目前中国移动主要基于 2.6GHz 频段开展 5G 网络建设,由于室分系统和宏站共用 100MHz 频谱,因此室内外同频干扰会对 5G 用户感知产生不利影响。本文提出了一种基于 4G 测量报告快速识别室外 5G 高干扰小区的技术方案,可用于识别 5G 室内外高干扰小区。研究分析和测试验证表明:该方案可快速发现并定位室内外同频干扰覆盖问题,有助于辅助制定网络优化措施。

 

5G 网络发展初期,用户数量较少,5G 的测量数据相关网管功能尚不完善,暂无法通过网络侧数据自动分析覆盖和干扰等问题;同时,人工入户扫楼测试时,存在部分区域无法进入导致测试不完整的问题。本文利用现阶段 4G 与 5G 网络共天线建设的特点,提出并验证了一种基于室分系统 4G 锚点小区的测量报告(MR)数据反推 5G 室内外同频干扰的方案,可快速发现并定位室外强干扰小区,进而辅助提升 5G 室内用户感知。

 

1、技术方案

1.15G 网络室内外同频组网干扰分析

目前,中国移动的 5G 室内外网络均基于 2.6GHz 频段的 100MHz 带宽,是同频组网。外场测试数据表明:在 5G 室内外同频组网情况下,室外同频强干扰信号对室内小区影响较大。从图 1 和图 2 可见,当室内电平高于室外电平 5dB 以上时,室内小区的下载速率损失一般低于 15%;当室内电平低于室外电平 5dB 以上时,室外干扰对室分下载速率性能影响最大则可达 45%。

 

图 1 同频组网时室内外电平差对室分速率的影响

 

图 2 同频组网时室内外电平差对速率损失的影响

 

然而,现阶段 5G 网络用户较少,主设备供应商 5G 网管的 MR 功能尚未全面开启,现场测试评估方式成本较高,现有这两种手段均目前均无法支撑 5G 室外强干扰小区的识别。

 

1.2 基于 4G 与 5G 共天线特征的室外高干扰小区识别方案

1.2.1 总体思路

根据当前 4G 与 5G 共天线建设的现网特点,按照与 5G 室分小区共 RRU 的 FDD1800 锚点 4G 小区 MR 数据为基准,可分别估算出室内外 5G 小区电平,并根据室内外 5G 电平差的比例识别室外 5G 强同频干扰小区(图 3)。

 

图 3 总体思路示意

 

1.2.2 建模方案

相同无线环境下,基于经典的 Cost231-Hata 模型,1800MHz 与 2600MHz 频段的路径损耗差约 5.4dB;选取深圳市某典型室分系统(表 1)开展的现场测试(图 4 和图 5)也验证了该模型:与 FDD1800 锚点站共 RRU 的 5G NR 室分小区电平低于锚点站小区约 5.5dB。同时,实测结果(图 5 和图 6)也表明 4G 的 3D-MIMO 小区共 AAU 的 5G NR 宏站小区电平与 4G 的 3D-MIMO 小区电平基本一致(均为 2600MHz)。

 

表 1 室内外站点关键参数

 

(1)室分系统中 5G NR 与锚点 FDD1800 频段的对比测试情况

 

图 4 和图 5 分别是在深圳市某典型室分系统中 4G 锚点站及 5G NR 系统的路测情况,表 2 列出了数据分析结果,可知室分共 RRU 时,5G NR 小区电平低于锚点 FDD1800 小区约 5.5dB。

 

图 4 4G 锚点站 RSRP

 

图 5 5G NR 室分站 RSRP

 

表 2 室分系统 1800MHz 与 2600MHz 频段的损耗差

 

数据来源 平均电平

 

(2)室外宏站 4G 与 5G 共 AAU 时 4G 3D-MIMO 与 5G NR 小区电平对比测试情况

 

图 6 和图 7 分别是典型室外宏站中 4G 锚点站及 5G NR 系统的路测情况,表 3 列出了数据分析结果,在本参数配置情况下同一点位上,4G 3D-MIMO 小区与 5G NR 小区的电平基本接近。

 

图 6 4G 3D-MIMO 小区 RSRP

 

图 7 5G NR 小区 RSRP

 

表 3 室外宏站 4G 3D-MIMO 与 5G NR 的损耗差

 

数据来源 平均电平

 

基于以上分析,本文提出一种基于室分系统 4G FDD1800 网络 的 MR 数据快速识别 5G 室外高干扰小区的方案,步骤如下:

 

(1)筛选出与 5G 站点室分小区共 RRU 的锚点 FDD1800 小区作为基准点。

 

(2)室分 FDD1800 小区的电平值减去频段引起的路损差(5.5dB),即为室分 NR 小区的电平。

 

(3)通过开启室分 FDD1800 的异频测量功能,可获取室分小区周边宏站 3D-MIMO 小区在室内的电平,该电平即可近似为周边宏站的 NR 小区电平。

 

(4)基于以上两步分析,利用 FDD1800 的 MR 数据,即可分别计算出室内外 NR 小区电平,再对每个 MR 采样点计算出的 NR 电平差值进行汇总分析,即可计算出 5G 网络室外对室内的强干扰小区。

 

上述步骤中的基本判断规则可以定义为如下指标:

 

NR 电平差值小于 5 的采样点占比

 

           (1)

 

其中,In NR RSRP 为室分 NR 小区电平,可用室分 FDD1800 小区电平(In RSRP)减去 5.5dB 来近似估算,Out NR RSRP 为宏站 NR 小区电平,可用宏站 3D-MIMO 小区电平(3D-MIMO RSRP)来近似估算,MR Point 为 FDD 1800 的测量报告总采样点数;同时,根据图 1 中的测试结论,可将室内外电平差门限设为 5。

 

如果该指标的值越大,说明该小区收到的室外同频干扰就越严重。但需要指出的是:对于部分共站率不如本文所述场景高的情况,须根据当地情况开展图 4 和图 5 所示测试,具体估计场景的偏差;同时,上述室分系统中 5G NR 与锚点 FDD1800 频段的对比测试情况是在广州典型商业楼宇中开展的。

 

2、测试验证

2.1 验证区域

依据公式(1)可以对室分系统开展筛选式计算。本文在广东深圳密集城区内选取了某营业厅进行验证,该室分站点已经开通 5G 小区,且使用共 pRRU 开通的 FDD1800 作为 5G 锚点,该营业厅周边已经开通 5G 宏站以及反开 3D-MIMO 的 4G 小区。

 

2.2 验证方案

根据上面介绍的建模方案,基于 MR 数据识别的 5G 宏站干扰小区,结合现场测试情况进行比对,以验证方案的准确性。

 

(1)基于 5G 室分小区的锚点 FDD1800 小区 MR 数据,按照上面方法分别估算室内共模 5G NR 小区电平和周边宏站 5G NR 小区电平,进而识别室外 NR 强干扰小区。

 

(2)开展现场路测,根据测试结果分析识别周边宏站的 NR 同频小区,并对室内 5G 下载速率影响情况进行统计。

 

(3)对比以上两步的分析结果,确认基于室分锚点小区 MR 数据识别 5G 室外强干扰小区方案准确性。

 

(4)对识别出的强干扰小区进行优化,降低室外信号在室分的同频影响,并再次验证建模方案的准确性,同时对室内速率改善情况进行分析对比。

 

2.3 模型验证

2.3.1 基于 4G 锚点小区 MR 数据的模型验证

验证区域周边环境如图 8 所示,在网管侧提取了 FDD1800 锚点小区的两两异频邻区 MR 数据,并结合 5G 室内外同频组网干扰原理,通过总采样点占比识别出有两个室外同频小区与 5G NR 室分小区存在同频干扰(表 4)。

 

图 8 试点网络分布图

 

表 4 采样点占比情况表

 

需要说明的是:虽然深圳海王工业 D-HRH-1、深圳科技北 D-HRH-1 的采样点占比也很高,但是由于采样点总数都很少,不建议作为强干扰小区;而深圳科兴科学 D-HRH-3、深圳科技北 D-HRH-2 的总采样点和电平差值小于 5 采样点的占比都很高,符合干扰小区的特性,这两个小区可识别为室外同频高干扰小区。

 

2.3.2 基于现场 5G 道路测试的验证

由于 5G 用户较少,现场对营业厅周边 5G 宏站小区模拟加载 50%,进行测试验证,发现被测室分小区与上述方案所识别出的两个室外宏站小区确实存在同频干扰,造成营业厅门口位置的下载速率恶化严重(图 9 右红框区域)。

 

图 9 现场速率测试结果图

 

2.3.3 验证总结

根据以上验证结果,除去个别 MR 采样点极少的小区外,基于 5G 室分锚点的 MR 数据建模并识别的 5G 强干扰小区与现场测试强干扰小区基本相符。

 

2.4 优化处理

(1)优化调整前:由于 5G 室分小区与室外宏站邻区存在同频干扰,营业厅整体速率 585Mbit/s,营业厅门口位置速率恶化明显,平均速率只有 285Mbit/s。

 

(2)优化调整后:针对室外高干扰小区开展了无线射频(RF)优化,将深圳科兴科学 D-HRH-3 小区的电倾角由 4 度调至 6 度、方位角由 270 度调至 260 度,将深圳科技北 D-HRH-2 小区的电倾角由 5 度调至 8 度、方位角由 60 度调至 75 度),室分小区的平均下载速率提升明显(表 5)。

 

表 5 问题路段优化前后测速情况

 

 

优化调整后,对营业厅内 4G 与 5G 共 RRU 室分小区再次开展频邻区 MR 采集,结果(表 6)表明:干扰小区差值小于 5 的采样点占比下降幅度很大,不再属于强干扰小区。

 

表 6 优化后采样点占比情况表

 

3、结束语

本文提出了一种基于 4G 网络测量报告数据来快速识别 5G 室外高干扰同频小区的技术方案,现场测试结果符合理论预期,从而证明在 5G 覆盖开展初期,可以采用上述 5G 室外同频干扰源识别技术,高效发现 5G 同频高干扰小区,该方案避免了大量现场作业排查协调工作,且可以在 5G 网络负荷抬升之前提前开展网络预优化工作。

 

参考文献

 

[1]赵培,李剀,张需溥 . 室内无线通信技术原理与工程实践[M]. 北京:北京邮电大学出版社,2015.

 

[2]宫元峰,黄轶 . 基于大数据分析的室内深度覆盖优化方法研究[J]. 电信科学,2019 (5).

 

[3]马颖,程日涛,马向辰 .5G 室内外同频组网性能分析及解决方案[J]. 通信世界,2019(8).

 

 [4]刘宝昌,胡恒杰,朱强 .TD-LTE 无线网络规划研究[J]. 电信工程技术与标准化,2010 (1).

 

[5]刘林 . 非视距环境下的无线定位算法及其性能分析[D]. 成都:西南交通大学,2007.

 

[6]崔航,王四海,李新,等 .TD-LTE 重叠覆盖及解决方案分析[J]. 移动通信,2013 (11).

 

[7]何珂,全涛,赵晋,李德强 . 基于 MR 数据的 LTE 网络射频精细优化的方法研究[J]. 移动通信,2013 (12).