分布式天线系统中基于天线选择的能量效率优化

汪乔瑜; 崔海霞

doi:10.6054/j.jscnun.2020103

分布式天线系统中基于天线选择的能量效率优化

汪乔瑜^{1, 2},
崔海霞^1, ,

1.
华南师范大学物理与电信工程学院，广州 510006
2.
中国联合网络通信有限公司绍兴市分公司，绍兴 312000

基金项目:

国家自然科学基金项目 61871433

国家自然科学基金项目 61828103

国家自然科学基金项目 61201255

广东省自然科学基金项目 2018A0303130141

广州市科技计划项目 201707010490

详细信息

通讯作者:
崔海霞，教授，Email:cuihaixia@m.scnu.edu.cn

中图分类号: TN929.5
计量
- 文章访问数: 651
- HTML全文浏览量: 248
- PDF下载量: 62
出版历程
- 收稿日期: 2020-01-06
- 网络出版日期: 2021-01-04
- 刊出日期: 2020-12-24

Energy Efficiency Optimization Based on Antenna Selection in Distributed Antenna Systems

WANG Qiaoyu^{1, 2},
CUI Haixia^1, ,

1.
School of Physics and Telecommunication Engineering, South China Normal University, Guangzhou 510006, China
2.
Shaoxing Branch of China United Network Communications Co. LTD, Shaoxing 312000, China

摘要

摘要: 为了进一步解决无线通信系统的能量消耗问题, 以分布式天线系统单小区为模型，提出了一种将天线选择和功率分配技术相结合的最大能量效率优化算法(max-ANPO-EE算法)：通过选取用户一定距离范围内的天线后，利用拉格朗日函数和次梯度得到各个天线的最优发送功率，从而推导出相应的能量效率性能表达式，得到最优的能量效率.仿真结果表明：在用户和天线随机分布的单蜂窝小区网络内，max-ANPO-EE算法能获得比较好的性能.
- 分布式天线系统 /
- 天线选择 /
- 功率分配 /
- 能量效率优化
Abstract: An algorithm of maximum energy efficiency optimization (max-ANPO-EE algorithm) that combines antenna selection and power allocation technology is proposed, based on a single-block model for the distributed antenna system, to solve the problem of energy consumption of the wireless communication system. The optimal energy efficiency can be achieved by choosing the antennas within a certain distance from the user, calculating the optimal transmit power of each antenna with Lagrange function and gradient and deducing the expression of the correspon-ding energy efficiency performance. The simulation results show that the max-ANPO-EE algorithm can achieve be-tter performance in a single-cell network with random distribution of users and antennas.
- distributed antenna system /
- antenna selection /
- power distribution /
- energy efficiency optimization

HTML全文

在过去的十几年中，无线通信系统的发展造成了能源消耗的急剧增加^[1-3].据统计，通信业全球年平均能源消耗增长率高达1.4%，二氧化碳排放量上升了73%，而我国平均温室气体排放量是世界平均水平的1.4倍^[4]，移动通信产业的耗能跻身信息产业耗能的前列^[5-7]，绿色通信系统迫在眉睫^[8].

在此背景下，无线通信系统的性能指标要求提高为既要最大化服务质量又要最小化能量消耗.于是，部分学者提出把能量效率作为衡量绿色通信系统的标准之一^[9-18].现有这方面的算法主要包括最优天线选择节能算法、递减算法、递增算法、最大范数节能算法和单功率控制算法等，这些算法虽然能获得最高的信道容量或能量效率性能, 但是计算复杂度太高，消耗时间太长.文献[11]提出的基于凸优化的分布式天线系统发射端下行天线选择算法，大大提升了系统的信道容量，从而可知：合理的天线选择不仅可以节约分布式天线系统的能量成本，还可以提升频谱效率性能.由此，MAHBOOB等^[13]研究了在天线数量远远多于用户数量时系统能量的损耗；JALOUN和GUENNOUN^[14]考虑多天线的电路消耗并使用天线选择技术来增加系统的能量效率；FENG等^[15]以用户为中心，研究了蜂窝式大规模密集分布式天线系统，提出的协作波束赋形解决了信道信息准确性问题.关于能量效率优化问题，代伟朋^[16]提出了3个算法，其中第1个算法(min-Power算法)实现了最小化系统的总功率消耗，使得系统的能量效率保持在一个低数值，但系统的服务质量不高；第2个算法(max-Rate算法)实现了最大化传输速率，使得系统的能量效率随着最大功率先增加后减少；由于min-Power算法得到的系统的能量效率值的跨度范围比较大，max-Rate算法的系统的能量效率优化性能不稳定，因此，在这2个算法的基础上，得到了第3个算法(max-EE算法)，实现了一种基于最大化能量效率的资源配置，但由于没有考虑随机用户的统计特性，该算法对随机用户的随机移动并不敏感，频繁变化的拓扑结构导致该算法的实际意义有限.

文献[16]的算法只考虑每个天线只服务于单个用户，从而造成了天线资源的严重浪费，对系统的能量效率的优化效果并不明显.为了进一步解决天线选择和功率分配技术相结合的最优化系统的能量效率问题，本文在max-EE算法的基础上，在单小区蜂窝网络内、分布式天线多用户环境下，提出了一种将天线选择和功率分配技术相结合的最优能量效率算法(max-ANPO-EE算法)：首先，使用户选取特定距离范围内的天线以形成一个虚拟的系统模型，利用分式规划将能量效率目标函数的非凸优化问题转为凸优化问题；然后，利用拉格朗日函数法得到这个系统中天线单元最优的传输功率，并根据天线与用户间的信道条件比值分配的功率得到相应的能量效率.最后，在不同用户数和天线数下，分析max-ANPO-EE算法的不同迭代次数下的系统的能量效率，并与文献[16]的min-Power、max-Rate、max-EE算法在系统的能量效率方面进行比较.

1. 系统模型

单蜂窝小区网络内，随机分布着L根天线和K个用户，所有天线相互独立，天线与基站的接通方式是通过光纤或同轴电缆(图 1).单根天线可以同时服务于多个用户，单个用户也可以同时由多根天线为其服务.

图 1 单蜂窝小区的分布式天线系统的网络结构

Figure 1. The network structure of a distributed antenna system in a single-cell housing estate

下载: 全尺寸图片幻灯片

本文考虑下行传输信道，且信道状态信息已知的情况.设天线的传输功率为P_{l, k}，其中l和k分别表示第l根天线和第k个用户，则第k个用户所接收到的信息为：

${y_k} = \sum\limits_{l = 1}^L {\sqrt {{P_{l,k}}} } {h_{l,k}}{x_l} + {z_k}\quad (k = 1,2, \cdots ,K;l = 1,2, \cdots ,L),$

其中：x_l是天线l的发射信号，满足 $E\left( {{x^2}_l} \right) = 1;{z_k}$ 是方差为δ²的加性高斯白噪声；h_{l, k}是相应的衰落信道增益：

${h_{l,k}} = {w_{l,k}}{g_{l,k}},$

其中:g_{l, k}表示小尺度衰落信息，是零均值单位方差的独立同分布复高斯随机变量^[16]；w_{l, k}表示大尺度衰落信息，包括阴影衰落和路径损耗，表达式为：

${w_{l,k}} = \sqrt {\frac{{{S_{l,k}}}}{{{{({d_{l,k}})}^\alpha }}}} ,$

其中：S_{l, k}是均值为0、方差为σ_{l, k}的高斯随机变量，表示对数阴影衰落；d_{l, k}是用户k与天线l间的距离；α是路径损耗因子.

系统消耗的总功率损耗包括静态功率损耗P_s和动态功率损耗P_d：

${P_{{\rm{ total }}}} = {P_{\rm{s}}} + {P_{\rm{d}}}.$

(1)

静态功率损耗由电路功率消耗和回程功率消耗组成：

${P_{\rm{s}}} = L{P_{{\rm{ circuit }}}} + K{P_{{\rm{ equipment }}}} + {P_{{\rm{ base }}}} + {P_{{\rm{ return }}}},$

(2)

其中:P_circuit是每根天线的固定电路功率损耗；P_equipment是每个用户设备的功率损耗；P_base是基站的信号处理功率损耗；P_return是回程链路的信号传输功率损耗.

动态功率损耗表示天线消耗的信号传输功率：

${P_{\rm{d}}} = \sum\limits_{l = 1}^L {\sum\limits_{k = 1}^K {{v_{l,k}}} } \frac{{{P_{l,k}}}}{\tau },$

(3)

其中： $\tau$ 是功放效率；P_{l, k}与天线服务的用户数及天线与用户间的信道增益有关；v_{l, k}是信道增益比例系数，其值与天线多用户分配功率的比值有关.

2. max-ANPO-EE算法

本文以分布式天线系统单小区为模型，提出了一种将天线选择和功率分配技术相结合的能量效率优化算法(max-ANPO-EE算法).

2.1 基于天线选择的优化问题建模

天线与用户之间的距离是计算信道条件好坏的重要影响因素之一，本文中K个用户与L根天线随机分布在半径为R的正六边形小区内.将任意用户k的一定距离范围内的天线组合为一个集合V_k，V_k是这个集合的元素数，这个距离范围由半径R及网络密度所决定.单根天线最多可同时服务于K个用户，每个用户最多可被L根天线同时服务.

假设任意天线l服务于多个用户，则天线l的总传输功率为：

$\sum\limits_{k = 1}^K {{P_{l,k}}} = \sum\limits_{k = 1}^{{k_1}} {{v_{l,k}}} {P_{l,k}} + \sum\limits_{k = 1}^{{k_2}} {{v_{l,k}}} {P_{l,k}},$

其中， ${k_1}、{k_2}({k_1} \ne {k_2})$ 分别是天线l服务的用户中由单天线、多天线服务的用户数；v_{l, k}是信道增益比例系数.假定天线初始默认传输功率为P，则

$\sum\limits_{k = 1}^{{k_1}} {{v_{l,k}}} {P_{l,k}} = (j - c)P,\sum\limits_{k = 1}^{{k_2}} {{v_{l,k}}} {P_{l,k}} = \sum\limits_{k = 1}^c {\frac{{|{h_{l,k}}{|^2}}}{{\sum\limits_{l = 1}^n | {h_{l,k}}{|^2}}}} P,$

其中, $j\left( {j \in K} \right)$ 是天线l服务的用户数，c是天线l服务的用户中由多天线服务的用户数，j-c是由天线l服务的用户中只由单天线服务的用户数, n表示服务c个用户的多天线的个数, n∈L.

于是，系统的总传输功率可表示为：

$\sum\limits_{l = 1}^L {\sum\limits_{k = 1}^K {{P_{l,k}}} } = \sum\limits_{l = 1}^L {(j - c)} P + \sum\limits_{l = 1}^L {\sum\limits_{k = 1}^c {\frac{{|{h_{l,k}}{|^2}}}{{\sum\limits_{l = 1}^n | {h_{l,k}}{|^2}}}} } P.$

本文将能量效率定义为系统的总传输速率R_total和系统的总消耗功率P_total的比值(即每单位功率能够达到的传输速率，单位是bit/J)：

${\rm{EE}} = \frac{{{R_{{\rm{total}}}}}}{{{P_{{\rm{total}}}}}},$

(4)

其中，R_total通过香农公式^[16]得到，假定R_k为任意用户k的传输速率，则

$\begin{array}{*{20}{c}} {{R_{{\rm{ total }}}} = \sum\limits_{k = 1}^K {{R_k}} ,}\\ {{R_k} = {{\log }_2}(1 + \sum\limits_{l \in Vk} {{\gamma _{l,k}}} ),} \end{array}$

(5)

其中，γ_{l, k}是第l根天线到用户k的接收信噪比，其表达式为：

${\gamma _{l,k}} = \frac{{{P_{l,k}}|{h_{l,k}}{|^2}}}{{\sum\limits_{m \in {V_{i,k}}} {{P_{m,i}}} |{h_{m,k}}{|^2} + {\delta ^2}}},$

(6)

其中，V_{i, k}是其他任意用户i对用户k造成的干扰天线集合.

综上可得

${R_{{\rm{ total }}}} = \sum\limits_{k = 1}^K {{{\log }_2}} \left( {1 + \frac{{\sum\limits_{l \in {V_k}} {{P_{l,k}}} |{h_{l,k}}{|^2}}}{{\sum\limits_{i \ne k} {\sum\limits_{m \in {V_{i,k}}} {{P_{m,i}}} } |{h_{m,k}}{|^2} + {\delta ^2}}}} \right).$

(7)

因此，根据式(4)和式(6)，系统的能量效率值可以写为：

${\rm{EE}} = \frac{{\sum\limits_{k = 1}^K {{{\log }_2}} \left( {1 + \frac{{\sum\limits_{l \in {V_k}} {\sum\limits_{k = 1}^K {{v_{l,k}}} } {P_{l,k}}|{h_{l,k}}{|^2}}}{{\sum\limits_{i \ne k} {\sum\limits_{m \in {V_{i,k}}} {{v_{m,i}}} } {P_{m,i}}|{h_{m,k}}{|^2} + {\delta ^2}}}} \right)}}{{L{P_{{\rm{ circuit }}}} + K{P_{{\rm{ equipment }}}} + {P_{{\rm{ base }}}} + {P_{{\rm{ return }}}} + \frac{1}{\tau }\sum\limits_{l = 1}^L {\sum\limits_{k = 1}^K {{v_{l,k}}} } {P_{l,k}}}}.$

(8)

于是，能量效率优化问题O可以建模为:

$\begin{array}{*{20}{l}} {O:\max {\rm{EE}}}\\ {{\rm{ s}}{\rm{.t}}{\rm{. }}{\mathrm{B}_1}:{\rm{pr}}_k^{{\rm{ out }}} \le {\rm{pr}}_{{\rm{ th }}}^{{\rm{ out }}}}\\ {\qquad \begin{array}{*{20}{l}} {{\mathrm{B}_2}:\sum\limits_{k = 1}^K {{v_{l,k}}} {P_{l,k}} \le {P_{\max }},\forall k,l,}\\ {{\mathrm{B}_3}:\forall {P_{l,k}} \ge 0,\forall k,l,} \end{array}} \end{array}$

(9)

其中:B₁至B₃均代表优化条件，B₁表示每个用户的最低链路需求，B₂表示每根天线在传输信号时总功率不超过最大传输功率P_max，B₃表示天线传输功率大于零；pr_th^out是中断概率最小门限，与其相对应的信噪比门限为γ_th；pr_k^out是用户k链路条件不能满足系统最低链路要求时发生中断事件的概率，其表达式为：

${\rm{pr}}_k^{{\rm{ out }}} = {\rm{Pr}} (\sum\limits_{l \in {V_k}} {{\gamma _{l,k}}} \le {\gamma _{{\rm{th}}}}).$

(10)

根据用户k的复合衰落信道增益的概率分布函数^[19]：

$f_h^k(x) \approx \frac{\varepsilon }{{\sqrt {2{\rm{ \mathit{ π} }}} {\sigma _k}x}}\exp \left[ { - \frac{{{{(10{{\log }_{10}}x - {\varphi _k})}^2}}}{{2\sigma _k^2}}} \right],$

其中，φ_k、σ_k分别是用户k的复合衰落信道增益的标准期望、方差，ε=10/ln10，可得用户k的信道中断概率：

${\rm{pr}}_k^{{\rm{out}}} = Q\left( {\frac{{{\varphi _k} - 10{{\log }_{10}}{\gamma _{{\rm{th}}}}}}{{{\sigma _k}}}} \right),$

其中，Q函数表达式为：

$Q(x) = \int\limits_x^\infty {\frac{1}{{\sqrt {2{\rm{ \mathit{ π} }}} }}} \exp \left( { - \frac{1}{2}{y^2}} \right){\rm{dy}}.$

2.2 基于能量效率的功率分配方案

优化问题O是非凸的，其解决方法复杂而且闭式解很难得到.为此，本文将优化问题O转换成一个减数等价表达形式O′：

$\begin{array}{*{20}{l}} {{O^\prime }:\max F(P,q) = {R_{{\rm{ total }}}} - q * {P_{{\rm{ total }}}},}\\ {{\rm{ s}}{\rm{.t}}{\rm{. }}{\mathrm{B}_1},{\mathrm{B}_2},{\mathrm{B}_3},} \end{array}$

(11)

其中，q是一个引入变量.对q进行更新迭代，若优化目标收敛，则结束迭代；若其不收敛，则继续更新q，再次求解问题O′直至优化目标收敛或达到最大迭代次数为止.由于优化问题O的分子是减数，分母是被减数，则等价形式O′的结果与原问题的结果等价，可运用Dinkelbach理论^[20]进行多次迭代，以得到等价形式O′的优化参数值.

本文通过拉格朗日函数求解等价形式O′的最优功率分配:

$\begin{array}{*{20}{l}} {L(P,\lambda ,\mu ) = }\\ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_{k = 1}^K {{{\log }_2}} \left( {1 + \frac{{\sum\limits_{l \in {V_k}} {{v_{l,k}}} {P_{l,k}}|{h_{l,k}}{|^2}}}{{\sum\limits_{i \ne k} {\sum\limits_{m \in {V_{i,k}}} {{v_{m,i}}} } {P_{m,i}}|{h_{m,k}}{|^2} + {\delta ^2}}}} \right) + \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_{l = 1}^L {{\lambda _l}} ({P_{\max }} - \sum\limits_{k = 1}^K {{v_{l,k}}} {P_{l,k}}) + \sum\limits_{k = 1}^K {{\mu _k}} ({\rm{pr}}_{{\rm{th}}}^{{\rm{out}}} - {\rm{pr}}_k^{{\rm{ out }}}) - \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} q(\sum\limits_{l = 1}^L {\frac{1}{\tau }} \sum\limits_{k = 1}^K {{v_{l,k}}} {P_{l,k}} + L{P_{{\rm{ circuit }}}} + K{P_{{\rm{ equipment }}}} + {P_{{\rm{ base }}}} + {P_{{\rm{ return }}}}), \end{array} \end{array}$

(12)

其中， $\lambda$ 、μ分别代表条件B₁、B₂下的拉格朗日因子.利用拉格朗日函数L(P, $\lambda$ 、μ)对P_{l, k}求导并令其等于0，可得

$P_{l,k}^* = \frac{{1 + {\mu _k}}}{{\ln 2(\frac{q}{\tau } + {\lambda _l})}} - \frac{{\sum\limits_{i \ne k} {\sum\limits_{m \in {V_{i,k}}} {{v_{m,i}}} } {P_{m,i}}|{h_{l,k}}{|^2} + {\delta ^2}}}{{|{h_{l,k}}{|^2}}}.$

(13)

对干扰集合V_{i, k}造成的干扰和噪声取上限值δ₁²， $\lambda$ 、μ可由次梯度迭代方式获得：

${{\lambda _l}(t + 1) = {{[{\lambda _l}(t) - \delta (t)\Delta {\lambda _l}(t)]}^ + },}$

(14)

${{\mu _k}(t + 1) = {{[{\mu _k}(t) - \omega (t)\varDelta {\mu _k}(t)]}^ + },}$

(15)

其中， $[x]^{+}=\max [0, x], \Delta \lambda_{l}, \Delta \mu_{k}$ 与优化条件B₁、B₂相关，t代表迭代次数，在该迭代算法中充分小的正步长由δ(t)=ω(t)=0.1/t表示.

因此，能量效率值可以计算为：

$\begin{array}{l} {\rm{EE}} = \sum\limits_{k = 1}^K {{{\log }_2}} \left( {1 + \frac{{\sum\limits_{l \in {V_k}} {((} j - c)P + \sum\limits_{k = 1}^c {\frac{{|{h_{l,k}}{|^2}}}{{\sum\limits_{l = 1}^n | {h_{l,k}}{|^2}}}} P)|{h_{l,k}}{|^2}}}{{\sum\limits_{i \ne k} {\sum\limits_{m \in {V_i}(k)} {{v_{m,i}}} } {P_{m,i}}|{h_{l,k}}{|^2} + {\delta ^2}}}} \right) \times \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \begin{array}{*{20}{l}} {(L{P_{{\rm{ circuit }}}} + K{P_{{\rm{ equipment }}}} + {P_{{\rm{ base }}}} + {P_{{\rm{ return }}}} + }\\ {\frac{1}{\tau }\sum\limits_{k = 1}^K {\sum\limits_{l \in {V_k}} {((} } j - c)P + \sum\limits_{k = 1}^c {\frac{{|{h_{l,k}}{|^2}}}{{\sum\limits_{l = 1}^n | {h_{l,k}}{|^2}}}} P){)^{ - 1}}.} \end{array} \end{array}$

(16)

2.3 max-ANPO-EE算法步骤及复杂度分析

基于2.1和2.2，本节给出max-ANPO-EE算法的详细步骤：

步骤1：初始化 $\lambda$ 、μ，迭代次数最大值t_max=10，误差容忍值s₁=s₂=10^-6，初始迭代次数t=0, q(0)=0.

步骤2：根据式(13)计算系统条件下天线的传输功率 ${P_{l, k}}\left( t \right)$ ；再根据式(14)、(15)更新 $\lambda$ ，并更新迭代次数使得t=t+1.

步骤3：判断条件 $\|\lambda(t+1)-\lambda(t)\|<s_{1}$ 和 $\| \mu(t+1)-$ $\mu (t) < {s_2}$ 或者t=t_max是否满足，若满足1个条件则算法收敛，输出功率P_{l, k}(t+1)，进行步骤4，否则返回步骤2.

步骤4：根据式(8)计算能量效率，判断条件 $\left|R_{\text {total }} P_{l, k}(t+1)-q(t+1) P_{\text {total }} P_{l, k}(t+1)\right|<s_{2}$ 和条件t=t_max是否满足.若满足其中1个条件则算法收敛，输出最优功率P^*_{l, k}，再根据式(16)计算最优功率P^*_{l, k}下系统的能量效率值 $\mathrm{EE}_{P_{l, k}^{*}}=\frac{R_{\text {total }}}{P_{\text {total }}}$ ，算法结束；否则进行步骤5.

步骤5：设置 $q\left( {t + 1} \right) = {\rm{E}}{{\rm{E}}_{P_{l, k}^*}}$ ，更新迭代次数 $t = t + 1$ ，返回步骤2.

由max-ANPO-EE算法的步骤可以看出：max-ANPO-EE算法的复杂度相对较低，计算量也不大，可以实现较高效率的资源配置.但与文献[16]的max-EE算法相比，其优势并不明显，2个算法的复杂度相差不大，属于同一个复杂度级别.

3. 仿真结果与分析

本文使用MATLAB，在不同用户数和天线数条件下，验证max-ANPO-EE算法的收敛性能及与文献[16]的min-Power、max-Rate、max-EE算法的系统的能量效率进行对比.在此次仿真过程中，用户和天线随机分布在单小区中，信道模型主要由大尺度衰落和瑞利衰落构成.

3.1 参数设定

所有天线和终端用户节点随机分布在半径R=500 m的正六边形小区，天线数L分别取为5、10、15、20；用户数K分别取为3、6、9、12；路径损耗指数α=3.76；阴影衰落标准差_{l, k}=8 dB；功率放大器效率 $\tau = 0.38$ ；噪声功率和干扰的上限值δ₁²=-104 dBm；P_circuit=0.1 W, P_equipment=2 W, P_base=0.2 W, P_return=0.2 W, P_max=35 dBm.

3.2 仿真分析

3.2.1 max-ANPO-EE算法的系统的能量效率分析

由max-ANPO-EE算法在不同用户数下的系统的能量效率(图 2)可知：当迭代次数为15次时，max-ANPO-EE算法收敛，系统的能量效率达到最优值；当K=3时，系统的能量效率相对较大，这是因为用户速率虽然增多，但是为用户服务的天线数也在增多，导致系统消耗的电路功率也增大，前者不能弥补后者，使得系统的能量效率值下降.但是，以上结果不代表用户数越少则系统的能量效率越高，因为用户数量太多或太少都会引起系统的能量效率的不断变化.

图 2 不同用户数的系统的能量效率(L=10)

Figure 2. The energy efficiency of the system with different users(L=10)

下载: 全尺寸图片幻灯片

由max-ANPO-EE算法在不同天线数下的系统的能量效率(图 3)可知：max-ANPO-EE算法是可以收敛的；随着天线数目的增多而系统的能量效率有所减少，这是因为协作天线数增多导致系统的总功率消耗增多，从而导致系统的能量效率减少.同样，以上结果不能代表天线数越少则系统的能量效率越高，天线数过多或过少也会引起系统的能量效率的不断变化.

图 3 不同天线数的系统的能量效率(K=3)

Figure 3. The energy efficiency of the system with different antenna numbers(K=3)

下载: 全尺寸图片幻灯片

不同电路功率和功放效率下，系统的能量效率和P_max的关系()表明：电路功率损耗P_c增大将导致系统的能量效率减少；功放效率 $\tau$ 变大将提高传输速率，从而导致系统的能量效率升高.

图 4 不同电路功率损耗和功放效率下的系统的能量效率(K=3，L=10)

Figure 4. The energy efficiency of the system under different circuit power loss and amplifier efficiency(K=3, L=10)

下载: 全尺寸图片幻灯片

3.2.2 不同算法的能量效率对比

由max-ANPO-EE算法与max-Rate、min-Power、max-EE算法的性能对比(图 5)可知：(1)max-Rate算法采用最大速率传输，随着P_max的增加，系统的传输速率增加导致系统的能量效率不断升高；当到达系统的能量效率最高值后，随着P_max的增加，系统的功率消耗增大，则系统的能量效率开始降低. (2)min-Power算法的优化目标是系统的总功率消耗最小，系统的能量效率始终维持在0.54 bits/J，这是因为系统虽然满足了所有用户的服务质量要求，但吞吐量都接近最小值，因此，系统的总吞吐量并不高. (3)max-ANPO-EE算法利用天线选择和功率分配相结合的方式，通过拉格朗日函数和次梯度迭代最优化能量效率，其在满足网络中用户最低中断链路需求的前提下，最大化传输能量效率，不仅考虑了系统的总传输速率，也考虑了系统的总消耗功率，这使得总传输效率和总功率消耗之间有一个平衡，系统的整体稳定性能和能量效率都比较好. (4)max-ANPO-EE算法在系统的能量效率稳定性上很好，最大值和最小值不超过0.3 bits/J的变化，系统的能量效率的最小值为0.86 bits/J，与max-Rate算法的系统的能量效率的最大值(0.85 bits/J)相差不多；在整体能量效率值上，max-ANPO-EE算法的系统的能量效率高于min-Power算法的，max-ANPO-EE算法的系统的能量效率的最大值高于min-Power算法的系统的能量效率的2倍；随着P_max的增加，max-EE算法的系统的能量效率先增大后持平，当系统的能量效率没有达到最大值时，每个天线分配的功率为最大功率(P_max). max-EE算法的系统的能量效率达到最优后保持不变；max-ANPO-EE算法的系统的能量效率明显高于max-EE算法的系统的能量效率，这是因为max-ANPO-EE算法的功率分配方案使得系统的能量效率的变化很小.

图 5 4个算法在不同功率上限时的系统的能量效率对比(K=3，L=10)

Figure 5. The comparison of energy efficiency of the system among four algorithms under different maximal transmit powers(K=3, L=10)

下载: 全尺寸图片幻灯片

当K=3且L=10时，天线选择距离与系统的能量效率间的关系在max-Rate、min-Power算法之间的对比情况见图 6.由图可知max-ANPO-EE算法在系统的能量效率稳定性上优于max-Rate、min-Power算法：(1)max-Rate算法的系统的能量效率随着距离增加而下降. (2)为了使系统的总功率消耗最小，min-Power算法不考虑天线与用户间的距离，故与距离无关的系统的能量效率一直为定值. (3)在max-ANPO-EE算法中，随着选择距离变大，每根天线服务的用户数增多，系统的总功率消耗的增大趋势大于系统的总传输速率的增大趋势，使得系统的能量效率减小，但当用户数增多到6户时，系统的总传输速率变大，导致系统的能量效率开始升高; 当距离为700 m时，系统的能量效率为最低值(0.63 bits/J).

图 6 3个算法在距离不同时的系统的能量效率对比(K=3，L=10)

Figure 6. The comparison of energy efficiency of the system among three algorithms at different distances(K=3, L=10)

下载: 全尺寸图片幻灯片

4. 结论

本文主要研究了在分布式天线单小区系统中基于天线选择和功率分配的能量效率问题.首先，通过距离选取用户在一定范围内的天线，利用天线与用户间的信道增益的比值计算服务于多个用户的天线传输功率，从而调整每个用户的功率分配；然后，利用调整后的用户功率优化整个系统的能量效率；最后，提出了一种基于能量效率最优的天线选择优化算法(max-ANPO-EE算法).仿真结果表明：max-ANPO-EE算法适用于完全分布式网络中，在系统性能稳定性及随机性方面优于max-Rate、min-Power、max-EE算法.

图 1 单蜂窝小区的分布式天线系统的网络结构

Figure 1. The network structure of a distributed antenna system in a single-cell housing estate

下载: 全尺寸图片幻灯片

图 2 不同用户数的系统的能量效率(L=10)

Figure 2. The energy efficiency of the system with different users(L=10)

下载: 全尺寸图片幻灯片

图 3 不同天线数的系统的能量效率(K=3)

Figure 3. The energy efficiency of the system with different antenna numbers(K=3)

下载: 全尺寸图片幻灯片

图 4 不同电路功率损耗和功放效率下的系统的能量效率(K=3，L=10)

Figure 4. The energy efficiency of the system under different circuit power loss and amplifier efficiency(K=3, L=10)

下载: 全尺寸图片幻灯片

图 5 4个算法在不同功率上限时的系统的能量效率对比(K=3，L=10)

Figure 5. The comparison of energy efficiency of the system among four algorithms under different maximal transmit powers(K=3, L=10)

下载: 全尺寸图片幻灯片

图 6 3个算法在距离不同时的系统的能量效率对比(K=3，L=10)

Figure 6. The comparison of energy efficiency of the system among three algorithms at different distances(K=3, L=10)

下载: 全尺寸图片幻灯片

参考文献(20)

[1]	HAENGGI M, ANDREWS J G, BACCELLI F, et al. Stochastic geometry and random graphs for the analysis and design of wireless networks[J]. IEEE Journal on Selected Areas in Communications, 2009, 27(7):1029-1046. http://dl.acm.org/citation.cfm?id=1649958
[2]	FAGBOHUN O. Comparative studies on 3G, 4G and 5G wireless technology[J]. IOSR Journal of Electronics and Communication Engineering, 2014, 9(3):88-94. http://www.researchgate.net/publication/269965858_comparative_studies_on_3g4g_and_5g_wireless_technology
[3]	FORECAST C V. Cisco visual networking index: global mobile data traffic forecast update, 2014-2019[R\\OL]. (2015-03-13)[2020-04-28]. https://community.cisco.com/t5/wireless-mobility-documents/cisco-visual-networking-index-global-mobile-data-traffic/ta-p/3612708?attachment-id=142348&dtid=osscdc000283.
[4]	ZOU Y L, ZHU J, ZHANG R. Exploiting network cooperation in green wireless communication[J]. IEEE Transactions on Communications, 2013, 61(3):999-1010. http://ieeexplore.ieee.org/document/6415955/
[5]	GAN J S, LI Y Z, ZHOU S D, et al. On sum rate of multi-user distributed antenna system with circular antenna layout[C]//Proceedings of 2007 IEEE 66th Vehicular Technology Conference. Baltimore, Maryland: IEEE, 2007: 596-600.
[6]	OSSEIRAN A, BRAUN V, HIDEKAZU T, et al. The foundation of the mobile and wireless communications system for 2020 and beyond: challenges, enablers and technology solutions[C]//Proceedings of 2013 IEEE 77th Vehicular Technology Conference(VTC Spring). Dresden, Saxony: IEEE, 2013: 1-5.
[7]	FETTWEIS G, ZIMMERMANN E. ICT energy consumption-trends and challenges[C]//Proceedings of the 11th International Symposium on Wireless Personal Multimedia Communications. Lapland: Wireless Personal Multimedia Communications, 2008: 1-6.
[8]	BIANZINO A P, CHAUDET C, ROSSI D, et al. A survey of green networking research[J]. IEEE Communications Surveys & Tutorials, 2012, 14(1):3-20. http://ieeexplore.ieee.org/document/5677351
[9]	YANG A, JING Y D, XING C W, et al. Performance analy-sis and location optimization for massive MIMO systems with circularly distributed antennas[J]. IEEE Transactions on Wireless Communications, 2014, 14(10):5659-5671. http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6854183
[10]	HALILOGLU O, TOKER C, BULU G, et al. Energy efficient radio resource management in a coordinated multi-cell distributed antenna system[C]//Proceedings of 2014 IEEE 25th Aunual International Symposium on Personal, Indoor, and Mobile Radio Communication. Washington: IEEE, 2014: 872-876.
[11]	王莹, 谭文婷, 吴彬彬, 等.分布式天线系统中基于天线选择的容量分析[J].计算机工程, 2015, 41(3):283-286. http://d.wanfangdata.com.cn/Periodical/jsjgc201503053 WANG Y, TAN W T, WU B B, et al. Capacity analysis based on antenna selection in distributed antenna system[J]. Computer Engineering, 2015, 41(3):283-286. http://d.wanfangdata.com.cn/Periodical/jsjgc201503053
[12]	STATHAKIS E, WANG C, RASMUSSEN L K, et al. Low complexity adaptive antenna selection for cognitive radio MIMO broadcast channels[C]//Proceedings of 2012 IEEE Global Communications Conference(GLOBECOM). Anaheim, CA: IEEE, 2012: 3844-3849.
[13]	MAHBOOB S, MAHAPATRA C, LEUNG V C M. Energy-efficient multiuser MIMO downlink transmissions in ma-ssively distributed antenna systems with predefined capa-city constraints[C]//Proceedings of 2012 Seventh International Conference on Broadband, Wireless Computing, Communication and Applications. Victoria, BC: IEEE, 2012: 208-211.
[14]	JALOUN M, GUENNOUN Z. Wireless mobile evolution to 4G network[J]. Wireless Sensor Network, 2010, 2(4):309-317. http://www.mendeley.com/catalog/evolution-mobile-wireless-communication-networks-1g-4g/
[15]	FENG W, GE N, LU J H. Hierarchical transmission optimization for massively dense distributed antenna systems[J]. IEEE Communications Letters, 2015, 19(4):673-676. http://ieeexplore.ieee.org/document/7036045/
[16]	代伟朋.分布式天线系统中基于能效的资源分配方案研究[D].重庆: 重庆邮电大学, 2017. DAI W P. Research on energy efficiency based resource allocation schemes in distributed antenna systems[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2017.
[17]	ZARIFEH N, ZANTAH Y, GAO Y, et al. Full-duplex femto base-station with antenna selection:experimental validation[J]. IEEE Access, 2019, 7:108781-108794. http://ieeexplore.ieee.org/document/8789531/
[18]	CHOWDHURY R, CHOYON A K M. Performance analysis of Tx-Rx isolated distributed antenna system implementing in-band full-duplex for up-link communication to mitigate self-interference in 5G[C]//Proceedings of 1st International Conference on Advances in Science, Engineering and Robotics Technology. Dhaka, Bangladesh: IEEE, 2019: 1-5.
[19]	ZHANG J, ANDREWS J G. Distributed antenna systems with randomness[J]. IEEE Transactions on Wireless Communications, 2008, 7(9):3636-3646. http://ieeexplore.ieee.org/document/4626337
[20]	DINKELBACH W. On nonlinear fractional programming[J]. Management Science, 1967, 13(7):492-498. doi: 10.1287/mnsc.13.7.492

施引文献(5)

期刊类型引用(3)

1.	高云波，李翠然，王国荣，李茂青. 基于Dinkelbach-Quadratic算法的高速铁路通信能效优化功率分配研究. 铁道学报. 2024(09): 69-75 . 百度学术
2.	陈家璘，孙志峰，曾铮，隋璐捷，汪龙志. 短距离D2D无线通信最优功率分配方法研究. 自动化与仪器仪表. 2022(10): 46-50 . 百度学术
3.	汪琰. 面向5G的多通道联合收发技术应用探讨. 电子制作. 2021(08): 67-69 . 百度学术

其他类型引用(2)

资源附件(0)

图(6)

计量

文章访问数: 651
HTML全文浏览量: 248
PDF下载量: 62
被引次数: 5

1. 系统模型
2. max-ANPO-EE算法
2.1 基于天线选择的优化问题建模
2.2 基于能量效率的功率分配方案
2.3 max-ANPO-EE算法步骤及复杂度分析
3. 仿真结果与分析
3.1 参数设定
3.2 仿真分析
3.2.1 max-ANPO-EE算法的系统的能量效率分析
3.2.2 不同算法的能量效率对比
4. 结论

1. 系统模型
2. max-ANPO-EE算法
2.1 基于天线选择的优化问题建模
2.2 基于能量效率的功率分配方案
2.3 max-ANPO-EE算法步骤及复杂度分析
3. 仿真结果与分析
3.1 参数设定
3.2 仿真分析
3.2.1 max-ANPO-EE算法的系统的能量效率分析
3.2.2 不同算法的能量效率对比
4. 结论

参考文献(20)

施引文献

资源附件(0)

分布式天线系统中基于天线选择的能量效率优化

通讯作者: 崔海霞，教授，Email:cuihaixia@m.scnu.edu.cn

计量

出版历程