基于5G業務量AI分析節能應用研究

張國光 趙 煜 李含華 全詩文

1.中國聯通江蘇省分公司；2.中國聯通南京市分公司

0 引言

我國的5G網絡建設持續深入推進，降低基站能耗至關重要。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，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。本研究結合當前主設備廠家的動態休眠、符號關斷、通道/載頻等關斷技術，研究建立基于5G用戶數、業務量、場景等綜合評估的大數據分析模型算法，實施5G基站小區節能措施，最大程度降低5G基站能耗。

1 5G基站節能實施

1.1 5G基站能耗與業務量、用戶數分析

依據現網實際情況分析，選取“基站各單板測量累加的基站制式能耗（NR）”指標能更準確地監控基站能耗。因此，選擇該指標數據為基站能耗依據。該指標是由NR相關的單元能耗相加得到，NR相關的單元能耗包括BBU中各NR相關單板能耗、配置NR載波的射頻模塊能耗和風扇能耗等。

基站業務量指標選取基站用戶數和上下行總流量作為依據，進行全網一個月指標的宏觀分析和典型站點微觀分析。結合全網基站分析和典型基站站型分析，得出如下基本結論：（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聯性；（2）不同類型、不同地理位置的站點在24小時內的流量分布、用戶數分布呈現出非常不同的特點；（3）同一個站點在不同日期的24小時內的平均用戶數分布存在比較明顯的規律性。

1.2 小區閉鎖前后能耗對比分析

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

1.2.1 業務量為零基站間能耗橫向對比

在30天周期內業務量均為0的基站清單及能耗，業務量為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 業務量為零基站與業務量為平均值基站對比

在統計周期內全網基站平均流量為450GB，“P_NJ_PK_HW_南浦職校_N_GX”站點流量為473GB且與業務為0基站硬件配置一致、可用小區數量一致，因此選擇該站點與業務量為0的基站進行對比。

在統計周期內，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。

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

圖1 能耗與業務量關系圖

1.2.3 小區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”進行小區閉塞前后節能效果對比，該基站共三個小區，對應射頻單元柜、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。

站點對應射頻單元的能耗結果，如圖2所示。

圖2 單板閉塞前后能耗對比圖

分析圖2，在小區閉塞的時間段內（00：00-06：00），小區的能耗顯著降低，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時間段統計，該站點三個小區在該時間段內共節能4.05（0.27×5×3）千瓦時。

基于以上分析可以得到以下基本結論：（1）閉塞小區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能耗下降可達到30%-45%。（2）驗證了業務量與射頻單元能耗無明顯耦合關系。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定，不因業務量變化產生明顯波動。

1.2.4 小區的閉鎖與解鎖時間段

為進行基站節能，需要根據基站的業務量進行部分小區的閉塞，因此何時關閉小區、何時開放小區是方案實施的關鍵。

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

（2）小區解閉塞：由于小區閉塞后小區無用戶和流量，無法進行相關KPI指標監控，從而指導小區何時解閉塞，因此必須根據歷史大數據模型預計基站下一個業務高峰時間段，執行解閉塞操作。

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，發現基站的流量變化存在較高規律性：0-6點業務量較低，7點達到小高峰，8-19點業務量穩定在某個水平，19點之后業務量逐步下降。根據該站點的變化情況，可以考慮在0-6點閉塞基站，必須在7點前解閉塞基站。

核查此站點是學校內基站，因此存在比較明顯的規律性。更為深層次的規律性需要系統的大數據分析，針對每個站點的每個小區進行建模分析，同時充分考慮站點的位置、小區覆蓋、業務類型、業務量等變量。

2 5G基站節能實施

結合數據分析與統計，篩選5G基站低流量小區進行分時段定時閉塞、解閉塞單板，以節省電力資源，進行節能減排的試點研究及效果驗證。節點站點清單篩選的原則及效果對比詳情如下：

（1）節電閉塞原則

22：00-8：00流量超過200M的不進行閉塞。

表2 基站實施表

（2）節電閉塞效果

小區單板功耗統計趨勢，如圖3所示。

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

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

表3 基站節電效果表

小區閉塞對業務量的影響：節電小區因閉塞時間基本屬于用戶休息、低流量時間段，所以閉塞小區整體流量占比較低，閉塞前后全網業務量未受影響，后續將持續關注5G因閉塞小區可能產生的投訴問題。

圖3 基站單板能耗變化圖

3 5G基站AI節能實施

3.1 傳統基站節能實施

傳統方式是人工采集小區歷史用戶數、業務量、PRB占用率等指標進行分析，依據數據分析制定節能關斷的閾值門限。依據歷史指標平均值判斷小區應實施何種等級的節能操作，人工制作腳本，設置定時任務在網管上執行，并配置固定的關斷時間，定期依據指標分析變化小區名單及相應腳本制作。

3.2 AI智能化操作實施

平臺自動采集小區歷史用戶數、業務量、PRB占用率等指標數據，依據業務量模型預測24小時內的流量變化情況，制定節能關斷的閾值門限，并監控觸發激活的鄰區業務量閾值門限。結合預測的業務量水平及歷史業務量水平判斷應實施何種等級的節能操作，網管上實現自動制作并下發腳本，對不同小區根據小區自身流量特性實施節能關斷，監控周邊鄰小區業務量激增時實時自動觸發小區激活。

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（遞歸神經網絡）的一種，通過確定與預測數據相關的N個歷史流量段落，結合預判未來數據流量，模型使用三層LSTM疊加全連接神經網絡層的方式構建。

3.2.2 模型擬合

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

3.2.3 模型預測效果

模型以歷史145小時的流量數據為輸入，之后24小時的預測流量為輸出，從單小區預測效果而言，較為理想，預測值與實際值的趨勢吻合度極高，預測值與實際值接近。

3.2.4 模型針對傳統方法問題點所做的改進點

傳統方法僅能對較大區域內的總流量做較為準確的分析預判，而網絡資源調度、用戶感知優化所需要的是小區級，甚至更小區域內的流量預測。本創新模型算法可以解決這一問題，由深度學習算法進行容量的預測建模，只需提供相應粒度的指標數據供模型學習，即可獲得相應粒度的容量預測結果。也就是說，從小區級別到基站級別，或更大區域級別的容量預測，均可以實現。

傳統方法即使對區域內的流量數據做出預測，一般而言預測的精度也較低，置信度低，無法作為資源調度的憑據。本創新模型算法通過使用深度學習的方法，在大量的容量預測結果上取得了極小的偏差，預測精度高。

傳統方法對人力成本的消耗較大，無法實現大數量、高頻次的容量數據分析和預測。本管理創新模型算法通過使用深度學習的方法，在數據建模完成后，預測所花的時間較短，可以支撐大量、快速的容量資源預測，實現網絡資源的快速調度。

4 結束語

相較于傳統實施基站小區關斷而言，基于AI分析實施5G基站小區閉塞更智能化和精確化，能夠在盡量少影響用戶業務的情況下實施小區節能操作，保障用戶使用感知。后續已閉塞的小區可再進一步細化，篩選出可閉塞時間更長的小區。