31880

تخصيص منابع در شبكه هاي MIMO عظيم بدون سلول با انرژي تركيبي

دكتري

كامپيوتر

1403

1403/08/28

سيدوحيد ازهري - وصال حكمي

-

كامپيوتر

شبكه‌هاي چند خروجي چند ورودي عظيم بدون سلول (CF-mMIMO) به عنوان يك معماري جديد براي شبكه‌هاي دسترسي راديويي (RAN) پيشنهاد شده¬اند كه شامل تعداد زيادي نقطۀ دسترسي (AP) پخش شده در يك منطقه وسيع هستند كه به طور همزمان و در يك باند فركانسي يكسان خدمات را به تجهيزات كاربر(UEs) ارائه مي‌دهند. تامين انرژي اين تعداد زياد از APها با توجه به عدم امكان يا هزينه بالاي دسترسي به شبكه برق در برخي نقاط، يك چالش كليدي در شبكه‌هاي CF-mMIMO است. يك راه‌حل‌ توسل به اشكال مختلف منابع انرژي تجديدپذير در جهت تغذيۀ APها است. تخصيص توان در شبكه‌هاي CF-mMIMO تاثير بسيار زيادي در كارايي آنها دارد. الگوريتم‌هاي تخصيص توان موجود، يك منبع انرژي بي‌نهايت و پايدار مانند شبكه برق را براي APها فرض كرده‌اند، حال آنكه APهايي كه صرفا توسط انرژي سبز تغذيه مي‌شوند، با توجه به ماهيت غيرقابل¬پيش‌بيني اين انرژي‌ها، ممكن است كه با كمبود انرژي مواجه شوند و خاموش شدن اين APها، كاركرد كلي شبكه را با اختلال مواجه خواهد كرد. در اين رساله تخصيص توان در شبكه‌هاي CF-mMIMO با انرژي تركيبي را مورد بررسي قرار مي‌دهيم و با يك ديد آينده‌نگرانه، از مكانيسم بودجه¬بندي انرژي سبز براي جلوگيري از كمبود انرژي APهاي سبز استفاده مي‌نماييم. همچنين مصرف انرژي از شبكه برق را كمينه نموده و در عين حال محدوديت‌هاي بازده طيفي (SE)، توان ارسالي APها و انرژي موجود در باتري‌ها را رعايت مي‌كنيم. ابتدا مسئلۀ برون¬خط ايده¬آل از مسئلۀ مورد نظر را پيشنهاد مي¬كنيم و آن را به يك مسئلۀ برنامه¬نويسي مخروطي مرتبه دوم (SOCP) تبديل مي¬كنيم. سپس، الگوريتم‌ اكتشافي نزديك‌بين بدون مدل سبك¬وزن Myopic-Final و در ادامه الگوريتم اكتشافي و مبتني بر يادگيري بهينه¬سازي (L2O) به نام Online-NN با استفاده از شبكه عصبي پيشنهاد مي‌گردد. هدف استفاده از L2O، كاهش پيچيدگي زماني نسبت به الگوريتم‌هاي برون‌خط و برخط است. شبيه‌سازي‌هاي انجام گرفته نشان مي‌دهند كه از لحاظ ميانگين SE، الگوريتم Myopic-Final عملكردي تقريبا مشابه الگوريتم برون‌خط و الگوريتم Online-NN عملكرد 97% در مقايسه با الگوريتم برون‌خط را تامين مي‌كنند. از لحاظ مصرف انرژي از شبكه برق، در صورتيكه بودجه انرژي سبز و انرژي موجود در باتري‌ها كافي باشد، هر سه الگوريتم عملكرد يكسان و در غير اينصورت Myopic-Final عملكرد اندكي پايين‌تر را نشان مي‌دهد.

1403/10/11

Resource Allocation in Cell-Free Massive MIMO Networks With Hybrid Energy Supplies

11/18/2024 12:00:00 AM

Cell-free massive multiple-input multiple-output (CF-mMIMO) networks have been proposed as a new architecture for radio access networks (RANs), which consists of a large number of access points (APs) in a wide area that simultaneously serves user equipment (UEs) in the same frequency band. Powering this large number of APs is a key challenge in CF-mMIMO networks due to the impossibility or high cost of accessing the power grid in some places. One solution is to resort to different forms of renewable energy sources to feed APs. Power allocation in CF-mMIMO networks has a great impact on their efficiency. The existing power allocation algorithms assume an infinite and stable energy source such as the power grid for APs, while APs that are solely powered by green energy may face energy shortages due to the unpredictable nature of these energies. Shutting down these APs will disrupt the overall operation of the network. In this thesis, we investigate the power allocation in a CF-mMIMO network with hybrid energy and use the green energy budgeting mechanism to prevent the energy shortage of green APs with a forward-looking view. Also, we minimize energy consumption from the power grid while respecting the constraints of spectral efficiency (SE), maximum power transmission of APs, and energy available in batteries. First, we propose the ideal offline problem of the target problem and transform it into a second-order cone programming problem (SOCP). Then, a light-weight model-free myopic heuristic algorithm named Myopic-Final and, afther that, a heuristic algorithm based on learning to optimization (L2O) named Online-NN using neural networks is proposed. The purpose of using L2O is to reduce the time complexity compared to offline and online algorithms. The performed simulations show that in terms of average SE, the Myopic-Final algorithm provides almost the same performance as the offline algorithm and the Online-NN algorithm provides 97% performance compared to the offline algorithm. In terms of energy consumption from the power grid, if the green energy budget and the energy in the batteries are sufficient, all three algorithms perform the same, otherwise Myopic-Final shows a slightly lower performance.

MIMO عظيم بدون سلول , انرژي تركيبي , تخصيص منابع

Cell-free massive MIMO , Hybrid energy , Resource allocation

Farzad Moradi

Seyed Vahid Azhari - Vesal Hakami