通信基站节能系统中多传感器数据融合方法设计与实现

发布时间：2017-08-12 00:04

  本文关键词：通信基站节能系统中多传感器数据融合方法设计与实现

  更多相关文章： 通信基站 节能降耗 多传感器 数据融合 话务量预测

【摘要】：随着移动通信技术的不断发展与应用,移动通信基站的数量不断增加,基站设备将消耗更多的电能。在当前“绿色通信”的大环境下,对基站进行节能降耗已经成为亟待解决的问题。基站主设备和空调消耗的电能约占基站总能耗的85%。因此,可以通过降低主设备和空调能耗来实现基站的节能降耗。基于此,本文研究了基于多传感器数据融合的降低基站主设备和空调能耗的方法。论文首先详细分析了通信基站节能降耗技术和多传感器数据融合技术的研究现状,并详细阐述了多传感器数据融合技术的基本原理和数据的不完善性问题。其次,针对现有基站节能监测系统的不足,给出了一种基于物联网和云存储技术的基站能耗监测系统,设计并实现了针对基站能耗监控的底层多传感器。在此基础上,针对基站多传感器数据的不完善性问题,给出了基于格拉布斯准则的异常数据处理方法,以及基于平均值和动态权值的像素级数据融合方法。同时,设计并实现了多因子智能控制算法,通过实际测试验证了7月份基站节能率至少为9%。最后,给出了一种基于线性估计的基站话务量数据融合方法：通过对基站话务量历史数据进行指数加权滑动平均,预测基站话务量；通过节能时间筛选算法预选取基站的节能时间段；根据基站话务量实时数据,利用微调策略调整基站进入-退出节能模式的时间点。仿真表明,本文所给基站话务量预测值均方误差为0.5662erl。实际测试表明,在保证服务质量的前提下,基站从双频覆盖切换到单频覆盖可以使单个基站平均每日节省交流电约7.26度,但网络覆盖接收信号电平、接收信号质量、载干比分别下降了0.59%、3.95%、9.95%。仿真表明,本文所给控制基站节能时间方法的节能效果优于现有方法。本文通过基站通风技术减少空调开启时间降低了基站配套设备能耗；通过给出一种有效控制基站节能时间的方法降低了主设备能耗,进而降低了基站配套设备能耗,从而达到双重节能降耗的效果。因此,本文给出的节能降耗方法对实现“绿色基站”有重要的参考价值。
【关键词】：通信基站 节能降耗 多传感器 数据融合 话务量预测
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN929.5
【目录】：

• 摘要4-5
• Abstract5-11
• 缩略词11-12
• 第一章 绪论12-20
• 1.1 论文研究背景12-14
• 1.2 国内外研究现状14-17
• 1.3 研究内容与设计指标17-18
• 1.3.1 研究内容17
• 1.3.2 设计指标17-18
• 1.4 论文组织18-20
• 第二章 多传感器数据融合原理及数据不完善性分析20-26
• 2.1 数据融合基本原理20-24
• 2.1.1 数据融合的定义21
• 2.1.2 数据融合的模型21-23
• 2.1.3 数据融合的主要方法23-24
• 2.2 多传感器数据不完善性分析24-25
• 2.2.1 多传感器数据不完善性24-25
• 2.2.2 不完善性数据处理方法25
• 2.3 本章小结25-26
• 第三章 通信基站节能系统多传感器设计与实现26-36
• 3.1 基站多传感器节能系统概述26-28
• 3.2 基站节能系统中多传感器硬件设计与实现28-33
• 3.2.1 物理环境监测传感器硬件设计29-32
• 3.2.2 电能消耗监测传感器硬件设计32-33
• 3.3 基站节能系统中多传感器软件设计33-35
• 3.3.1 物理环境监测传感器软件设计33-35
• 3.3.2 电能消耗监测传感器软件设计35
• 3.5 本章小结35-36
• 第四章 通信基站节能系统中多传感器数据融合方法研究36-52
• 4.1 基站多传感器不完善数据分析36-40
• 4.1.1 基站多传感器数据存在的问题36-38
• 4.1.2 基于格拉布斯准则的异常数据预处理38-40
• 4.2 通信基站节能系统中多传感器数据融合算法40-42
• 4.2.1 基于平均值的数据融合算法40-41
• 4.2.2 基于动态权值的数据融合算法41-42
• 4.3 多因子智能控制算法设计与实现42-51
• 4.3.1 多因子智能控制算法设计42-48
• 4.3.2 多因子智能控制算法实测结果分析48-50
• 4.3.3 基站能耗分析50-51
• 4.4 本章小结51-52
• 第五章 基于线性估计的话务量数据融合方法研究52-70
• 5.1 自适应节能时间计算方法概述52-54
• 5.2 自适应节能时间计算方法设计54-60
• 5.2.1 基于指数加权滑动平均的话务量预测算法54-56
• 5.2.2 节能时间筛选算法56-59
• 5.2.3 节能时间微调算法59-60
• 5.3 固定节能时间算法测试及其结果分析60-65
• 5.3.1 测试环境概述60-61
• 5.3.2 测试结果分析61-65
• 5.4 自适应节能时间计算方法仿真及其结果分析65-68
• 5.4.1 仿真环境与参数65-66
• 5.4.2 仿真结果与分析66-68
• 5.5 本章小结68-70
• 第六章 总结与展望70-72
• 6.1 全文工作总结70-71
• 6.2 未来工作展望71-72
• 致谢72-74
• 参考文献74-78
• 攻读硕士学位期间研究成果78

【相似文献】

中国期刊全文数据库 前10条

1 李启虎;独立观测资料的最佳线性数据融合[J];声学学报;2000年05期

2 唐恒专,任明强,李真富;数据融合理论及其在禁核试核查中的应用研究[J];核电子学与探测技术;2005年01期

3 耿朝阳;钟联炯;范跃华;;多Agent技术在数据融合系统中的应用[J];西安工业大学学报;2006年06期

4 习靖;;数据融合中时间对准方法的思考[J];中国新通信;2013年03期

5 李启虎;相关观测资料的最佳线性数据融合[J];声学学报;2001年05期

6 刘伟;位置级数据融合模型及常用方法[J];雷达与对抗;2003年01期

7 张华生;一种体系作战雷达网络的数据融合[J];现代雷达;2004年01期

8 郭予并,冷东方;数据融合与聂曼-皮尔逊准则[J];雷达与对抗;2004年02期

9 熊凌,张凯;数据融合及其应用[J];湖北工业大学学报;2005年03期

10 张红兵,赵杰煜,罗雪山;军事数据融合概念方法研究[J];火力与指挥控制;2005年07期

中国重要会议论文全文数据库 前10条

1 孙乐昌;梁亚声;陆余良;赵水宁;;决策用数据融合系统的设计与实现[A];第十五届全国数据库学术会议论文集[C];1998年

2 马宪民;赵跃齐;;一种基于数据融合理论的煤矿抢险救护机器人技术的研究[A];第十六届全国煤炭自动化学术年会、中国煤炭学会自动化专业委员会学术会议论文集[C];2006年

3 朱斌;符刚;朱爱华;李延斌;吴琼;;用户数据融合技术发展策略[A];中国通信学会信息通信网络技术委员会2011年年会论文集（上册）[C];2011年

4 熊凌;张凯;;数据融合及其应用[A];2005年十二省区市机械工程学会学术年会论文集（湖北专集）[C];2005年

5 畅言;罗利强;;数据融合系统关键技术研究[A];2013第一届中国指挥控制大会论文集[C];2013年

6 鲁睿;张杰;徐勇军;吴琳;;数据融合中证据冲突的典型处理方法[A];2014第二届中国指挥控制大会论文集（上）[C];2014年

7 杨功流;杨君;刘玉峰;王文富;杨晔;;用数据融合理论减少壳体旋转低速误差的技术研究[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（上）[C];2003年

8 苏惠敏;张明廉;;飞控系统中的多传感器数据融合[A];1996年中国控制会议论文集[C];1996年

9 殷新春;徐力杰;;WSN中一种基于数据融合的能量高效分簇路由协议[A];2007年全国开放式分布与并行计算机学术会议论文集(上册)[C];2007年

10 管清波;张荣;罗小明;;分布式数据融合系统及其时钟同步算法[A];第四届中国青年运筹与管理学者大会论文集[C];2001年

中国重要报纸全文数据库 前4条

1 唐得胜 本报特约记者 梁申虎 特约通讯员 丁雅涵;数据融合,陆上“猛虎”闯大海[N];解放军报;2012年

2 中兴通讯股份有限公司 鲁兰 红朱 王炜;数据融合奠基网络融合[N];通信产业报;2006年

3 闻丹岩;Avaya IP语音重回报[N];中国计算机报;2003年

4 本报记者 付连英;大数据融合与创新性变革加剧[N];国际商报;2014年

中国博士学位论文全文数据库 前7条

1 邢天璋;室外环境下WSN被动式目标定位方法研究[D];西北大学;2015年

2 李雨谦;基于数据融合的综合识别方法研究[D];电子科技大学;2013年

3 邓达强;运动机械监测系统数据融合关键技术的研究与应用[D];重庆大学;2001年

4 蔺杰;数据融合的神经计算方法[D];浙江大学;2005年

5 张宇林;计算智能在土壤数据融合中的应用研究[D];江南大学;2009年

6 王欣;多传感器数据融合问题的研究[D];吉林大学;2006年

7 贾海涛;基于感知引导的数据融合算法研究[D];电子科技大学;2012年

中国硕士学位论文全文数据库 前10条

1 付祥朋;基于相关性预测与多层数据融合的ZigBee节能研究[D];内蒙古大学;2015年

2 侯振乾;基于预测模型的无线传感器网络数据融合研究[D];沈阳理工大学;2015年

3 解春香;异类多传感器数据融合技术的研究[D];沈阳理工大学;2015年

4 赵骞;能源行业中网络监测与数据融合平台的设计与实现[D];电子科技大学;2015年

5 陈初杰;基于多层次监测数据融合的多状态系统动态可靠度评估方法研究[D];电子科技大学;2015年

6 李孟瑶;无线传感器网络中多传感器数据融合方法的研究[D];湘潭大学;2015年

7 梁学利;无线传感器网络中数据融合隐私保护方法研究[D];浙江工业大学;2015年

8 蒋鸿;基于数据融合的智慧养老医疗健康系统的研究与实现[D];南京邮电大学;2015年

9 闵杰;矿井中无线传感器网络数据融合技术研究[D];河南理工大学;2014年

10 孙智国;一种支持度函数的改进及其WSN数据融合应用研究[D];重庆大学;2015年

，

本文编号：658813