混合能源供应异构云无线接入网的功率分配和能源协作算法

顾兆伟，江凌云

（南京邮电大学通信与信息工程学院，江苏南京 210003）

第五代（5G）无线通信网络将连接数百万个基站和数十亿个智能设备［1］。当前需要一个新型的5G无线网络架构来满足大数据传输速率和海量连接的需求，异构云无线接入网络（Heterogeneous Cloud Radio Access Network，H⁃CRAN）由于其可扩展性、灵活性和兼容性被认为是一个有效的解决方案。H⁃CRAN把传统的基站分离为宏基站（Macro Base Station，MBS）、无线远端射频单元（Remote Radio Head，RRH）和由基带处理单元（Base Band⁃processing Unit，BBU） 集中形成的 BBU 池［2］。 H⁃CRAN支持控制平面和数据平面的分离，MBS作为高功率节点负责无缝覆盖和控制信令的传发，RRH作为前端射频单元，仅用于数据的发送与接收，主要基带信号处理和上层空中接口协议功能均在BBU池中联合进行。MBS通过X2／S1接口的回程链路连接到BBU池，而RRH通过无线前传链路连接到BBU池［3］。随着移动互联网和智能设备驱动的无线数据量呈指数级增长，运营商亟需进行基站扩建，H⁃CRAN中使用大量的功率节点导致能源消耗的急剧增加，这将带来运营商无法忍受的运营成本。因此，在有效地保持高质量服务提供的同时减少网络能源消耗是5G网络实现可持续无线通信的关键要求。基于上述背景，人们提出了“绿色通信”的概念［4］。“绿色通信”指在无线网络中引入能源收集（Energy Harvesting，EH）技术，即在基站端配置能够收集可再生能源（例如太阳能、风能）的设备，未来具有EH功能的网络的二氧化碳排放量可能会减少20%［5］。然而，由于可再生能源的波动性，人们提出使用可再生能源与电网能源混合供能的方案，收集的可再生能源作为电网供电的补充供给。通过帮助运营商降低能耗成本和电网的供电负担，可以带来巨大的经济收益和环境收益。因此，期望H⁃CRAN集成EH能力，这为有效利用收集的可再生能源带来了新的挑战。

此外，H⁃CRAN中的MBS和RRH因工作负载不同具有不同的收集可再生能源的能力，并且由于地理位置、天气条件等外部因素的影响，每个功率节点收集到的能源总量具有波动性，且由于每个小区用户分布的不均匀，最终导致可再生能源的使用不均衡，整体能源利用率较低。因此，需要设计一个有效的能源协作机制来管理来自不同功率节点间收集的可再生能源的共享，以提高可再生能源作为电网能源补充的利用率，从而提高系统EE，本文针对此问题展开研究。

1 相关工作

目前，针对EH技术与H⁃CRAN架构分别有了一些研究，但是，现有的工作是将混合能源供应技术与H⁃CRAN架构分别讨论，很少有研究将两种技术结合起来讨论。

现有的关于H⁃CRAN的研究主要集中在优化用户接入和无线网络资源分配，以获得系统能源效率最大化方向。文献［6］在H⁃CRAN下行链路场景下保证了用户服务质量（Quality of Service，QoS），联合考虑中继选择、功率分配和用户接入问题，最大化具有高QoS需求的用户能够获得的能源效率。文献［7］在H⁃CRAN中研究网络切片的虚拟资源分配，通过马尔可夫决策进行在线资源分配，进而使网络吞吐量最大。文献［8］提出了基于业务到达速率的动态资源分配算法，在每个用户最大发射功率、最小数据速率等约束下，以整个网络的平均能效为优化目标。其次，提出了通过引入控制参数平衡功耗与能源效率的两层迭代算法。这些研究工作仅考虑了传统电网供电的H⁃CRAN下的资源分配和系统能源效率问题，并没有结合EH技术研究如何优化混合能源供应的H⁃CRAN的能源效率。

近年来，EH技术引起了工业界和学术界的极大关注。为了克服可再生能源的不稳定性，同时从中获得绿色效益，在文献［9］中提出了一种基站接入和功率控制算法，以最大程度地降低长期网络服务成本。文献［10］提出了一种针对混合能源供能的云无线接入网络的可持续资源分配方案，以最大化用户效用收益与电网能耗成本间的差值。在文献［11］中，将关于太阳能中继和电网中继的选择和功率分配问题表示为混合整数线性规划问题，以最小化系统的总电网能源消耗。以上工作大都考虑传统的宏微蜂窝网络场景下的可再生能源利用问题，同时忽略了不同基站对于可再生能源的收集能力的不同，以及因时空分布不均导致的可再生能源利用率较低的问题，缺少基站间可再生能源的管理与协作，从而不能最大程度地降低电网能源消耗，提高整体网络的能效。

对能源管理与协作问题已有文献进行了广泛研究。文献［12］考虑了现实可行的可再生能源模型，为能源互联网开发了有效的能源管理框架。文献［13］中作者提出了一种新方法，用于评估管理和分配可再生能源的微电网的稳定性。然而，上述能源管理方案不适用于H⁃CRAN网络架构，它需要一种新的能源协作机制，不仅要使整体网络能源效率最大化，还要确保每个用户的服务质量。

到目前为止，有关使用混合能源的研究主要集中在异构蜂窝网络下结合能源协作分别使吞吐量最大化或能源成本最小化上。文献［14－15］的工作分别专注于吞吐量最大化和降低电网功耗，而没有联合考虑功率分配和能源协作。文献［16］改善了基于COMP⁃JP技术的异构蜂窝网络下的系统能源效率，但是能源协作并不是这项工作的重点。最近的一些工作，例如文献［17］，考虑了基于COMP⁃JP技术的异构蜂窝网络，通过多个基站共同为小区边缘用户提供发射功率，在保证用户QoS的同时考虑能源协作，以降低电网功耗和提高系统能源效率。该文献算法仅适用于基于COMP⁃JP技术的异构蜂窝网络，当扩展到H⁃CRAN场景时存在局限性。

因此，本文针对上述文献存在的问题，同时考虑可再生能源的不稳定性，提出一种基于混合能源供应的5G H⁃CRAN网络架构下的联合功率分配和能源协作的优化算法，实现整个网络电网能源消耗最小化，能源效率最大化。

2 系统模型

图1所示为混合能源供能H⁃CRAN架构下能源协作框架。H⁃CRAN由一个宏基站（MBS）作为高功率节点，多个RRH作为低功率节点及BBU池组成，每个功率节点均配置了可再生能源收集设备，即均可由可再生能源和电网电能组成的混合能源供电。因为位于BBU处的基带处理和冷却系统需要更加稳定的能源供给，本文仅考虑混合能源为基站的发射功率提供所需能源的情况，其余的功率消耗均由电网提供。通常，MBS收集可再生能源的能力高于RRH，且可再生能源到达具有波动性，能源的利用率较低。因此，为了均衡使用，每个功率节点间可以通过线路共享可再生能源，即ej。下文将用J表示网络中基站的集合，j∈J表示各个基站，j＝1表示 MBS，j∈｛2，3，4，…，J｝表示 RRH；U 表示用户设备（User Equipment，UE）的集合，i∈U 表示所有用户；Uj表示由基站j服务的用户的集合。

图1 混合能源供能H⁃CRAN架构下能源协作框架

本文假定基站和用户间的信道模型采用加性高斯白噪声信道，B0表示分配给每个用户设备的带宽，假设每个基站均可为用户提供数据服务，Pji表示基站j分配给用户设备i的发送功率，则每个UE获得的下行数据速率可表示为

其中，gji表示基站j到用户i之间的信道增益，通常与路径损耗和信道衰落有关，N0表示噪声功率谱密度。

因为本文考虑混合能源供能的网络架构，基站j分配给用户i的发送功率可由电网电能和可再生能源同时供应，即

由于每个基站可与其他基站共享可再生能源，定义ρ为可再生能源在传输线路传送的效率，且0≤ρ≤1，基站j通过可再生能源收集设备收集的能源表示为Ej，基站j通过基站间能源共享传出或获得的可再生能源数量表示为ej，则基站j获得的可再生能源总量表示为

2.1 问题建立

本文建立了一个以使系统的能源效率（EE）最大化，同时降低电网能源消耗为目标的优化问题，即在可再生能源总量、基站收集可再生能源能力、最大允许发射功率和最低用户QoS要求等约束条件下，寻求每个用户最优功率分配Pji和每个基站共享的能源ej使整体EE最大化，此处EE被定义为系统吞吐量与总的电网功耗的比值［18］。则问题被建立为

约束（7a）确保由可再生能源提供的发送功率不超过基站获得的可再生能源的总量上限；约束（7b）确保基站向其小区内用户提供的发射功率总和小于最大允许的发射功率Pj，max；约束（7c）则以最小信噪比保证了用户最低服务质量要求；约束（7d）则设置了每个基站收集的可再生能源可用于基站间共享的数值范围，ej＜0表示基站j与其他基站共享其收集的能源，ej＞0则表示从其他基站那里获取了可再生能源；约束（7e）确保了基站间用于共享的能源总和为0，保持能量守恒。

2.2 拉格朗日对偶分解

为简单起见，将式（7）中的问题分为两部分求解：功率分配和能源协作。功率分配问题使用拉格朗日对偶分解方法解决，能源协作部分使用元启发式算法分配基站间共享的可再生能源。

首先，使用Dinkelbach方法降低求解复杂度及加快收敛［19］，这里用τ表示能源效率EE，则

根据文献［19］，能源效率τ取得最大值，当且仅当满足以下条件

则优化问题式（7）可以转化为

然后将优化问题的拉格朗日函数表示为

其中，γj、αj、βi为非负的拉格朗日乘子，接下来，优化问题可转化为其对偶问题

然后，这个对偶问题可通过KKT条件求解得到

最终可得到最优的功率分配矩阵

2.3 组合优化算法

式（7）中的EE优化问题可以归类为非线性分数规划问题，因此使用常规数学方法求解较复杂。这里使用基于迭代过程复杂度较低的Dinkelbach方法用于解决算法1中的问题。当满足收敛条件时得到最优的EE值，即τ∗，否则，从算法1的步骤16～22可以看出，所求得的EE用于下一次迭代求解。

算法1 PAEC算法

1：设置最大迭代次数 Tout；设置 τ初始值：τ（1）＝ 0

2：设置表示迭代次数的参数，n＝1

3：for 1≤n≤Toutdo

4：初始化拉格朗日乘子为任意大正值

6：由式（15）更新每个用户的功率分配

7：基站间能源共享取值：e∗j＝ random integer［min max］；

10：else

12：end if

13：通过式（12）计算拉格朗日函数值 f（n）

14：通过取较小正值的步长δ（n）更新拉格朗日乘子的值：

15：重复步骤 6～14 直到：｜f（n＋1）－f（n） ｜＜ε 或者超过了预设的最大迭代次数

17： set τ∗＝ τ（n）

18： break

19：else

21： n＝n＋1

22：end if

23：end for

首先，通过算法1的步骤6～12得到分配给每个用户的发射功率Pji和每个基站共享的能源ej，步骤13～15结合了次梯度方法与对偶分解技术，并用于求得每个拉格朗日乘子的值，随后为每个基站服务的所有用户更新分配到的功率值。功率分配和能源共享的值在每次循环中更新，并用于计算转化后的拉格朗日函数的值和更新拉格朗日乘子的值。重复该过程，直到当前拉格朗日函数值与上一次迭代的拉格朗日函数值之间的差值降至收敛阈值以下，即｜f（n＋1）－f（n） ｜＜ε，此时，若满足步骤 16 中的收敛条件，得到最优的τ∗，即最大的EE值，否则，继续下一次迭代过程。

这里问题被分为两部分处理，功率分配部分采用次梯度方法求解，基站间的能源共享采用元启发式方法得到，如算法1的步骤6～12所示。功率分配（PA）和能源协作（EC）被建立为一个组合优化问题，使用常用优化或迭代算法同时求解两个问题会具有较高复杂度。在这里使用元启发式算法可能无法保证获得全局最优解，但仍可以在大幅降低复杂度下得到接近最优的解［20］。即根据约束式（7e）设置的每个基站获得的共享能源数量的范围，并且在满足约束式（7d）（即可以传递到其他基站和从其他基站获得的可再生能源的最小值和最大值）的条件下，获得一个随机值，然后，根据约束式（7a），最小或最大可共享能源值随基站获取可再生能源能力大小值的约束而改变，重复更新这个值直到达到收敛得到最优解。假设系统中有I个用户，算法主循环过程主要为每个用户i分配功率和更新乘子，则算法的复杂度为O（I2）。

3 仿真结果与分析

本节使用MATLAB仿真工具验证本文所提出的组合优化算法，即同时实现功率分配和能源协作的PAEC算法，在混合能源供应的H⁃CRAN网络架构下的有效性，将其与仅具有功率分配，不包含能源协作机制，即可再生能源不能够在基站间通过线路进行共享的功率分配（PA）算法进行对比。此外，又将提出的算法与贪心算法对比，后者允许基站按照允许的最大发射功率分配给用户，但仍然采用了能源协作机制。为了凸显MBS和RRH收集可再生能源能力的差距，此节用dB为单位表示单位时间内基站收集可再生能源的数值大小。

在混合能源供应的H⁃CRAN网络中，每个用户由相应的单个基站对其进行服务。在仿真中，除了另有说明，默认的网络由1个MBS、2个RRH及每个功率节点分别服务的20个用户构成。具体的仿真参数如表1所示。

表1 仿真参数设置

图2表现了所提算法使用Dinkelbach方法的收敛性能。由图2可知，此方法具有快速收敛的特性，平均仅需7次迭代就可达到收敛，此时得到系统最优能源效率EE。贪心算法由于功率分配过程没有所提算法的迭代过程，在图2中用一条直线表示。另外，当总基站数为3，MBS单位时间收集的可再生能源数量为 M＝9 dB，RRH收集的能源数量为S＝2 dB（约10 W）时，PAEC算法的EE比PA算法提高了约12%，这说明基站间引入能源协作机制对于提高系统EE起着至关重要的作用。此外，当基站数为4时，EE获得小幅增加，说明了所提算法在基站数越多时效果越明显。显而易见，在提升系统EE方面，本文所提算法无论是否包含能源协作，PAEC和PA算法都要比按最大允许发射功率分配给用户的贪心算法效果显著，亦说明了算法中的功率分配部分对于提升整体网络吞吐量具有重要作用。

图2 当M＝9 dB，S＝2 dB时算法1的收敛性

图3显示了基站数目为4时PAEC算法的EE比基站数为3时略微增加，说明了基站除发射功率以外的能源消耗对于总电网能耗影响较大。而PAEC和PA算法的EE随着单个基站服务的用户数增加而大幅增加，这是因为在混合能源供应的H⁃CRAN架构下对发射功率的优化分配以及考虑了能源协作，导致用户数增加时，系统吞吐量的上升速度明显快于电网能源消耗的增加速度。并且在单个基站用户数不同时，PAEC算法的EE都要明显高于PA算法，这再次说明了提出的能源协作机制对于提高系统EE的有效性。而按最大允许发射功率分配的贪心算法的EE明显较低，并且由于贪心算法亦采用了能源协作机制，其能源效率随着用户数量增加而提高。

图3 当M＝9 dB，S＝2 dB，每个小区用户数不同时系统EE

考虑到可再生能源的不稳定性，图4和图5分别说明了在收集可再生能源总量不同，MBS和RRH两种基站收集能力不同的3种场景下，EE和电网能源消耗的受影响情况。图4显示在图2默认的基站收集能力情况下，即收集能源总量为70 W（13 dB），PAEC算法的EE相比无能源协作的PA算法增加了约12.5%，电网能耗降低了约10%。此外，当基站收集可再生能源的总量增大时，电网能耗小幅下降，EE略微提高，这证明了基站间的能源协作有效降低了电网能耗，是提高系统EE的关键因素。

图4 不同基站收集能源总量下系统的EE和电网能耗

实际上，由于环境因素影响和工作负载差异，基站收集可再生能源的能力不同。图5描述了MBS和RRH收集能源能力不同时提出的能源协作机制的性能表现。在收集能源总量一定，MBS和RRH收集能力分别为10 dB和0 dB时比收集能力分别为6 dB和5 dB时电网能耗降低约4%，EE提高了约2%。并且在收集能力分别为10 dB和8 dB，即收集能源总量增大时，PAEC的电网能耗几乎未变化，说明了能源协作机制在基站收集可再生能源能力差异较大时表现更好，适用于可再生能源使用分布不均的网络中。通过基站间能源共享可有效均衡可再生能源使用，在降低整个网络的电网能源消耗的同时提高用户可获得的数据速率。

图5 基站不同能源收集能力下的EE和电网能耗

图6显示了基站工作时除发射功率以外的功率消耗，包括BBU池基带处理、冷却系统等基站静态功耗，还有前传链路功耗、回传链路功耗等对系统EE的影响。随着这些功率消耗的降低，PAEC在提高能源效率EE方面具有显著优势。当基站功耗为64 W（约10 dB）时，PAEC算法在EE方面比PA算法高出约33%。此外，当基站功率消耗增大时，系统EE成倍数下降，说明了其对总的电网能源消耗影响最大，是系统EE的决定性因素，也限制了提出算法的性能。

图6 当M＝9 dB，S＝2 dB时基站消耗功率对EE影响

图7显示了基站间共享可再生能源时，能源在线路上传输时的效率对系统EE和电网能耗的影响。由图7可知，当可再生能源传递效率较高，即ρ≥0.5时，相比于传递效率较低时，系统EE增加约25%，电网能耗降低20%。较高的能源传递效率提高了系统EE，因为用于基站间共享的可再生能源在通过线路传输时存在较低的能源损耗，为减少整个网络的电网功率消耗提供了优化空间，在这种情况下所提出的算法性能表现好得多。但是，对于能源传递效率低于0.4的情况，大部分可再生能源浪费在了线路损耗中，因此对于电网功耗的补充供给较少，从而导致系统EE大幅降低。此外，当传递效率在0.4和0.5之间时，电网能耗的下降不会对EE产生很大的影响，因为此时系统吞吐量增大和电网能耗下降同时以相近的速率进行，即在此转化效率下电网能耗的减少对系统吞吐量影响较小。因此，在分析系统能源效率的时候线路损耗是一个关键因素。

图7 当M＝9 dB，S＝2 dB时共享能源转化效率对于EE和电网能耗的影响

4 结束语

H⁃CRAN网络为了满足用户高数据传输速率的需求，低功率节点分布更加密集，对于电网能源需求剧增，因此，考虑由电网电能和可再生能源混合供应。但由于可再生能源具有不稳定性，使用不均衡，利用率较低，本文基于混合能源供应的H⁃CRAN架构，提出了一种联合功率分配和能源协作的PAEC算法初步解决了这个问题。该算法通过使用次梯度与元启发式算法等优化技术，与未使用能源协作机制的PA算法相比，使系统的EE提高了约12%，电网的能源消耗减少了10%，此外，在优化问题中使用Dickelbach方法得到了更快的收敛速度和较低的算法复杂度。

未来配备可再生能源存储设备的5G网络将与智能电网进行交互，能够根据时空分布不均匀的可再生能源和随机到达的实时业务流量，按照实时QoS需求动态分配资源和能源管理，这将在未来通过人工智能技术展开研究。