述电
磁传播模型采用机器学习算法训练获得：首先根据机器学习算法构建电磁传播模型，所述电磁传播模型的输入层共有5个输入节点，用于输入，输出层有一个节点，用于输出；在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为，则采集样本特征，采集样本标签，样本被表征为：；设系统中，共采集了个时间节点的数值，则对于单个基站，有个样本，对于整个系统，则共有个样本；将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的电磁传播模型。4.根据权利要求2所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述业务流量时空模型采用机器学习算法训练得到：首先根据机器学习算法构建业务流量时空模型，业务流量时空模型共有个输入节点，用于输入，输出层有一个节点，用于输出；在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为，则采集样本特征，采集样本标签，样本被表征为：，样本被表征为：设系统中，共采集了个时间节点的数值，则对于单个基站，有个样本，对于整个系统，则共有个样本；将个样本送入模型后，经过前向传播与反向传播训练，得到训练好的业务流量时空模型。5.根据权利要求2所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述功耗模型采用机器学习算法训练获得，训练过程包括：S101.根据机器学习算法构建功耗模型，所述功耗模型的输入层共有8个输入节点，用于输入，，，，，，和，输出层共有一个输出节点，用于输出；S102.在采集单个样本时，假设该样本对应的基站编号为，数据采集时刻为，采集样本的特征为，
采集该特征下对应的标签，该样本被表征为；S103.设系统中，共采集了个时间节点的数值，则对于单个基站，有个样本，对于整个系统，则共有个样本；S104.将个样本送入模型后，经过前向传播与反向传播的初步训练，得到一个初步的功耗模型模型；S105.初步训练完成后，采用K折交叉验证的方法进行模型的超参数进行评估，得到一组满足期望准确率的超参数；S106.将上一步得到这组超参数输入到学习模型中，然后将个样本送入学习模型后，经过前向传播与反向传播的初步训练，得到一个最终的功耗模型；此时，基站最终的功耗模型学习完成。6.根据权利要求5所述的一种基于数字孪生的基站功耗优化方法，其特征在于：所述步骤S105包括：A1、将个样本分成等份；A2、选取份样本中的任意一份作为测试集的选取结果，剩余份作为训...

【专利技术属性】
技术研发人员：黄川，秦晓琦，崔曙光，钟云，蓝万顺，刘大洋，
申请(专利权)人：北京邮电大学中国移动通信集团广东有限公司，
类型：发明
国别省市：