5G Massive MIMO智能优化方法研究

曾 伟，李 菲，刘 哲（.中国联通北京市分公司，北京 00038；.中国联合网络通信集团有限公司，北京 00033）

0 引言

Massive MIMO 作为5G 的关键技术之一，通过集成大规模天线阵列实现了更多的收发通道，能够成倍提升系统容量，并支持通过调整天线权值改变小区的水平和垂直面覆盖，受到运营商的高度关注。5G Mas⁃sive MIMO 设备一般可支持多种典型覆盖场景，不同类型的AAU 可选覆盖场景范围不同；支持数字方位角和数字倾角可调，不同覆盖场景的可调范围不同；同时支持传统RF 调整手段，在大规模部署Massive MI⁃MO 的情况下，单纯依靠人工经验进行广播信道覆盖优化对人员技能要求高，工作量较大且难以保证调整结果最优，所以需要智能化的Massice MIMO 优化方法。

1 Massive MIMO基本原理

Massive MIMO 主要使用2个技术来提升路测用户吞吐率性能：下行波束赋形和场景化波束。

1.1 下行波束赋形

发射信号经过加权后，形成了指向UE 的窄带波束，这就是波束赋形。NR 多天线下行各信道默认支持波束赋形（BF），可以形成更窄的波束，精准地指向用户，提升覆盖和性能。

Massive MIMO 波束赋形主要分为通道矫正、权值计算、加权、波束赋形4个流程。

1.1.1 通道校正

5G 是基于上下行互易性进行信道估计，基于SRS上报来做信道H 矩阵的估计和计算权值，但如果射频通道收发存在幅度和相位差，即不同的收发通道的幅度和相位也不同，上下行信道就不严格互易，需要使用通道校正技术来保证射频收发通道的幅度和相位一致性：

a）使用通道校正算法，计算信号经过各个发射通道和接收通道后产生的相位和幅度变化。

b）依据计算结果进行补偿，使每组收发通道都满足互易性条件。

如果通道校正失败以后，不做上下行幅度和相位的补偿。

1.1.2 权值计算

当前5G Massive MIMO 常用权值主要有SRS 权、PMI权和DFT权3种。MaMIMO权值分类如表1所示。

表1 MaMIMO权值分类

1.1.3 加权

加权是指gNodeB 将计算出的权值与待发射的数据（数据流和解调信号DM-RS）进行矢量相加，从而达到调整波束的宽度和方向的目的。加权的过程如下。

假设天线通道序列为i，信道输入信号为x（i），通过信道H 时引入的噪声为N，信道输出时信号为y（i），则：

加权就是对信号x（i）乘以一个复向量w（i），达到改变输出信号y（i）的幅度和相位的目的，表示为：

如果W加权错误或者没有加权会导致UE 侧空口解调性能下降，影响吞吐率。

1.1.4 赋形

赋形应用了波的干涉叠加原理，波峰与波峰相遇的位置叠加增强，波峰与波谷相遇的位置叠加减弱。

未使用BF时，波束形状、能量强弱位置是固定的，对于叠加减弱点用户，如果处于小区边缘，信号强度低。使用BF 后，通过对信号加权，调整各天线阵子的发射功率和相位，改变波束形状，使主瓣对准用户，信号强度提高。

基于SRS加权或PMI权获得的波束一般称为动态波束，而控制信道和广播信道则采用预定义的权值（DFT 权）生成离散的静态波束。波束赋形如图1 所示。

图1 波束赋形

1.2 场景化波束

通过不同的场景化波束设置，改变用户SSB RSRP覆盖，减少小区间乒乓切换，从而改善用户的吞吐率。

5G Massive MIMO 天线的一个显著特征是可以通过调整权值改变广播波束的水平波宽、垂直波宽、方向角和下倾角，不同AAU 所支持的波束场景及倾角/方位角可调范围存在差异。以华为AAU5613为例，产品支持的波束场景及可调范围如表2所示。

通过设备厂家产品提供的天线文件，可以计算出在不同覆盖场景、数字方位角和数字倾角下，Massive MIMO AAU 在空间各个角度上的天线增益，提供给智能优化用于Pattern寻优。

1.2.1 MM权值优化基本流程

在方案初期，建议分2 步走，即先完成MM 权值优化，然后再针对剩余问题进行RF 优化。优化流程如图2所示。

在方案后期，将整合MM 权值优化和RF 优化，各参数的优化将按下面的顺序进行寻优。后期MM 优化步骤如图3所示。

表2 AAU5613波束场景和可调范围（°）

图2 初期MM优化步骤

图3 后期MM优化步骤

a）优先调整权值下倾和波束权值，避免上站。

b）波束权值的调整对覆盖范围改变较大，如果能通过权值下倾解决问题，就优先采用。

c）权值调整后，如还存在覆盖问题，则继续调整方位角。

d）由于方位角调整会改变覆盖区域，因此需要再次进行下倾角的调整，优先权值下倾，如果需要大幅度调整下倾角时，再选择机械下倾。

1.2.2 MM权值优化基本原则

在路测优化场景下的权值优化方法可参考以下原则进行优化。调整权值场景，就是调整MM 小区的水平波瓣宽度、垂直波瓣宽度。用户可根据现网的情况配置自己的覆盖场景。

通过参数NRDUCellTrpBeam.CoverageScenario 可以配置覆盖场景。配置建议：

一般情况下，推荐配置为场景DEFAULT，适合典型三扇区组网。

当水平覆盖要求比较高时，推荐配置为场景SCE⁃NARIO_1、SCENARIO_6、SCENARIO_12，远点可以获得更高的波束增益，提升远点覆盖。

当小区边缘存在固定干扰源时，可以考虑场景SCENARIO_2、SCENARIO_3、SCENARIO_7、SCENAR⁃IO_8、SCENARIO_13，缩小水平覆盖范围，避开干扰。

当只有孤立的建筑时，推荐配置为场景SCENAR⁃IO_4、SCENARIO_5、SCENARIO_9、SCENARIO_10、SCENARIO_11、SCENARIO_14、SCENARIO_15、SCE⁃NARIO_16，可以获得水平面覆盖较小，不适合连续组网。

当只有低层楼宇时，可以从场景SCENARIO_1～SCENARIO_5中选择。

当存在中层楼宇时，可以从场景SCENARIO_6～SCENARIO_11中选择。

当存在高层楼宇时，可以从场景SCENARIO_12～SCENARIO_16中选择。

2 Massive MIMO智能优化方案

2.1 MassiveMIMO优化目标

5G 覆盖干扰优化需同时考虑SSB 和CSI-RS 的优化。其中SSB 在空闲态和连接态都发送，SSB RSRP 和SINR 反映广播信道的质量，影响5G 终端的初始接入和切换性能，决定小区在路面及整网的覆盖范围；CSI-RS 仅在连接态发送，CSI-RS RSRP 和SINR 反映业务信道的质量，影响5G 终端的MCS 选阶、调制方式、RANK 等，决定实际的用户体验速率。SSB 和CSIRS 均对5G 网络的用户体验有着显著影响，在网络优化过程中，应同时考虑对SSB 和CSI-RS 信道的评估和优化。

当前受产业链限制，商用终端暂不支持CSI-RS RSRP 和SINR 的测量。同时，在5G 商用前，路测终端CSI-RS 不存在邻区干扰（CSI-RS SINR＞30 dB），因此现阶段Massive MIMO 覆盖优化以降低SSB 质差路段占比为主，保证5G 连续覆盖，减少掉线以及不必要的切换。

2.2 MassiveMIMO优化手段

5G网络的室外站型主要为Massive MIMO，相比传统站型，5G Massive MIMO 广播信道采取窄波束轮询发射方式，天线增益较传统天线大幅提升，同时支持广播信道外包络Pattern 多维调整，包括覆盖场景（控制水平波束宽度和垂直波束宽度）、数字方位角和数字下倾角，单个Massive MIMO AAU 设备（以64T 为例）支持的广播信道波束形态多达上万种。加上传统手段，当前Massive MIMO 产品常用的RF 优化手段有7种，如表3所示。

表3 Massive MIMO产品常用的RF优化手段

2.3 Massive MIMO优化原则

DT 场景下，常见的覆盖问题主要包括弱覆盖、重叠覆盖和越区覆盖，覆盖优化的主要原则如下。

a）先主后次原则：优先解决面的问题，再解决点的问题，由主及次。

b）成本优先原则：从成本和效率方面考虑，应减少不必要的天馈机械参数调整，优先考虑通过调整Pattern及电子倾角等参数解决覆盖问题。

c）预期明确原则：对优化方案预期达到的效果和可能产生的影响要有清楚的认识，尽量借助工具进行预测验证。

d）测试验证原则：所有的RF 调整方案要及时进行复测验证，由于RF 调整结果的不确定性较高，条件允许的情况下，调整与测试可同时进行。

e）问题收敛原则：RF 优化过程中，要避免解决一个问题又引入新的问题。对于优化动作的影响要进行仔细的评估，确保覆盖问题的数量是收敛的。

f）瞄准GAP 原则：RF 优化过程中，除了关注覆盖问题外，还要兼顾对速率的影响，优化时如果二者出现矛盾，应瞄准整体优化目标GAP，确定覆盖或速率优先方案。

2.4 Massive MIMO智能优化实现

Massive MIMO 智能优化能够基于DT 数据和设定的优化目标，对SSB 弱覆盖、SINR 质差和重叠覆盖路段进行识别，然后通过Pattern 和RF 参数迭代寻优提升道路覆盖。MaMIMO自动寻优方案如图4所示。

MaMIMO 智能优化的核心功能包括网络评估和迭代寻优。

2.4.1 网络评估

图4 MaMIMO自动寻优方案思路

a）路损建模：采用5 m精度对DT数据进行栅格化处理，建立栅格的路损模型（见图5）。

图5 路损建模示意图

b）基于设定的优化目标进行问题栅格识别，包括弱覆盖栅格、重叠覆盖栅格和SINR质差栅格。

c）根据问题栅格的类型和分布将其汇聚为小的polygon并自动生成polygon 边界。

2.4.2 迭代寻优

Massive 智能优化针对覆盖寻优的调整优先级为：波束场景＞数字倾角＞数字方位角＞机械倾角＞机械方位角，迭代寻优流程如图6所示。

图6 迭代寻优流程图

智能优化基于SSB波束的分布，判断水平波宽、数字方位角和方位角的调整方向，基于问题类型（弱覆盖、重叠覆盖、越区覆盖），判断垂直波宽、数字倾角和机械倾角的调整方向，按照Pattern 和RF 参数设定的调整步长进行覆盖寻优。智能优化根据路损矩阵和天线文件计算出调整后polygon SBB RSRP、SSB SINR和重叠覆盖的变化情况，结合设定的权重计算出优化目标的满足度Fitness。

对比寻优前后的Fitness，即可得出预期增益值。

经过多轮迭代后，可得出预期增益最大的一组Pattern和RF参数调整建议。

3 典型优化案例

下面针对北邮5G精品路线，分别按照覆盖最优和速率最优2种方案进行寻优。

本次通过智能优化平台对北邮精品路线沿线6个站点，共16 个小区进行Pattern 寻优，2 种方案Pattern调整和效果对比情况详见表4。

表4 北邮精品路线MaMIMO速率最优和覆盖最优寻优结果

分别按2 种寻优方式调整后的测试结果、对比详见表5和图7、8、9。

对比上述的覆盖最优和速率最优2 种方案结果，可以发现速率最优方案的测试速率提升10%左右，覆盖最优方案平均RSRP提升5 dBm左右。在NR和LTE建站比例1∶1 连续覆盖的场景下，建议采取速率优先的方案，控制NR 小区的重叠覆盖，重点提升用户速率感知。

表5 北邮精品路线MaMIMO自动寻优测试结果

4 总结

图7 北邮精品路线MaMIMO寻优方案结果对比分布图

图8 北邮精品路线MaMIMO寻优方案结果PDF对比分布图

图9 北邮精品路线MaMIMO寻优方案结果CDF对比分布图

在5G 建网初期，主要根据路测数据进行覆盖优化，5G 智能优化工具结合站点工参、电子地图、DT 测试数据、天线文件等数据，按照最优搜索算法给出Massive MIMO 小区广播波束最优Pattern 和RF 参数建议，可以显著提升Massive MIMO 优化效率，降低上站调整率，提升5G 网络覆盖水平。RF优化过程中，除了关注覆盖问题外，还要兼顾对速率的影响，优化时如果二者出现矛盾，应瞄准整体优化目标GAP，确定覆盖或速率优先方案。