| Summary: | Face à l'explosion du trafic mobile entraînée par le succès des smartphones, les opérateurs de réseaux mobiles (MNOs) densifient leurs réseaux à travers le déploiement massif des stations de base à faible portée (SBS), capable d’offrir des services très haut débit et de remplir les exigences de capacité et de couverture. Cette nouvelle infrastructure, appelée réseau cellulaire hétérogène (HetNet), utilise un mix de stations de base hiérarchisées, comprenant des macro-cellule à forte puissance et des SBS à faible puissance.La prolifération des HetNets soulève une nouvelle préoccupation concernant leur consommation d'énergie et empreinte carbone. Dans ce contexte, l'utilisation de technologies de production d'énergie dans les réseaux mobiles a suscité un intérêt particulier. Les sources d'énergie respectueuses de l'environnement couplées à un système de stockage d'énergie ont le potentiel de réduire les émissions carbone ainsi que le coût opérationnel énergétique des MNOs.L'intégration des énergies renouvelables (panneau solaire) et du stockage d'énergie (batterie) dans un SBS gagne en efficacité grâce aux leviers technologiques et économiques apportés par le smart grid (SG). Cependant, l'architecture résultante, que nous appelons Green Small-Cell Base station (GSBS), est complexe. Premièrement, la multitude de sources d'énergie, le phénomène de viellissement du système et le prix dynamique de l'électricité dans le SG sont des facteurs qui nécessitent planification et gestion pour un fonctionnement plus efficace du GSBS. Deuxièmement, il existe une étroite dépendance entre le dimensionnement et le contrôle en temps réel du système, qui nécessite une approche commune capable de résoudre conjointement ces deux problèmes. Enfin, la gestion holistique d’un HetNet nécessite un schéma de contrôle à grande échelle pour optimiser simultanément les ressources énergétiques locales et la collaboration radio entre les SBSs.Par conséquent, nous avons élaboré un cadre d'optimisation pour le pré-déploiement et le post-déploiement du GSBS, afin de permettre aux MNOs de réduire conjointement leurs dépenses d'électricité et le vieillissement de leurs équipements. L'optimisation pré-déploiement consiste en un dimensionnement du GSBS qui tient compte du vieillissement de la batterie et de la stratégie de gestion des ressources énergétiques. Le problème associé est formulé et le dimensionnement optimal est approché en s'appuyant des profils moyens (production, consommation et prix de l'électricité) à travers une méthode itérative basée sur le solveur non-linéaire “fmincon”. Le schéma de post-déploiement repose sur des capacités d'apprentissage permettant d'ajuster dynamiquement la gestion énergétique du GSBS à son environnement (conditions météorologiques, charge de trafic et coût de l'électricité). La solution s'appuie sur le fuzzy Q-learning qui consiste à combiner le système d'inférence floue avec l'algorithme Q-learning. Ensuite, nous formalisons un système d'équilibrage de charge capable d'étendre la gestion énergétique locale à une collaboration à l'échelle réseau. Nous proposons à ce titre un algorithme en deux étapes, combinant des contrôleurs hiérarchiques au niveau du GSBS et au niveau du réseau. Les deux étapes s'alternent pour continuellement planifier et adapter la gestion de l'énergie à la collaboration radio dans le HetNet.Les résultats de la simulation montrent que, en considérant le vieillissement de la batterie et l'impact mutuel de la conception du système sur la stratégie énergétique (et vice-versa), le dimensionnement optimal du GSBS est capable de maximiser le retour sur investissement. En outre, grâce à ses capacités d'apprentissage, le GSBS peut être déployé de manière plug-and-play, avec la possibilité de s'auto-organiser, d'améliorer le coût énergétique du système et de préserver la durée de vie de la batterie. === Pushed by an unprecedented increase in data traffic, Mobile Network Operators (MNOs) are densifying their networks through the deployment of Small-cell Base Stations (SBS), low-range radio-access transceivers that offer enhanced capacity and improved coverage. This new infrastructure – Heterogeneous cellular Network (HetNet) -- uses a hierarchy of high-power Macro-cell Base Stations overlaid with several low-power (SBSs).The augmenting deployment and operation of the HetNets raise a new crucial concern regarding their energy consumption and carbon footprint. In this context, the use of energy-harvesting technologies in mobile networks have gained particular interest. The environment-friendly power sources coupled with energy storage capabilities have the potential to reduce the carbon emissions as well as the electricity operating expenditures of MNOs.The integration of renewable energy (solar panel) and energy storage capability (battery) in SBSs gain in efficiency thanks to the technological and economic enablers brought by the Smart Grid (SG). However, the obtained architecture, which we call Green Small-Cell Base Station (GSBS), is complex. First, the multitude of power sources, the system aging, and the dynamic electricity price in the (SG) are factors that require design and management to enable the (GSBS) to efficiently operate. Second, there is a close dependence between the system sizing and control, which requires an approach to address these problems simultaneously. Finally, the achievement of a holistic management in a (HetNet) requires a network-level energy-aware scheme that jointly optimizes the local energy resources and radio collaboration between the SBSs.Accordingly, we have elaborated pre-deployment and post-deployment optimization frameworks for GSBSs that allow the MNOs to jointly reduce their electricity expenses and the equipment degradation. The pre-deployment optimization consists in an effective sizing of the GSBS that accounts for the battery aging and the associated management of the energy resources. The problem is formulated and the optimal sizing is approximated using average profiles, through an iterative method based on the non-linear solver “fmincon”. The post-deployment scheme relies on learning capabilities to dynamically adjust the GSBS energy management to its environment (weather conditions, traffic load, and electricity cost). The solution is based on the fuzzy Q-learning that consists in tuning a fuzzy inference system (which represents the energy arbitrage in the system) with the Q-learning algorithm. Then, we formalize an energy-aware load-balancing scheme to extend the local energy management to a network-level collaboration. We propose a two-stage algorithm to solve the formulated problem by combining hierarchical controllers at the GSBS-level and at the network-level. The two stages are alternated to continuously plan and adapt the energy management to the radio collaboration in the HetNet.Simulation results show that, by considering the battery aging and the impact of the system design and the energy strategy on each other, the optimal sizing of the GSBS is able to maximize the return on investment with respect to the technical and economic conditions of the deployment. Also, thanks to its learning capabilities, the GSBSs can be deployed in a plug-and-play fashion, with the ability to self-organize, improve the operating energy cost of the system, and preserves the battery lifespan.
|
|---|
