基站油機油耗精細化管理應用研究

趙自強 王法明 李秋偉 劉帥

摘要：本文主要研究如何利用BP神經網絡建立油機效率預測模型，將油機的品牌型號、使用年限、基站電流、發電時間作為神經網絡的4個輸入，將油機效率作為神經網絡的輸出，實現了多影響因素的油機效率預測，有利于維護人員精細化管理。

關鍵詞：基站維護；油機油耗；神經網絡

1. 神經網絡技術

隨著人工智能的快速發展，越來越多領域使用機器學習建立預測模型。潘顯民等人將BP神經網絡模型應用到教師的智能推薦中[1]。張比鵬等人將BP神經網絡應用到集裝箱制造的綠色評價體系中[2]。楊天劍等人利用神經網絡方法預測基站全年的能耗[3]。郭超等人采用圖神經網絡的方法對無線網絡基站的流量進行預測[4]。

BP神經網絡是一種反向傳播神經網絡，由輸入層、隱含層和輸出層組成[5]，其原理是通過學習樣本數據，不斷調整神經網絡的權重和偏置，使得神經網絡的輸出盡可能接近目標輸出。BP神經網絡的核心算法是反向傳播算法，通過計算輸出層和目標輸出之間的誤差，反向傳播到隱含層和輸入層，不斷調整神經網絡的權重和偏置，使得誤差逐漸減小。

BP神經網絡的學習過程分為兩個階段，即正向傳播階段和反向傳播階段。在正向傳播階段，輸入數據經過隱含層和輸出層的計算，得到神經網絡的輸出。在反向傳播階段，根據目標輸出與實際輸出之間的誤差，計算出每個神經元的梯度，并使用梯度下降算法更新神經網絡的權重和偏置[6]。

BP神經網絡具有較好的泛化能力和適應性[7]，可以用于分類、回歸、聚類等任務。其優點包括：能夠自適應學習，可以處理非線性問題；能夠自動調整權重和偏置，具有較好的魯棒性；能夠處理大規模數據，具有較好的泛化能力。三層BP神經網絡示意圖如圖1所示。

1.1 BP神經網絡模型構建

BP神經網絡模型與傳統的統計學回歸方法相比，具有較好的非線性預測能力。本文構建一個5層的神經網絡模型，其中隱含層節點個數分別為256、512、128，激活函數為Sigmoid函數式（1），由于輸出位油機效率，loss采用MSE來進行評估，反向傳播使用Adam梯度下降法。

（1）

算法流程圖如圖2所示。

1.2 模型參數設置

本文將基站電流、油機品牌型號、油機使用年限、發電時長4個參數輸入神經網絡，輸出參數為油機效率，神經網絡模型的參數設置如表1所示。

網絡的結構框架圖如圖3所示。loss收斂過程如圖4所示。

2. 訓練數據集

本文按照以下方案進行數據采集。

基站范圍：選取的負載范圍在10～250A范圍內的通信基站。

油機選取：選取日常使用較多的8KW、10KW、15KW、18KW油機。

按不同區縣，分別選取不同的基站進行發電測試，分別得出結果進行匯總。

測試步驟：（1）發電前將油機油箱加滿。在油機發電輸出端加裝電表。（2）開始發電，同時檢查確認基站直流負載大小。（3）模擬停電情況下發電，記錄完整發電記錄，包括記錄發電的起始時間，計算發電時長和發電機油耗。（4）發電完畢，油機油箱再次加滿，計算耗油量。

本實驗共采集數據88條，包括基站名稱、基站電流、油機品牌型號、油機使用年限、發電時長、每升油發電量等指標，其中油機品牌型號作為離散數據在數據集導入后要進行預處理，采用One Hot Encoder進行編碼。數據集中66條作為訓練數據，22條作為測試數據。部分訓練數據集如表2所示。

3. 結果與應用

3.1 實驗結果

本文輸出為油機每升油發電量，采用的模型性能指標為MSE。測試數據的預測值與真實值部分數據如表3所示。

測試集測試完成后，測試結果如表4所示。

從測試結果來看，本文中的BP神經網絡模型擬合效果較好，能夠反映基站電流、油機品牌型號、使用年限、發電時長等因素對油機效率的影響。

3.2 模型應用

本文中的模型訓練使用Pytorch框架，訓練完成后，輸出模型文件，通過Python的FastApi框架構建油機效率預測API，編寫微信小程序，在基站停電時，運維人員使用微信小程序輸入停電基站的工作電流，然后微信小程序調用效率預測API，獲取油機使用推薦列表。小程序界面如圖5所示。

運維人員通過使用該小程序能夠選擇當前條件下單位油耗發電量最高的油機，能夠節省耗油量，達到節省發電成本的目的。

結語

本文建立的預測油機效率的BP神經網絡模型使用基站電流、油機品牌、油機使用年限、發電時長4個因素預測油機油耗效率。根據本模型可開發油機效率預測軟件，基站出現停電時，運維人員能夠選擇最優油機進行發電，減少油量消耗，節約能源。結合本模型與各基站日常電流、停電情況、運維負責區域等因素，可實現現有油機最佳分配，同時對新油機的采購也可以起到指導作用。

參考文獻：

[1]潘顯民，黃俏，李佩林.基于BP神經網絡的城鄉教師智能推薦系統[J].湖南科技學院學報，2023，44（5）：14-19.

[2]張比鵬，韓聰，王靖涵.基于BP神經網絡的集裝箱制造過程綠色度評價研究[J].機械工程與自動化，2023（6）：55-57.

[3]楊天劍，張靜.基于人工神經網絡方法的通信基站能耗標桿建立與分析[J].北京郵電大學學報（社會科學版），2015，17（6）：58-63.

[4]郭超，陳佳，汪悅.基于圖卷積神經網絡的無線基站流量預測研究[J].郵電設計技術，2023（6）：36-40.

[5]曾慶揚，丁楚衡，谷戰英，等.基于BP神經網絡的油茶產量預測模型構建[J].經濟林研究，2022，40（3）：87-95.

[6]姚精明.基于BP神經網絡的邊緣緩存內容熱度預測[C]//中國通信學會.2019全國邊緣計算學術研討會論文集.中網數據（北京）股份有限公司，2019：6.

[7]高磊.神經網絡與線性回歸的電力負荷預測[J].云南電力技術，2016，44（1）：53-57.

作者簡介：趙自強，本科，工程師，研究方向：設備環境。