基于混合供电的大规模天线阵列的功率分配方法与流程

本发明属于大规模多输入多输出天线阵列供电技术领域，尤其涉及一种基于混合供电的大规模天线阵列的功率分配方法。

背景技术：

massivemimo技术通过在基站端配置超大规模天线阵列，来提高系统容量和频谱效率。随着基站数量及天线规模的不断增大，其能源消耗总量和碳排放量也在不断增加，易引起能量短缺以及环境污染问题。

然而，现有的大规模天线阵列的功率分配系统中并未研究不同能量供应源来进行功率分配，难以做到整体调配能源，能源利用率低。

技术实现要素：

本发明的目的是提供一种基于混合供电的大规模天线阵列的功率分配方法，实现不同能量供应源的合理调配，降低传统能源使用量。

本发明采用以下技术方案：基于混合供电的大规模天线阵列的功率分配方法，其特征在于，包括以下步骤：

为天线阵列分配能效值q0和功率因子w0，并计算出对应的功率分配表p0；其中，功率分配表由初始绿色能量供应源功率表和初始传统能量供应源功率表组成；

采用次梯度法对功率因子进行迭代，直至满足|wn+1-wn|≤a，将wn对应的能效值作为次优能效值；其中，n为迭代次数，wn为第n次迭代后的功率因子，wn+1为第n+1次迭代后的功率因子，a为第一阈值；

根据次优能效值及对应的功率因子生成对应的功率分配表和天线阵列的吞吐量；

生成次优能效值和与其对应的功率分配表的乘积值，当乘积值与吞吐量的差值小于等于第二阈值，将次优能效值对应的功率分配表作为最优功率分配表，根据最优功率分配表对天线阵列进行功耗分配。

优选的，绿色能量供应源功率表由k个用户的绿色能量供应源功率组成，每个用户的绿色能量供应源功率计算方法为：

其中，为第i时隙绿色能量供应源的为第k个用户提供的功率，qn为第n次迭代的功率因子αn对应的能效值，i和l分别表示两个时隙，q为总时隙数，αi为第i时隙时的功率因子，μl为第l时隙的拉格朗日乘子，αi、ψi为第i时隙的拉格朗日乘子，n0为噪声矢量n的方差，m为天线阵列的天线数量，k为天线阵列服务的用户数，βk为天线阵列到第k个用户的慢衰落系数，[x]⁺＝max[0，x]。

优选的，采用次梯度法对功率因子进行迭代过程中，当|wn+1-wn|＞a时，具体迭代方法为；

步骤a：根据wn+1和qn生成更新后的功率分配表pn+1；

根据wn+1和pn+1生成功率因子wn+2；

步骤b：判断是否满足|wn+2-wn+1|≤a：

若是，将qn+1作为次优能效值；

若否，重复执行步骤a，直至得到满足|wn+2-wn+1|≤a的功率因子，并将该功率因子对应的能效值作为次优能效值。

优选的，当乘积值与吞吐量的差值大于第二阈值时，具体方法为：

通过生成新的能效值q′，将新的能效值q′作为初始能效值、并结合初始能效值对应的功率因子，采用次梯度法对新的功率因子进行迭代，直至满足|w′n+1-w′n|≤a，则将w′n对应的能效值q′n作为次优能效值；

根据次优能效值q′n及对应的功率因子w′n计算出对应的功率分配表和天线阵列的吞吐量；

计算次优能效值q′n和与其功率分配表的乘积值，当该乘积值与该吞吐量的差值小于等于第二阈值，将次优能效值q′n对应的功率分配表作为最优功率分配表；否则，重复执行上述步骤，直至得到最优功率分配表；

根据该最优功率分配表对天线阵列进行功耗分配。

优选的，吞吐量计算方法为：

其中，li为数据传输过程中一个事件的时间长度。

本发明的有益效果是：本发明假设能量采集过程和信道变化过程已知，建立最大化系统能效为目标，以信号发射功率和电路消耗功率为优化变量，同时具有能量因果约束、电池容量约束、以及用户最低速率等限制条件，采用采集能量和电网相结合的混合能量供应的方式来为基站供电，该供应是以采集能量为主，电网为辅的方式，结合dinkelbach、lagrange对偶和kkt条件的方法有效合理的实现了大规模天线阵列的功率资源分配，且采用zf预编码的方式可以很好地消除用户之间的干扰。

【附图说明】

图1为本发明实施例的流程示意图；

图2为现有技术中基于能量采集的单小区下行通信系统模型图；

图3为现有技术中具有m根天线的发送端射频链路模型图；

图4为本发明对比实施例中的能效对比图。

【具体实施方式】

下面结合附图和具体实施方式对本发明进行详细说明。

在现有技术中，如图2所示，位基于能量采集的单小区下行通信系统模型图，考虑的是单小区下massivemimo系统下行链路通信传输模型。在这个系统中，在单小区中，有k个单天线用户均匀分布，基站处安装m根全向天线同时与小区内的所有用户进行通信。设系统模型中基站和用户之间的信道矩阵为g，基站发送信号为x，预编码矩阵为a，则用户端接收信号矢量表示为其中，y＝[y1，y2，...yk]^t为接收信号矢量，x＝[x1，x2，...xk]^t为发送信号矢量，n为噪声矢量，其元素是独立同分布的均值为零、方差为n0的复高斯随机变量，a为m×k阶预编码矩阵，g为k×m阶信道矩阵，且满足g＝d^1/2h。其中，m×k阶矩阵代表基站和用户之间的快衰落系数矩阵，其中，hk代表基站和第k个用户之间的快衰落系数向量，并假设hk元素服从均值为0，方差为1的复高斯随机变量。d为k×k阶对角阵，表示基站到用户之间的慢衰落系数矩阵，其对角线元素[d]kk＝βk代表基站到第k个用户的慢衰落系数，包括路径损耗和阴影衰落等。则基站bs和第k个用户之间的信道系数gk，可以写成其中βk＝ζk*(dk/r0)^-α，dk为bs与第k个用户之间的距离，α为路径损耗指数，一般取α＝3.7，ζk服从10log10ζk～n(0，δ²)的对数正态阴影衰落分布。则下行场景中第k个用户接收到的来自基站的信号为

其中，用户i代表除用户k以外的其它用户，ρk和ρi分别是分配给用户k和用户i的下行发送功率，m×1阶向量，ak和ai分别代表第k个用户和第i个用户的下行预编码向量，xk和xi代表第k个和第i个用户所需的数据信息，且e|xk|²＝1。βk和hk分别是基站到用户k的慢衰落系数和快衰落系数向量，nk为第k个用户处的噪声。则第k个用户的sinr可以表示为：

基于zf准则的预编码算法，可以直接通过信道反逆运算实现。在满足发射天线大于总接收天线时，zf算法可以消除发射天线之间的干扰，从而消除小区内用户之间的干扰。本算法采用zf预编码，zf加权矩阵为：

a＝g^h(gg^h)^-1

不难看出ga＝gg^h(gg^h)^-1＝ik，即gkai＝δki其中δki满足：当k＝i的时候，δki＝1；当k≠i时，δki＝1，这就说明了zf预编码可以消除小区用户间的干扰。

因此，根据香农公式可得，第k个用户的遍历可达速率可以表示为rk＝e{log2(1+sinr)}。

在进行能效问题分析之前，需要先定义massivemimo系统的功耗模型，假设系统的基站端有m根天线，且这m根天线全用来发送数据，则图3表示具有m根天线的发送端射频链路模型，因此，电路功耗模型表示如下：

pc≈m(padc+pmix+pfilt)+psvn，

系统总功耗由基站的总传输功率ptx和电路功耗pc两部分组成，即ptotal＝ptx+pc，定义系统能效为每焦耳能量所传输的比特数，即

上述描述来求解能效的模型，在小区用户之间干扰的存在，并且由于目标函数是分数的形式，所以优化问题是非凸的，这样就很难解出优化问题的全局最优解。基于massivemimo系统的能量采集系统功率分配，在发送端采用zf预编码器对信号进行预编码来消除用户之间的干扰，以提高能量效率为目标，采用一种迭代的算法(dinkelbach)来最大化能效。此设计的目的是将能效的分数形式转换为减法的形式，并结合拉格朗日对偶法和kkt条件来提高算法的性能，使其达到最大能效值。

本发明实施例公开了一种基于混合供电的大规模天线阵列的功率分配方法，包括以下步骤：

步骤一，给定初始能效qn(其中n为能效的迭代次数)、拉格朗日乘子的初始值。步骤二，根据给定的能效初始值和拉格朗日乘子的初始值计算出优化功率值。步骤三，根据拉格朗日乘子的迭代公式来更新拉格朗日乘子，并计算出相应的优化功率值p^*步骤四，判断r(p^*)-qn*ptotal(p^*)的值是否小于δ，若是，则有否则，令n＝n+1，直到n＝n。

具体方法为：为天线阵列分配能效值q0和功率因子w0，并计算出对应的功率分配表p0；其中，功率分配表由初始绿色能量供应源功率表和初始传统能量供应源功率表组成。

采用次梯度法对功率因子进行迭代，直至满足|wn+1-wn|≤a，将wn对应的能效值qn作为次优能效值；其中，n为迭代次数，wn为第n次迭代后的功率因子，wn+1为第n+1次迭代后的功率因子，a为第一阈值。

根据次优能效值及对应的功率因子计算出对应的功率分配表和天线阵列的吞吐量。计算次优能效值和与其功率分配表的乘积值，当乘积值与吞吐量的差值小于等于第二阈值，将次优能效值对应的功率分配表作为最优功率分配表，根据最优功率分配表对天线阵列进行功耗分配。

在本发明实施例中，当乘积值与吞吐量的差值大于第二阈值时，具体方法为：

通过计算出新的能效值q′，将新的能效值q′作为初始能效值、并结合初始能效值对应的功率因子，采用次梯度法对新的功率因子进行迭代，直至满足|w′n+1-w′n|≤a，w′n对应的能效值q′n作为次优能效值。

根据次优能效值q′n及对应的功率因子w′n计算出对应的功率分配表和天线阵列的吞吐量。

计算次优能效值q′n和与其功率分配表的乘积值，当该乘积值与该吞吐量的差值小于等于第二阈值，将次优能效值q′n对应的功率分配表作为最优功率分配表，否则，重复执行上述步骤，直至得到最优功率分配表；根据该最优功率分配表对天线阵列进行功耗分配。

通过上述方法假设能量采集过程和信道变化过程已知，建立最大化系统能效为目标，以信号发射功率和电路消耗功率为优化变量，同时具有能量因果约束、电池容量约束、以及用户最低速率等限制条件，有效合理的实现了大规模天线阵列的功率资源分配。

本发明实施例中，绿色能量供应源功率表由k个用户的绿色能量供应源功率组成，每个用户的绿色能量供应源功率计算方法为：

其中，为第i时隙绿色能量供应源的为第k个用户提供的功率，qn为第n次迭代的功率因子wn对应的能效值，i和l分别表示两个时隙，q为总时隙数，μl为第l时隙的拉格朗日乘子，αi、ψi为第i时隙的拉格朗日乘子，n0为噪声矢量n的方差，m为天线阵列的天线数量，k为天线阵列服务的用户数，βk为天线阵列到第k个用户的慢衰落系数，[x]⁺＝max[0，x]。

吞吐量计算方法为：

其中，li为数据传输过程中一个事件的时间长度。

本发明实施例中，采用次梯度法对功率因子进行迭代过程中，当|αn+1-αn|＞a时，具体迭代方法为；

步骤a：根据wn+1和qn计算出更新后的功率分配表pn+1；

根据wn+1和pn+1更新其对应的功率因子wn+2；

步骤b：判断是否满足|wn+2-wn+1|≤a：

若是，将qn+1作为次优能效值；

若否，重复执行步骤a，直至得到满足|wn+2-wn+1|≤a的功率因子，并将该功率因子对应的能效值作为次优能效值。

本发明实施例具体过程为：

本算法采用zf预编码器对信号进行预编码，根据zf准则，基站的预编码矩阵可以表示为基站采用zf预编码方案，在理想信道条件下，根据随机矩阵理论可得第k个用户的遍历可达速率下界为因此，具有k个用户的massivemimo下行通信系统的系统容量下界为

能量采集模型中采用泊松分布对能量采集器中的随机能量到达行为进行建模。能量采集的过程服从速率为λe的泊松计数过程。相邻的两次能量到达的时间间隔为其中b∈{1，2，...}。信道状态变化的过程，采用相干时间来描述信道的特性。

在相干时间内，信道的状态是相同的。在整个传输过程中，假设每一次的能量到达或者csi(信道状态)改变为一个事件，相邻事件的时间记作一个epoch，长度为li＝ti-ti-1。在相邻epoch内，没有能量到达也没有信道的变化，所以时隙i的发功率恒定为pi。由于能量的到达在随机时间且电池存储容量有限，所以功率分配策略受到能量的因果约束和电池存储容量约束。能量因果约束和电池存储容量约束。能量因果约束指当前时刻消耗的可充电电池中的能量要小于当前采集的总能量。电池存储容量指存储在可充电电池的容量要小于可充电电池最大的容量限制。用公式表示为在连续时[0，t]间内，假设信道变化次数为n，能量到达次数为d，则总的时隙数q＝n+d+1，则在t时间段内的系统总吞吐量r(p)和系统总功耗ptotal(p)可以表示为

使得能效最大化的功率分配策略的数学模型为：

s.t.c1：

c2：

c3：

c4：

c5：

c6：

c7：

其中，为优化变量。和分别是在时隙i由采集能量和电网为用户k提供的发射功率；和分别是在时隙i由采集能量和电网为用户k提供的电路功率。

功率因子wn包括多个因子，分别满足以下要求，c1表示用户的最低速率要求，其中rmin是用户的最低速率；c2表示能量采集的能量因果约束；c3表示无能量溢出条件；c4表示电网为基站提供的最大功率不能超过c5设置了基站的传输功率不能超过pmax；c6描述电路功耗的组成部分；c7是对功率分配变量的非负约束。

观察上式，该问题为非线性分数规划问题，为了得到有效的功率分配，可将目标函数等价转换为凸优化问题，再进行求解。令q＝r(p)/ptotal(p)，新的函数为

当且仅当f(q)＝0时，获得最大能效q^*。因此目标函数的求解转换为求f(q)＝0的根，

根据现有技术，dinkelbach算法的收敛速度要优于二分法的收敛速度，所以采用dinkelbach算法来寻找该根。

在原优化问题中，由于c6为等式约束，则可以用来代替；c7为优化变量的非负约束，只需在最后求出的负功率值赋值为0即可，从而省略约束条件c6和c7。此时，优化变量

该问题可以通过拉格朗日函数和kkt条件来求解，将原优化问题转化为不含约束条件的优化问题，则优化问题对应的拉格朗日函数表示为：

其中，γ是拉格朗日乘子，对应约束条件c1。注α，μ，v，ψ分别是对应约束条件c2，c3，c4，c5的拉格朗日乘子。这些拉格朗日乘子组成了影响因子wn，根据定义，原优化问题的对偶问题表示如下：

其对偶问题的求解分为两部分：第一部分是根据给定的能效qn和拉格朗日乘子求出最优的p；第二部分根据次梯度法对拉格朗日乘子进行更新，将更新后的拉格朗日乘子再带入第一部分，通过不断迭代找到给定能效qn下的最优分配功率p^*。首先进行第一部分的求解，在给定拉格朗日乘子的情况下，采用kkt条件对优化问题进行求解，令：

根据上式，在时隙i采集能量提供给用户k的最优发射功率为：

其中，[x]⁺＝max[0，x]。本发明采用混合能量供应方式，只有当可充电电池中的能量不足时，才会使用电网作为补充能源，因此，设则的表达式转换为：

同样采用kkt条件，对拉格朗日函数关于的最优值求偏导。

令：即

根据上式，在时隙i由电网为用户k提供的最优发射功率为：

该电网提供的发射功率受限于由采集能量提供的发射功率，本发明实施例设计的算法的初衷是：基站首先利用采集能量进行供电，当采集能量不足时，电网作为辅助能源，继续供应电量以保证基站的正常运行。

根据所设定的能量使用策略可知，采集能量用于电路功率的最优值与用于发射功率的最优值有关，所以，时隙i由采集能量和电网提供的最优电路功率分别表示为：

其中，表示：当x＞pc时，当0≤x≤pc时，当x＜0时，如果采集能量不足以支持电路功耗，即则基站也将从电网获取能量。至此，所有的功率最优值已经被求解出来。

接下来，进行第二部分的求解，即采用次梯度法更新拉格朗日乘子：

其中，l，i∈{1，..，q}，为迭代更新步长，t为迭代次数。

验证实施例：

通过matlab仿真来验证所述该方法的收敛情况，假设用户数为10，混频器功耗pmix为30.3mw，滤波器功耗pfilt为2.5mw，噪声功率方差n0为-128dbm，模数转换功耗padc为6.7mw，频率合成器功耗psyn为50mw，阴影衰落标准差δ²为8db。图4为在平均能量采集速率为3j/s时的能效对比图，该图表明：平均功率算法的能效值是先增大后减小，本发明所提出的算法尽管是下降的，但其能效值优于平均功率分配的能效值。