一种基于数字孪生的基站功耗优化方法

1.本发明涉及基站功耗优化，特别是涉及一种基于数字孪生的基站功耗优化方法。


背景技术：

2.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。
3.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。


技术实现要素：

4.本发明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。
5.本发明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。
6.本发明的有益效果是：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
7.图1为本发明的方法流程图。
具体实施方式
8.下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
9.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。
10.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。
11.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。
12.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。
13.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。
14.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。
15.所述全网蜂窝网络的数字孪生体由电磁传播模型、业务流量时空模型和功耗模型构成，运行原理如下：将第个基站在时刻所处的坐标，系统中用户在时刻所处的坐标，在时刻系统的三维环境模型，第个基站在时刻的配置，在时刻系统中用户接收端的配置作为电磁传播模型的输入，由电磁传播模型输出第个基站时刻的覆盖范围；将第个基站在时刻的工参信息，第个基站在时刻与相邻小区间的切换数据，第个基站在时刻的负载信息，第个基站在时刻的兴趣点数据，当前时刻之前个时刻的业务流量
作为业务流量时空模型的输入，由业务流量时空模型输出第个基站在时刻的业务流量；将第个基站在时刻的运行状态、第个基站在时刻的通道关断信息、第个基站在时刻的载波关断信息、第个基站在时刻时的设备温度、第个基站在时刻时所处的环境底噪、第个基站在时刻时所呈现的设备特征属性、电磁传播模型输出的、业务流量时空模型输出的，输入到功耗模型中，由功耗模型输出功耗；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；假设在系统中，在时刻时，网络中第个用户的用户满意度由用户满意度模型给出，记为：模型给出，记为：其中，表示系统中第个用户在时刻所处的坐标，表示在时刻系统中第个用户接收端的配置。
16.该用户满意度模型采用机器学习算法训练获得，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。首先根据机器学习算法构建用户满意度模型，所述用户满意度模型的输入层共有8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，用户编号为，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，则对于单个用户，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。
17.同时，第个用户的用户满意度不能低于预设阈值，即
。
18.s3.基于数字孪生体，在用户感知约束条件下，利用强化学习最小化网络功耗，获得对应的最优网络配置。
19.计算系统在时刻的功耗为：确定目标函数为：最小化系统功耗，确定约束条件为：应满足系统内用户在时刻的用户满意度不允许低于预设值，假设在该系统中，有个用户，系统中第个用户在时刻的用户满意度需满足：其中，。
20.即需要满足：对，；确定满足用户满意度需求的系统功耗最小值的问题：确定满足用户满意度需求的系统功耗最小值的问题：确定满足用户满意度需求的系统功耗最小值的问题：。
21.优化的目标函数为系统在时刻的总功耗：：优化的约束条件为系统功耗在时刻时满足所有用户的用户满意度要求：以强化学习为例，在强化学习的每一次交互过程中，动作为将每一个基站的运行状态进行调整，代表开启第个基站，代表关闭第个基站；状态为此时刻任意用户的用户满意度；奖励为动作完成后系统总功耗的减少量;
在强化学习训练过程中，若出现对某个用户来说，用户满意度不满足要求的情况：则需要对学习的目标函数加上惩罚项进行修正，当基站的用户满意度不满足用户的要求时，，惩罚项将不再为0，修正后的目标函数如下：，惩罚项将不再为0，修正后的目标函数如下：在强化学习的过程中，采用策略网络和价值网络两个网络来进行学习：策略网络负责与环境进行交互，并且在价值函数的指导下学习更好的策略，价值网络负责用策略网络和环境交互收集的数据集学习一个价值函数，帮助策略网络进行策略更新，目标函数的梯度中有一项轨迹回报，用来进行策略的更新，价值网络中采取时序差分残差的学习方式，定义出价值函数的损失函数，通过梯度下降的方法进行价值网络参数的更新；因此，在每一轮的交互中，先对当前策略采样，计算出价值函数的梯度，更新价值网络参数，然后在新的价值函数的指导下，更新策略网络的参数；如此进行多轮交互后，当目标函数不再减少时，便停止学习，记录下此时每个基站的状态，从而得到系统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，至此，强化学习过程训练完成。
22.本技术以actor-critic神经网络为实施例。其中，动作的函数为，代表着时刻对每一个基站的运行状态进行调整；状态的函数为，代表着时刻用户的用户满意度；奖励的函数为，代表着时刻动作完成后系统总功耗的减少量。critic价值网络表示为，参数为，采用时序差分残差的学习方式，将价值函数的损失函数定义为：因此，价值函数的梯度可得到：actor策略网络的参数为，将策略网络的目标函数定义为：对其求梯度可得到：
其中采用时序差分残差的形式：在得到价值网络和策略网络的函数和梯度后，可以进行强化学习。首先初始化策略网络参数，价值网络参数。然后在每一轮的交互中，先用当前策略采样轨迹，然后为每一步数据计算：，再根据梯度依次更新价值网络参数和策略网络参数。如此进行多轮交互后，当目标函数不再减少时，便停止学习。
23.上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

技术特征：
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；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。7.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：所述全网蜂窝网络的数字孪生体由电磁传播模型、业务流量时空模型和功耗模型构成，运行原理如下：将第个基站在时刻所处的坐标，系统中用户在时刻所处的坐标，在时刻系统的三维环境模型，第个基站在时刻的配置，在时刻系统中用户接收端的配置作为电磁传播模型的输入，由电磁传播模型输出第个基站时刻的覆盖范围；将第个基站在时刻的工参信息，第个基站在时刻与相邻小区间的切换数据，第个基站在时刻的负载信息，第个基站在时刻的兴趣
点数据，当前时刻之前个时刻的业务流量作为业务流量时空模型的输入，由业务流量时空模型输出第个基站在时刻的业务流量；将第个基站在时刻的运行状态、第个基站在时刻的通道关断信息、第个基站在时刻的载波关断信息、第个基站在时刻时的设备温度、第个基站在时刻时所处的环境底噪、第个基站在时刻时所呈现的设备特征属性、电磁传播模型输出的、业务流量时空模型输出的，输入到功耗模型中，由功耗模型输出功耗。8.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s2中，假设在系统中，在时刻时，网络中第个用户的用户满意度由用户满意度模型给出，记为：模型给出，记为：其中，表示系统中第个用户在时刻所处的坐标，表示在时刻系统中第个用户接收端的配置；该用户满意度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用户满意度模型，所述用户满意度模型的输入层共有8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，用户编号为，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，则对于单个用户，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，得到训练好的用户满意度模型。9.根据权利要求8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：所述全网蜂窝网络用户满意度的约束条件如下；第个用户的用户满意度不能低于预设阈值，即
。10.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s3包括：根据全网蜂窝网络的数字孪生体，计算系统在时刻的功耗为：为：为了对基站进行能耗优化，需要最小化系统功耗，根据全网蜂窝网络的数字孪生体输出功耗的限定条件，在最小化系统功耗时，需要满足：采用强化学习的方式，在强化学习的每一次交互过程中，动作为将每一个基站的运行状态进行调整，代表开启第个基站，代表关闭第个基站；状态为此时刻任意用户的用户满意度；奖励为动作完成后系统总功耗的减少量;在强化学习训练过程中，若出现对某个用户来说，用户满意度不满足要求的情况，即：则需要对学习的目标函数加上惩罚项进行修正，当用户满意度不满足要求时，，修正后的目标如下：，修正后的目标如下：在强化学习的过程中，采用策略网络和价值网络两个网络来进行学习：其中，策略网络用于与环境进行交互，并且在价值函数的指导下学习策略，价值网络负责用策略网络和环境交互收集的数据集学习一个价值函数，帮助策略网络进行策略更新，目标函数的梯度中有一项轨迹回报，用来进行策略的更新；价值网络中采取时序差分残差的学习方式，定义出价值函数的损失函数，通过梯度下降的方法进行价值网络参数的更新；在每一轮的交互中，先对当前策略采样，计算出价值函数的梯度，更新价值网络参数，然后在新的价值函数的指导下，更新策略网络的参数；如此进行多轮交互后，当目标函数不再减少时，便停止学习，记录下此时每个基站的状态，从而得到系统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。

技术总结
本发明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。


技术研发人员：黄川 秦晓琦 崔曙光 钟云 蓝万顺 刘大洋
受保护的技术使用者：北京邮电大学 中国移动通信集团广东有限公司
技术研发日：2023.08.09
技术公布日：2023/9/9