張國光 趙 煜 李含華 全詩文

1.中國聯(lián)通江蘇省分公司；2.中國聯(lián)通南京市分公司

0 引言

我國的5G網(wǎng)絡(luò)建設(shè)持續(xù)深入推進，降低基站能耗至關(guān)重要。5G基站組成為BBU+AAU（RRU），即基站控制器和無線射頻單元，因5G采用Massive MIMO等技術(shù)，每個天線單元都有PA和RF單元，TRX鏈路增加，帶來BBU的計算功耗也隨著TRX鏈路增加而上升，因此基站總功耗隨之上升，一般5G基站功耗是4G基站的3～4倍。本研究結(jié)合當(dāng)前主設(shè)備廠家的動態(tài)休眠、符號關(guān)斷、通道/載頻等關(guān)斷技術(shù)，研究建立基于5G用戶數(shù)、業(yè)務(wù)量、場景等綜合評估的大數(shù)據(jù)分析模型算法，實施5G基站小區(qū)節(jié)能措施，最大程度降低5G基站能耗。

1 5G基站節(jié)能實施

1.1 5G基站能耗與業(yè)務(wù)量、用戶數(shù)分析

依據(jù)現(xiàn)網(wǎng)實際情況分析，選取“基站各單板測量累加的基站制式能耗（NR）”指標(biāo)能更準(zhǔn)確地監(jiān)控基站能耗。因此，選擇該指標(biāo)數(shù)據(jù)為基站能耗依據(jù)。該指標(biāo)是由NR相關(guān)的單元能耗相加得到，NR相關(guān)的單元能耗包括BBU中各NR相關(guān)單板能耗、配置NR載波的射頻模塊能耗和風(fēng)扇能耗等。

基站業(yè)務(wù)量指標(biāo)選取基站用戶數(shù)和上下行總流量作為依據(jù)，進行全網(wǎng)一個月指標(biāo)的宏觀分析和典型站點微觀分析。結(jié)合全網(wǎng)基站分析和典型基站站型分析，得出如下基本結(jié)論：（1）影響基站能耗的變量很多，單一變量與總體能耗無法建立直接的關(guān)聯(lián)性；（2）不同類型、不同地理位置的站點在24小時內(nèi)的流量分布、用戶數(shù)分布呈現(xiàn)出非常不同的特點；（3）同一個站點在不同日期的24小時內(nèi)的平均用戶數(shù)分布存在比較明顯的規(guī)律性。

1.2 小區(qū)閉鎖前后能耗對比分析

由于閉塞現(xiàn)網(wǎng)小區(qū)將導(dǎo)致業(yè)務(wù)中斷，屬于高危操作，因此選擇相同硬件配置、不同業(yè)務(wù)量的基站間接進行能耗對比分析試點，避免影響業(yè)務(wù)。下面將選擇部分業(yè)務(wù)量為零和業(yè)務(wù)量為平均值的基站進行對比分析。選取部分試點站點小區(qū)閉鎖前后能耗的對比，明確小區(qū)閉塞后節(jié)能的效果。

1.2.1 業(yè)務(wù)量為零基站間能耗橫向?qū)Ρ?/p>

在30天周期內(nèi)業(yè)務(wù)量均為0的基站清單及能耗，業(yè)務(wù)量為0的7個基站每日能耗的平均值最小為36.36千瓦時，最大值為38.59千瓦時，觀測的7個基站中能耗最大差別僅6.1%，均值為37.55千瓦時，有較高的一致性，詳見表1。

表1 基站能耗表

注：基站硬件配置為主控板UMPTe3*1，基帶板UBBPg2ac*1，射頻單元AAU5639w*3，電源板UPEUe*1。

1.2.2 業(yè)務(wù)量為零基站與業(yè)務(wù)量為平均值基站對比

在統(tǒng)計周期內(nèi)全網(wǎng)基站平均流量為450GB，“P_NJ_PK_HW_南浦職校_N_GX”站點流量為473GB且與業(yè)務(wù)為0基站硬件配置一致、可用小區(qū)數(shù)量一致，因此選擇該站點與業(yè)務(wù)量為0的基站進行對比。

在統(tǒng)計周期內(nèi)，基站的每日能耗最小值為35.8千瓦時，最大值為38.3千瓦時，最大差值7%；流量最小值4.6GB，最大值29.6GB。如圖1所示。

將該站點能耗與業(yè)務(wù)量為零的基站進行能耗對比，該基站平均能耗39.59千瓦時，與業(yè)務(wù)量為0的基站均值37.55千瓦時相差5%。

圖1 能耗與業(yè)務(wù)量關(guān)系圖

1.2.3 小區(qū)級閉塞前后能耗對比

選取試點站點“P_NJ_XW_HW_漢府飯店_N_GX”進行小區(qū)閉塞前后節(jié)能效果對比，該基站共三個小區(qū)，對應(yīng)射頻單元柜、框、槽號分別為0-180-0、0-181-0、0-182-0，試點的閉塞時間段為00：00-06：00。

站點對應(yīng)射頻單元的能耗結(jié)果，如圖2所示。

圖2 單板閉塞前后能耗對比圖

分析圖2，在小區(qū)閉塞的時間段內(nèi)（00：00-06：00），小區(qū)的能耗顯著降低，射頻單元閉塞前的每小時約0.60千瓦時，下降到約每小時0.33千瓦時，閉塞后單個射頻單元平均節(jié)能約每小時0.27千瓦時，降低能耗45%。若按照00：00-06：00時間段統(tǒng)計，該站點三個小區(qū)在該時間段內(nèi)共節(jié)能4.05（0.27×5×3）千瓦時。

基于以上分析可以得到以下基本結(jié)論：（1）閉塞小區(qū)能有效降低射頻單元能耗，每個射頻單元的能耗相比不閉塞前下降明顯，單個射頻單元每小時能耗相比不閉塞狀態(tài)能耗下降可達到30%-45%。（2）驗證了業(yè)務(wù)量與射頻單元能耗無明顯耦合關(guān)系。從圖2可以看到在射頻單元非閉塞的時間段，射頻單元能耗非常穩(wěn)定，不因業(yè)務(wù)量變化產(chǎn)生明顯波動。

1.2.4 小區(qū)的閉鎖與解鎖時間段

為進行基站節(jié)能，需要根據(jù)基站的業(yè)務(wù)量進行部分小區(qū)的閉塞，因此何時關(guān)閉小區(qū)、何時開放小區(qū)是方案實施的關(guān)鍵。

（1）小區(qū)閉塞：首先需要依托歷史大數(shù)據(jù)模型，預(yù)測可閉塞小區(qū)時間段，最終取決于計劃閉塞前小區(qū)的用戶數(shù)、流量KPI指標(biāo)，如果計劃閉塞時間段使用率較高，則不能進行閉塞。

（2）小區(qū)解閉塞：由于小區(qū)閉塞后小區(qū)無用戶和流量，無法進行相關(guān)KPI指標(biāo)監(jiān)控，從而指導(dǎo)小區(qū)何時解閉塞，因此必須根據(jù)歷史大數(shù)據(jù)模型預(yù)計基站下一個業(yè)務(wù)高峰時間段，執(zhí)行解閉塞操作。

選取基站“P_NJ_PK_HW_南浦職校_N_GX”作為示例，獲取基站過去一個月的流量指標(biāo)，發(fā)現(xiàn)基站的流量變化存在較高規(guī)律性：0-6點業(yè)務(wù)量較低，7點達到小高峰，8-19點業(yè)務(wù)量穩(wěn)定在某個水平，19點之后業(yè)務(wù)量逐步下降。根據(jù)該站點的變化情況，可以考慮在0-6點閉塞基站，必須在7點前解閉塞基站。

核查此站點是學(xué)校內(nèi)基站，因此存在比較明顯的規(guī)律性。更為深層次的規(guī)律性需要系統(tǒng)的大數(shù)據(jù)分析，針對每個站點的每個小區(qū)進行建模分析，同時充分考慮站點的位置、小區(qū)覆蓋、業(yè)務(wù)類型、業(yè)務(wù)量等變量。

2 5G基站節(jié)能實施

結(jié)合數(shù)據(jù)分析與統(tǒng)計，篩選5G基站低流量小區(qū)進行分時段定時閉塞、解閉塞單板，以節(jié)省電力資源，進行節(jié)能減排的試點研究及效果驗證。節(jié)點站點清單篩選的原則及效果對比詳情如下：

（1）節(jié)電閉塞原則

22：00-8：00流量超過200M的不進行閉塞。

表2 基站實施表

（2）節(jié)電閉塞效果

小區(qū)單板功耗統(tǒng)計趨勢，如圖3所示。

可以清晰看出定時閉塞的節(jié)能效果：每日夜10點-次日8點整網(wǎng)功耗降低，每日0-6點為全網(wǎng)功耗最低點，6時開始功耗上升，8時開始整網(wǎng)功耗恢復(fù)高點。同時可以看到，在業(yè)務(wù)量波動較大的日間時段能耗基本保持平穩(wěn)，無明顯波動。

小區(qū)閉塞節(jié)電效果：選取閉塞前后的24小時進行小區(qū)閉塞前后全網(wǎng)功耗對比，試點的小區(qū)單板在固定時間段閉塞后平均每天節(jié)省功耗2432千瓦時，如表3所示。

表3 基站節(jié)電效果表

小區(qū)閉塞對業(yè)務(wù)量的影響：節(jié)電小區(qū)因閉塞時間基本屬于用戶休息、低流量時間段，所以閉塞小區(qū)整體流量占比較低，閉塞前后全網(wǎng)業(yè)務(wù)量未受影響，后續(xù)將持續(xù)關(guān)注5G因閉塞小區(qū)可能產(chǎn)生的投訴問題。

圖3 基站單板能耗變化圖

3 5G基站AI節(jié)能實施

3.1 傳統(tǒng)基站節(jié)能實施

傳統(tǒng)方式是人工采集小區(qū)歷史用戶數(shù)、業(yè)務(wù)量、PRB占用率等指標(biāo)進行分析，依據(jù)數(shù)據(jù)分析制定節(jié)能關(guān)斷的閾值門限。依據(jù)歷史指標(biāo)平均值判斷小區(qū)應(yīng)實施何種等級的節(jié)能操作，人工制作腳本，設(shè)置定時任務(wù)在網(wǎng)管上執(zhí)行，并配置固定的關(guān)斷時間，定期依據(jù)指標(biāo)分析變化小區(qū)名單及相應(yīng)腳本制作。

3.2 AI智能化操作實施

平臺自動采集小區(qū)歷史用戶數(shù)、業(yè)務(wù)量、PRB占用率等指標(biāo)數(shù)據(jù)，依據(jù)業(yè)務(wù)量模型預(yù)測24小時內(nèi)的流量變化情況，制定節(jié)能關(guān)斷的閾值門限，并監(jiān)控觸發(fā)激活的鄰區(qū)業(yè)務(wù)量閾值門限。結(jié)合預(yù)測的業(yè)務(wù)量水平及歷史業(yè)務(wù)量水平判斷應(yīng)實施何種等級的節(jié)能操作，網(wǎng)管上實現(xiàn)自動制作并下發(fā)腳本，對不同小區(qū)根據(jù)小區(qū)自身流量特性實施節(jié)能關(guān)斷，監(jiān)控周邊鄰小區(qū)業(yè)務(wù)量激增時實時自動觸發(fā)小區(qū)激活。

3.2.1 建立LSTM（長短期記憶）模型算法

LSTM（長短期記憶）模型是RNN（遞歸神經(jīng)網(wǎng)絡(luò)）的一種，通過確定與預(yù)測數(shù)據(jù)相關(guān)的N個歷史流量段落，結(jié)合預(yù)判未來數(shù)據(jù)流量，模型使用三層LSTM疊加全連接神經(jīng)網(wǎng)絡(luò)層的方式構(gòu)建。

3.2.2 模型擬合

LSTM模型經(jīng)過約30個輪次的訓(xùn)練（batchsize為64，約合20000次迭代次數(shù)）后損失值趨于平穩(wěn)，訓(xùn)練集誤差約0.493，驗證集誤差約0.601。

3.2.3 模型預(yù)測效果

模型以歷史145小時的流量數(shù)據(jù)為輸入，之后24小時的預(yù)測流量為輸出，從單小區(qū)預(yù)測效果而言，較為理想，預(yù)測值與實際值的趨勢吻合度極高，預(yù)測值與實際值接近。

3.2.4 模型針對傳統(tǒng)方法問題點所做的改進點

傳統(tǒng)方法僅能對較大區(qū)域內(nèi)的總流量做較為準(zhǔn)確的分析預(yù)判，而網(wǎng)絡(luò)資源調(diào)度、用戶感知優(yōu)化所需要的是小區(qū)級，甚至更小區(qū)域內(nèi)的流量預(yù)測。本創(chuàng)新模型算法可以解決這一問題，由深度學(xué)習(xí)算法進行容量的預(yù)測建模，只需提供相應(yīng)粒度的指標(biāo)數(shù)據(jù)供模型學(xué)習(xí)，即可獲得相應(yīng)粒度的容量預(yù)測結(jié)果。也就是說，從小區(qū)級別到基站級別，或更大區(qū)域級別的容量預(yù)測，均可以實現(xiàn)。

傳統(tǒng)方法即使對區(qū)域內(nèi)的流量數(shù)據(jù)做出預(yù)測，一般而言預(yù)測的精度也較低，置信度低，無法作為資源調(diào)度的憑據(jù)。本創(chuàng)新模型算法通過使用深度學(xué)習(xí)的方法，在大量的容量預(yù)測結(jié)果上取得了極小的偏差，預(yù)測精度高。

傳統(tǒng)方法對人力成本的消耗較大，無法實現(xiàn)大數(shù)量、高頻次的容量數(shù)據(jù)分析和預(yù)測。本管理創(chuàng)新模型算法通過使用深度學(xué)習(xí)的方法，在數(shù)據(jù)建模完成后，預(yù)測所花的時間較短，可以支撐大量、快速的容量資源預(yù)測，實現(xiàn)網(wǎng)絡(luò)資源的快速調(diào)度。

4 結(jié)束語

相較于傳統(tǒng)實施基站小區(qū)關(guān)斷而言，基于AI分析實施5G基站小區(qū)閉塞更智能化和精確化，能夠在盡量少影響用戶業(yè)務(wù)的情況下實施小區(qū)節(jié)能操作，保障用戶使用感知。后續(xù)已閉塞的小區(qū)可再進一步細化，篩選出可閉塞時間更長的小區(qū)。