سیاست تخصیص انرژی تجدیدپذیر مبتنی بر مطلوبیت برای شبکه‌های سلولی سبز

فهرست مطالب

1. مقدمه

رشد انفجاری تقاضای داده‌های بی‌سیم منجر به افزایش قابل توجه مصرف انرژی و انتشار کربن از شبکه‌های سلولی شده است. این مقاله به چالش تغذیه این شبکه‌ها با منابع انرژی تجدیدپذیر (مانند خورشیدی، بادی) می‌پردازد که ذاتاً متناوب و ناهموار هستند. مسئله اصلی، تخصیص کارآمد مقدار محدودی از انرژی تجدیدپذیر جمع‌آوری شده بین کاربران در یک شبکه سلولی با دسترسی چندگانه تقسیم فرکانس متعامد است. سیاست پیشنهادی به‌طور منحصربه‌فردی سه عامل کلیدی را ادغام می‌کند: کل انرژی تجدیدپذیر در دسترس، نیازمندی‌های کیفیت خدمات فردی کاربران و کیفیت کانال بلادرنگ. هدف، بیشینه‌سازی یک تابع مطلوبیت در سطح شبکه است که رضایت کاربر را کمّی می‌کند، مشروط به محدودیت‌های انرژی. این کار خود را در پارادایم "ارتباطات سبز" قرار می‌دهد و فراتر از صرفاً کارایی انرژی، به سمت مدیریت هوشمند منابع برای پایداری حرکت می‌کند.

2. مدل سیستم و فرمول‌بندی مسئله

2.1 مدل شبکه و انرژی

یک شبکه OFDMA تک‌سلولی با یک ایستگاه پایه در نظر گرفته می‌شود که توسط یک منبع انرژی ترکیبی تغذیه می‌شود: شبکه برق سنتی و یک جمع‌آورنده انرژی تجدیدپذیر محلی (مانند پنل‌های خورشیدی). ایستگاه پایه به K کاربر سرویس می‌دهد. انرژی تجدیدپذیر به‌طور متناوب می‌رسد و در یک باتری با ظرفیت محدود ذخیره می‌شود. انرژی تجدیدپذیر در دسترس برای تخصیص در یک بازه زمانی مشخص با $E_{total}$ نشان داده می‌شود. بهره کانال برای کاربر $k$ برابر $h_k$ است که با زمان تغییر می‌کند.

2.2 تابع مطلوبیت و کیفیت خدمات

پایه این سیاست، تابع مطلوبیت $U_k(e_k)$ است که مقدار انرژی تجدیدپذیر $e_k$ تخصیص‌یافته به کاربر $k$ را به معیاری از رضایت آن کاربر نگاشت می‌دهد. این تابع به گونه‌ای طراحی شده است که نیازمندی کیفیت خدمات کاربر را منعکس کند. برای مثال، یک کاربر حساس به تأخیر (مانند پخش ویدیو) ممکن است یک تابع مطلوبیت با افزایش تند داشته باشد که به سرعت به اشباع می‌رسد، در حالی که یک کاربر با خدمات مبتنی بر بهترین تلاش (مانند دانلود فایل) ممکن است یک تابع مطلوبیت خطی‌تر داشته باشد. مطلوبیت کل شبکه برابر است با $U_{sum} = \sum_{k=1}^{K} U_k(e_k)$.

2.3 مسئله بهینه‌سازی

مسئله تخصیص انرژی به صورت یک مسئله بهینه‌سازی با قید فرمول‌بندی می‌شود: $$\max_{\{e_k\}} \sum_{k=1}^{K} U_k(e_k)$$ مشروط بر: $$\sum_{k=1}^{K} e_k \leq E_{total}$$ $$e_k \geq 0, \quad \forall k \in \{1,...,K\}$$ $$R_k(e_k, h_k) \geq R_{k}^{min}, \quad \forall k$$ که در آن $R_k$ نرخ داده قابل دستیابی برای کاربر $k$ (تابعی از انرژی تخصیص‌یافته $e_k$ و بهره کانال $h_k$) است و $R_{k}^{min}$ حداقل نرخ مورد نیاز برای برآورده کردن کیفیت خدمات آن است.

3. الگوریتم پیشنهادی تخصیص انرژی

3.1 طراحی الگوریتم ابتکاری

با توجه به ماهیت غیرمحدب و ترکیباتی مسئله (به ویژه با تخصیص گسسته زیرحامل در OFDMA)، نویسندگان یک الگوریتم ابتکاری با پیچیدگی کم پیشنهاد می‌دهند. این الگوریتم به روشی حریصانه عمل می‌کند:

1. اولویت‌بندی کاربران: کاربران بر اساس یک متریک ترکیبی که کیفیت کانال آن‌ها ($h_k$) و افزایش مطلوبیت نهایی به ازای هر واحد انرژی ($\Delta U_k / \Delta e_k$) را ترکیب می‌کند، رتبه‌بندی می‌شوند.
2. تخصیص تکراری: با شروع از کاربر با بالاترین اولویت، انرژی در گام‌های گسسته تخصیص داده می‌شود تا زمانی که افزایش مطلوبیت آن‌ها کاهش یابد یا کیفیت خدمات آن‌ها برآورده شود.
3. بررسی قید: پس از هر تخصیص، قید کل انرژی $E_{total}$ بررسی می‌شود. اگر انرژی باقی مانده باشد، فرآیند با کاربر بعدی ادامه می‌یابد.
4. پایان: الگوریتم زمانی متوقف می‌شود که $E_{total}$ تمام شود یا به همه کاربران سرویس داده شده باشد.

این رویکرد تضمین می‌کند که در شرایط کمبود انرژی، کاربران با شرایط کانال عالی (کارایی انرژی بالا) ابتدا سرویس دریافت می‌کنند تا مطلوبیت کلی بیشینه شود.

3.2 پیچیدگی الگوریتم

پیچیدگی الگوریتم $O(K \log K)$ است که به دلیل مرتب‌سازی اولیه K کاربر است و پس از آن یک پاس تخصیص خطی انجام می‌شود. این امر آن را بسیار مقیاس‌پذیر و مناسب برای پیاده‌سازی بلادرنگ در کنترلرهای شبکه می‌سازد و در تضاد با راه‌حل‌های پیچیده برنامه‌ریزی پویا یا بهینه‌سازی محدب پیشنهاد شده در کارهای مرتبط مانند [8] است.

4. نتایج عددی و ارزیابی عملکرد

4.1 تنظیمات شبیه‌سازی

عملکرد از طریق شبیه‌سازی ارزیابی می‌شود. پارامترهای کلیدی عبارتند از: شعاع سلول 500 متر، 20 تا 50 کاربر به صورت تصادفی توزیع شده، کانال‌های محو شونده رایلی و سطوح مختلف کل انرژی تجدیدپذیر $E_{total}$. توابع مطلوبیت به صورت سیگموئیدی برای ترافیک بلادرنگ و لگاریتمی برای ترافیک مبتنی بر بهترین تلاش تعریف شده‌اند که با مدل‌های مورد استفاده در اقتصاد شبکه‌سازی همسو هستند.

4.2 تحلیل نتایج

نتایج دو رفتار کلیدی را نشان می‌دهد:

1. رژیم انرژی کم: هنگامی که $E_{total}$ بسیار کم است، الگوریتم انرژی را تقریباً به طور انحصاری به کاربران با بهترین بهره‌های کانال تخصیص می‌دهد. این امر انصاف را فدا می‌کند اما مطلوبیت کل و کارایی شبکه را بیشینه می‌کند، زیرا سرویس‌دهی به کاربران با کانال ضعیف انرژی ارزشمند را هدر می‌دهد.
2. رژیم انرژی کافی: با افزایش $E_{total}$، الگوریتم شروع به برآورده کردن نیازمندی‌های کیفیت خدمات کاربران بیشتری، از جمله آن‌هایی با کیفیت کانال متوسط، می‌کند. مطلوبیت کل افزایش می‌یابد و پس از برآورده شدن نیازهای اصلی کیفیت خدمات همه کاربران، به اشباع می‌رسد.

نشان داده شده است که سیاست پیشنهادی از نظر مطلوبیت کل، به ویژه در سناریوهای کمبود انرژی، به طور قابل توجهی از یک طرح پایه تخصیص انرژی برابر بهتر عمل می‌کند. یک نمودار کلیدی، مطلوبیت کل شبکه در مقابل کل انرژی تجدیدپذیر در دسترس را ترسیم می‌کند و ابتکار پیشنهادی را در برابر پایه تخصیص برابر و یک کران بالای نظری مقایسه می‌کند.

5. بینش کلیدی و دیدگاه تحلیلگر

بینش کلیدی: مشارکت اساسی این مقاله، بازتعریف تخصیص انرژی تجدیدپذیر از یک مسئله صرفاً بیشینه‌سازی توان عملیاتی به یک مسئله اقتصاد منابع مبتنی بر مطلوبیت و آگاه از کیفیت خدمات است. این مقاله تصدیق می‌کند که در یک شبکه سبز، انرژی فقط یک هزینه نیست، بلکه کالای کمیاب اولیه است. نوآوری واقعی، پیوند مستقیم تخصیص به رضایت درک‌شده کاربر (مطلوبیت) تعدیل‌شده توسط واقعیت فیزیکی (وضعیت کانال) است که یک اهرم کنترل جامع‌تر و عمل‌گراتر برای اپراتورهای شبکه ایجاد می‌کند.

جریان منطقی: استدلال محکم است: 1) انرژی تجدیدپذیر محدود و متناوب است. 2) تقاضاهای کاربران ناهمگن هستند. 3) بنابراین، تخصیص هوشمندی که هم عرضه (انرژی، کانال) و هم تقاضا (کیفیت خدمات) را در نظر می‌گیرد، ضروری است. 4) یک تابع مطلوبیت به زیبایی مبادله را کمّی می‌کند. 5) یک ابتکار با پیچیدگی کم آن را عملی می‌سازد. جریان از تعریف مسئله تا راه‌حل منسجم است و شکاف واضحی در کارهای قبلی که اغلب نیازمندی‌های متنوع کیفیت خدمات را نادیده می‌گرفتند، همان‌طور که نویسندگان به درستی اشاره می‌کنند، مورد توجه قرار می‌دهد.

نقاط قوت و ضعف: نقاط قوت: ادغام نظریه مطلوبیت قدرتمند است و به خوبی از اقتصاد شبکه وام گرفته است. ابتکار عمل‌گرا است - می‌پذیرد که در کنترل بلادرنگ شبکه، یک راه‌حل خوب و سریع بهتر از یک راه‌حل کامل و کند است. تمرکز بر تمایز کیفیت خدمات برای شبکه‌های مدرن مملو از ترافیک اینترنت اشیا، ویدیو و ماموریت‌محور حیاتی است. نقاط ضعف: مدل تا حدی ساده‌انگارانه است. یک سلول منفرد را فرض می‌کند و پتانسیل همکاری انرژی بین سلول‌ها از طریق شبکه‌های هوشمند را نادیده می‌گیرد - حوزه امیدوارکننده‌ای که توسط دیگران مانند ژو و همکاران در "همکاری انرژی در شبکه‌های سلولی با ایستگاه‌های پایه تغذیه‌شده از انرژی تجدیدپذیر" (IEEE Transactions on Wireless Communications) بررسی شده است. توابع مطلوبیت معلوم فرض شده‌اند؛ در واقعیت، تعریف و یادگیری این توابع برای هر نوع سرویس یک چالش غیربدیهی است. مقاله همچنین فاقد یک تحلیل قوی از انصاف است؛ استراتژی "گرسنه نگه داشتن کاربران با کانال ضعیف" در شرایط کمبود می‌تواند برای توافق‌نامه‌های سطح سرویس مشکل‌ساز باشد.

بینش‌های قابل اجرا: برای اپراتورهای مخابراتی، این تحقیق یک نقشه راه برای کنترلر انرژی تعریف‌شده توسط نرم‌افزار ارائه می‌دهد که در شبکه‌های 5G-Advanced و 6G ضروری خواهد بود. گام فوری، نمونه‌سازی اولیه این الگوریتم در یک بستر آزمایشی با داده‌های واقعی خورشیدی/بادی است. علاوه بر این، اپراتورها باید شروع به دسته‌بندی ترافیک خود در کلاس‌های مطلوبیت کنند. برای محققان، گام‌های بعدی واضح است: 1) ادغام هماهنگی چندسلولی و اشتراک انرژی. 2) ادغام یادگیری ماشین برای یادگیری پویای توابع مطلوبیت از داده‌های تجربه کاربر. 3) گسترش مدل برای شامل کردن هزینه‌های تخریب ذخیره‌سازی انرژی. این کار، مشابه تغییر بنیادین ایجاد شده توسط "cycleGAN" در ترجمه تصویر به تصویر با معرفی سازگاری چرخه، یک چارچوب سازگار (مطلوبیت + قیود) را برای یک کلاس جدید از مسائل تخصیص منابع سبز معرفی می‌کند.

6. جزئیات فنی و فرمول‌بندی ریاضی

بهینه‌سازی اصلی در بخش 2.3 تعریف شده است. نرخ قابل دستیابی $R_k$ برای یک کاربر در یک زیرحامل OFDMA معمولاً به صورت زیر داده می‌شود: $$R_k = B \log_2 \left(1 + \frac{e_k \cdot h_k}{N_0 B}\right)$$ که در آن $B$ پهنای باند یک بلوک منبع است و $N_0$ چگالی طیفی نویز است. تابع مطلوبیت برای یک سرویس با قید تأخیر را می‌توان به صورت یک تابع سیگموئیدی مدل کرد: $$U_k(e_k) = \frac{1}{1 + \exp(-a(R_k(e_k) - b))}$$ که در آن پارامترهای $a$ و $b$ تندی و مرکز تابع را کنترل می‌کنند و آستانه کیفیت خدمات را منعکس می‌کنند. برای ترافیک کشسان، اغلب از یک تابع لگاریتمی مقعر $U_k(e_k) = \ln(1 + R_k(e_k))$ استفاده می‌شود.

7. چارچوب تحلیل: یک مثال موردی

سناریو: یک ایستگاه پایه 5 کاربر دارد و $E_{total} = 10$ واحد انرژی تجدیدپذیر.

• کاربر 1 (تماس ویدیویی): کیفیت خدمات: $R_{min}=2$ مگابیت بر ثانیه، کانال: عالی ($h_1$ بالا)، مطلوبیت: سیگموئیدی.
• کاربر 2 (دانلود فایل): کیفیت خدمات: ندارد، کانال: خوب، مطلوبیت: لگاریتمی.
• کاربر 3 (سنسور اینترنت اشیا): کیفیت خدمات: $R_{min}=0.1$ مگابیت بر ثانیه، کانال: ضعیف ($h_3$ پایین)، مطلوبیت: شبه‌پله‌ای.
• کاربران 4 و 5: پروفایل‌های ترکیبی مشابه.

اجرای الگوریتم:

1. محاسبه امتیاز اولویت برای هر کاربر (مثلاً $h_k \times (\text{مطلوبیت نهایی})$).
2. مرتب‌سازی کاربران: فرض کنید ترتیب User1، User2، User4، User5، User3 باشد.
3. تخصیص به User1 تا زمانی که کیفیت خدمات ویدیویی آن برآورده شود (هزینه: 3 واحد). مطلوبیت به شدت افزایش می‌یابد.
4. تخصیص به User2. هر واحد افزایش مطلوبیت مناسبی می‌دهد. 4 واحد تخصیص داده می‌شود.
5. انرژی باقی‌مانده = 3 واحد. به User4 تخصیص داده می‌شود تا نیاز آن تا حدی برآورده شود (هزینه: 3 واحد).
6. انرژی تمام شد. کاربران 5 و 3 (با کانال ضعیف) تخصیص صفر دریافت می‌کنند.

نتیجه: مطلوبیت کل با اولویت‌دهی به کاربران با اولویت بالا و کارآمد ابتدا بیشینه می‌شود. User3 گرسنگی می‌کشد - این مبادله صریح سیاست تحت شرایط کمبود است.

8. چشم‌انداز کاربردی و جهت‌های آینده

کوتاه‌مدت (1-3 سال): ادغام در سیستم‌های مدیریت انرژی شبکه برای ایستگاه‌های پایه ماکرو و میکرو. این امر به ویژه برای استقرارهای خارج از شبکه یا روستایی که عمدتاً توسط انرژی‌های تجدیدپذیر تغذیه می‌شوند، مرتبط است، همان‌طور که در پروژه‌های برنامه "انرژی سبز برای موبایل" انجمن جهانی اپراتورهای موبایل مستند شده است.

میان‌مدت (3-5 سال): محوری برای چشم‌انداز 6G یکپارچه‌سازی حس‌گری، ارتباطات و انرژی. شبکه‌ها نه تنها انرژی مصرف خواهند کرد، بلکه آن را مدیریت و توزیع خواهند کرد. این الگوریتم می‌تواند تکامل یابد تا انتقال توان بی‌سیم به دستگاه‌های اینترنت اشیا را کنترل کند یا جریان‌های انرژی از زیرساخت شبکه موبایل به شبکه (V2G) را مدیریت کند.

جهت‌های تحقیقاتی آینده:

• ادغام هوش مصنوعی/یادگیری ماشین: استفاده از یادگیری تقویتی عمیق برای یادگیری سیاست‌های تخصیص بهینه در محیط‌های بسیار پویا بدون مدل‌های مطلوبیت از پیش تعریف شده.
• تخصیص مشترک چندمنبعی: بهینه‌سازی مشترک طیف، زمان و منابع انرژی در یک چارچوب یکپارچه.
• مکانیسم‌های مبتنی بر بازار: پیاده‌سازی یک بازار انرژی بلادرنگ در داخل شبکه که در آن کاربران/عامل‌ها بر اساس نیازهای خود برای انرژی تجدیدپذیر پیشنهاد می‌دهند، الهام گرفته از مفاهیم ریزشبکه مبتنی بر بلاکچین.
• استانداردسازی: تلاش برای استانداردسازی رابط‌های کنترل آگاه از انرژی در معماری‌های Open RAN، که اجازه می‌دهد برنامه‌های مدیریت انرژی شخص ثالث (xApps) اجرا شوند.

همگرایی شبکه‌های ارتباطی و شبکه‌های انرژی، که اغلب "اینترنت انرژی" نامیده می‌شود، چنین الگوریتم‌هایی را ضروری خواهد ساخت.

9. مراجع

1. آژانس بین‌المللی انرژی (IEA). "مراکز داده و شبکه‌های انتقال داده." گزارش‌های IEA, 2022. [آنلاین]. موجود در: https://www.iea.org/reports/data-centres-and-data-transmission-networks
2. Z. Zhou و همکاران، "همکاری انرژی در شبکه‌های سلولی با ایستگاه‌های پایه تغذیه‌شده از انرژی تجدیدپذیر،" IEEE Transactions on Wireless Communications, جلد. 13, شماره. 12, صص. 6996-7010, دسامبر 2014.
3. GSMA. "انرژی سبز برای موبایل: انجمن جهانی M2M در مورد پایداری." GSMA, 2021.
4. O. Ozel و همکاران، "انتقال با گره‌های برداشت انرژی در کانال‌های بی‌سیم محو شونده: سیاست‌های بهینه،" IEEE Journal on Selected Areas in Communications, جلد. 29, شماره. 8, صص. 1732-1743, سپتامبر 2011. (به عنوان [8] در PDF ذکر شده است)
5. J. Zhu و همکاران، "به سوی یک رابط هوایی بومی هوش مصنوعی 6G،" IEEE Communications Magazine, جلد. 61, شماره. 5, صص. 50-56, می 2023.
6. J.-Y. Zhu, T. Park, P. Isola, A. A. Efros. "ترجمه تصویر به تصویر بدون جفت با استفاده از شبکه‌های متخاصم سازگار با چرخه." کنفرانس بین‌المللی IEEE در مورد بینایی کامپیوتر (ICCV), 2017. (به عنوان نمونه‌ای از تغییر چارچوب بنیادین ذکر شده است).