智能基站節(jié)能方案助力綠色運營

劉大偉，劉 紅，程 磊，李 琦，張 羽

（中國移動通信集團山東有限公司，山東 濟南 250001）

1 節(jié)能方案概述

5G的峰值速率、用戶體驗速率、容量以及連接密度等相比4G有了較大提升，因此5G設備有更大的帶寬、更多的發(fā)射通道、更大的數(shù)據(jù)計算量和更密集的站點量需求，增加了電費成本壓力。相關數(shù)據(jù)顯示，5G單站功耗約為4G單站的3倍，且站點規(guī)?？赡鼙?G增加1倍。5G電費占運營商整體運營成本的15%以上，其高能耗直接影響運營商的經(jīng)營效率[1,2]。因此，節(jié)能降耗是運營商的長期訴求，也是通信業(yè)界的社會責任。

根據(jù)蜂窩網(wǎng)組成架構，基站設備機房的能耗占比大于80%?；驹O備機房中，基站設備的能耗占比大于50%，而基站設備中AAU/RRU設備的能耗占比大于80%。因此，降低無線網(wǎng)絡能耗的重點在于降低AAU/RRU設備的能耗。

在無線網(wǎng)絡實際應用中，閑時低流量時段的網(wǎng)絡能耗不隨話務負荷的下降而降低，而是一直高居不下。此外，不同場景下話務閑忙時的能耗區(qū)別也較大。因此，平衡最優(yōu)節(jié)能與最優(yōu)網(wǎng)絡體驗[3]是一大目標，可以通過場景化策略實施，話務、體驗和能耗平衡以及站點、網(wǎng)絡和制式協(xié)同這3個方面實施具體策略。

基站節(jié)能總體策略為分層分級關斷，即針對具體場景，配合使用設備級的深度休眠、小區(qū)級的協(xié)同關斷技術、通道級的關斷技術以及符號級的關斷技術，以達到最大化節(jié)能的目的。

2 基站節(jié)能核心技術介紹

2.1 設備深度休眠

在5G建網(wǎng)初期，5G用戶量極少。當網(wǎng)絡中沒有5G用戶時，可僅保留喚醒最小單元（電源模塊+eCPRI通信接口），關閉AAU其他所有可關閉器件（基帶處理單元、數(shù)字中頻、收發(fā)信機、攻放等），使AAU進入深度休眠，以實現(xiàn)最大程度的節(jié)能。設備深度休眠技術[4]主要在5G建網(wǎng)初期應用于用戶較少且夜間無高速率需求的時刻。

2.2 4G/5G小區(qū)協(xié)同關斷

2.2.1 4G/5G通過X2口進行業(yè)務交互的情形

5G網(wǎng)絡一般作為容量層承載高速需求的數(shù)據(jù)業(yè)務。在夜間話務需求較低的時刻，可以關閉5G射頻發(fā)射，僅保留4G覆蓋來滿足用戶需求[5]。4G/5G通過X2接口進行業(yè)務交互，當5G業(yè)務處于低話務時刻且對應的錨點4G小區(qū)業(yè)務量也較低時，可關閉5G射頻。在有X2接口的情形下，4G/5G小區(qū)協(xié)同關斷[6]技術主要應用于NSA組網(wǎng)場景下，要求有4G基礎覆蓋層，同時5G作為容量層。

2.2.2 4G/5G沒有X2接口的情形

在SA組網(wǎng)場景下沒有X2接口，4G/5G之間無法進行負荷信息交互，簡單的關斷只能采用盲切的方式，無法保證用戶感知。利用CSON-AI技術進行4G/5G小區(qū)覆蓋區(qū)域檢測，先由CSON-AI自動預測出同覆蓋或者70%以上覆蓋交疊的4G/5G小區(qū)話務負荷，然后選取合適的4G覆蓋小區(qū)進行5G話務承載，最后關斷5G小區(qū)以實現(xiàn)節(jié)能。在沒有X2接口的情形下，4G/5G小區(qū)協(xié)同關斷技術主要應用于SA組網(wǎng)場景下，要求有4G基礎覆蓋層，同時5G作為容量層。

2.3 AAU智能通道關斷

當小區(qū)處于無業(yè)務或者業(yè)務負荷較低的情形時，在系統(tǒng)中設定的節(jié)能時間段可以按照不同的顆粒度進行通道關閉以實現(xiàn)節(jié)能。例如：隨話務容量的逐步減低，64 TR AAU可以從先64 TR降階至48 TR，然后再降階至16 TR，還可以通過抬升剩余開啟通道的功率實現(xiàn)覆蓋補償[6]。AAU智能通道關斷技術在5G AAU部署場景均可以使用。AAU上涉及多個NR載波共存時，需要都達到通道關閉條件才能關閉。

2.4 多制式智能符號關斷

調(diào)度器根據(jù)業(yè)務繁忙程度和業(yè)務數(shù)據(jù)量的預測，主動將下行數(shù)據(jù)調(diào)度到指定的符號上。在剩余無有效信息傳輸?shù)姆枙r間，可以關閉功放電源，從而達到節(jié)能目的。該技術可分為射頻自檢式和基帶調(diào)度式兩種方式。其中，基帶調(diào)度情況下，由于數(shù)據(jù)會被集中調(diào)度到指定符號上，因此對時延有一定影響。目前，多制式智能符號關斷[7]技術多應用于LTE/NR/NBIoT單模（單載或者多載）、LTE/NB-IoT共?；蛘週TE/NR共模等場景。

3 5G節(jié)能策略驗證

3.1 單模站點符號關斷

濟南移動攜手中興通訊在2020年3月8日選取城區(qū)道路和企事業(yè)單位等夜間低流量的10個站點作為覆蓋場景。該覆蓋場景共30個5G單模小區(qū)，并進行0:00—6:00符號關斷的試驗。符號關斷開啟前后相關設備的輸出功率對比情況，如表1所示。

表1 符號關斷開啟前后相關設備的輸出功率對比

由表1可知，符號關斷開啟后整站每小時的輸出功率減低312.59 W，即由符號關斷開啟前的1 934.04 W降為符號關斷開啟后的1 621.45 W，節(jié)電比例為16.16%，則每個基站設備平均每小時節(jié)省電量為：

每小區(qū)（AAU）平均每小時節(jié)省電量為：

將2020年3月8日的全天指標與2020年3月9日（未采用節(jié)能策略）的指標進行對比，結果如表2所示。由表2可知，符號關斷開啟前后的指標波動較小。

表2 符號關斷開啟前后其他相關KPI對比

3.2 單模站點通道關斷

濟南移動攜手中興通訊在2020年3月6日選取城區(qū)道路和企事業(yè)單位等夜間低流量的10個單模站點作為覆蓋場景。該覆蓋場景共30個5G小區(qū)，并進行0:00—6:00通道關斷的驗證。通道關斷開啟前后相關設備的輸出功率對比，如表3所示。

教學名師通常是學術造詣高、教學水平高、教學質量好且德才兼?zhèn)涞睦蠋煵拍墚斶x。由教學名師來擔當新進教師的崗前培訓專家確實可以起到模范帶頭的作用。自2003年，教育部就開展了第一屆高等學校教學名師獎評選，鼓勵教授上講臺。此后，地方以及地方高校也紛紛設立不同級別的教學名師獎。教學名師通常長期為本科生授課，積累了豐富的教學經(jīng)驗，可以較好地傳授給即將走上講臺的教師把握組織課堂的本領、師生之間溝通的本領、優(yōu)秀的教學方法和實用的教學手段。教學名師同時也有較高的學術水平，即使面向科研崗位的教師，也能傳授前沿的科學知識。

表3 通道關斷開啟前后相關設備的輸出功率對比

由表3可知，通道關斷開啟后整站每小時的輸出功率降低384.49 W，即由通道關斷開啟前的1 910.45 W降為通道關斷開啟后的1 525.96 W，節(jié)電比例為20.13%，則每個基站設備平均每小時節(jié)省電量為：

每小區(qū)（AAU）平均每小時節(jié)省電量為：

取2020年3月6日的全天指標與2020年3月9日（未采用節(jié)能策略）的指標進行對比，結果如表4所示。由表4可知，通道關斷開啟前后指標波動較小。

表4 通道關斷開啟前后其他相關KPI對比

3.3 單模站點深度休眠

濟南移動攜手中興通訊在2020年3月7日選取城區(qū)道路和企事業(yè)單位等夜間低流量的10個站點作為覆蓋場景。該覆蓋場景共30個5G單模小區(qū)，并進行0:00—6:00深度休眠的試驗。深度休眠開啟前后相關設備的輸出功率對比如表5所示。

表5 深度休眠開啟前后相關設備的輸出功率對比

由表5可知，深度休眠開啟后整站每小時的輸出功率降低1 042.29 W，即由深度休眠開啟前的1 922.57 W降為深度休眠開啟后的880.28 W，節(jié)電比例為54.21%，則每個基站設備平均每小時節(jié)省電量為：

每小區(qū)（AAU）平均每小時節(jié)省電量為：

取2020年3月7日的全天指標與2020年3月9日（未采用節(jié)能策略）的指標進行對比，結果如表6所示。由表6可知，深度休眠開啟前后指標波動正常。

表6 深度休眠開啟前后其他相關KPI對比

3.4 單模站點小區(qū)關斷

濟南移動攜手中興通訊在2020年3月11日選取城區(qū)道路和企事業(yè)單位等夜間低流量的10個站點作為覆蓋場景。該覆蓋場景共30個5G單模小區(qū)，并進行0:00—6:00小區(qū)關斷的試驗。小區(qū)關斷開啟前后相關設備的輸出功率對比，如表7所示。

表7 小區(qū)關斷開啟前后相關設備的輸出功率對比

由表7可知，小區(qū)關斷后整站每小時的輸出功率降低430.97 W，即由小區(qū)關斷前的1 943.80 W降為小區(qū)關斷后的1 512.83 W，節(jié)電比例為22.17%，則每個基站設備平均每小時節(jié)省電量為：

每小區(qū)（AAU）平均每小時節(jié)省電量為：

取2020年3月11日的全天指標與2020年3月9日（未采用節(jié)能策略）的指標進行對比，結果如表8所示。由表8可知，小區(qū)關斷開啟前后指標波動正常。

表8 小區(qū)關斷開啟前后其他相關KPI對比

3 AI助力網(wǎng)絡協(xié)同節(jié)能

目前，通信網(wǎng)絡泛在智能化趨勢明顯，在運營編排層、網(wǎng)絡及業(yè)務控制層以及網(wǎng)元設施層逐步應用，如圖1所示。

圖1 通信網(wǎng)絡泛在智能化趨勢

基站節(jié)能主要通過載波級、通道級和符號級關斷來實現(xiàn)。由于傳統(tǒng)節(jié)能方案的區(qū)域參數(shù)策略統(tǒng)一、無場景識別、缺乏適應性以及與真實站點的話務量波動匹配度低，依靠人工分析海量數(shù)據(jù)易出錯且耗時，無法實時監(jiān)控性能和故障等，影響用戶感知。因此，網(wǎng)絡需要一套全智能且可自主調(diào)整策略的節(jié)能方案。

隨著人工智能和大數(shù)據(jù)應用等技術的快速發(fā)展，利用大數(shù)據(jù)平臺疊加AI[8,9]引擎，能夠智能編排網(wǎng)絡資源，從而實現(xiàn)直線網(wǎng)絡切片和靈活部署。引入AI推理以實現(xiàn)智能策略的執(zhí)行，同時疊加輕量級AI訓練，以滿足實時業(yè)務控制的需求。接入層網(wǎng)元設備逐步引入AI加速器，以快速具備AI訓練及推理，從而實現(xiàn)網(wǎng)元運維的智能化。

依托大數(shù)據(jù)平臺，使用AI算法自動優(yōu)化節(jié)電策略，爬取用戶業(yè)務需求歷史數(shù)據(jù)，自動預測業(yè)務忙閑。根據(jù)業(yè)務量閾值在不同時間段采取不同的節(jié)能策略（如符號關斷、通道關斷、載波關斷以及深度休眠等），通過人工智能AI學習，監(jiān)控采集策略實施閾值匹配情況及對網(wǎng)絡KPI的影響情況，從而根據(jù)反饋結果綜合評估優(yōu)化節(jié)能策略。同時，系統(tǒng)存儲節(jié)能單站的節(jié)能效果和KPI影響，實現(xiàn)多頻共覆蓋小區(qū)和節(jié)能小區(qū)的協(xié)同，實現(xiàn)智能化節(jié)能效果和網(wǎng)絡感知的平衡。后續(xù)將AI與云計算[10]結合，以提升業(yè)務預測的準確度和及時性，并使用云計算的大運算能力迭代優(yōu)化AI人工智能算法。

人工智能AI節(jié)能算法主要通過爬取歷史數(shù)據(jù)（按周進行統(tǒng)計，區(qū)分工作日及節(jié)假日）不斷自學習優(yōu)化智能算法，從而預測未來業(yè)務情況，分小區(qū)個性化時間窗（多時間窗）自動關斷，激活小區(qū)實現(xiàn)節(jié)能最大化。利用AI對時間窗內(nèi)業(yè)務量業(yè)務與實際到達時的匹配情況不斷調(diào)整算法及參數(shù)，同時保證在基本無損網(wǎng)絡性能的前提下，實時調(diào)整及回滾節(jié)電啟閉參數(shù)門限。

4 結 論

針對符號關斷、通道關斷、小區(qū)關斷和深度休眠4種節(jié)能方案進行驗證，從整站節(jié)電效果看，深度休眠（54.21%）＞小區(qū)關斷（22.17%）＞通道關斷（20.13%）＞符號關斷（16.16%）。同時，根據(jù)業(yè)務量閾值進行不同節(jié)能方案的驗證時，只要閾值設置合理，對現(xiàn)網(wǎng)KPI及感知基本無影響。后續(xù)通過AI人工智能學習算法預測基站業(yè)務量，在不同業(yè)務量區(qū)間窗口期進行不同方案的閾值調(diào)整及動態(tài)切換，可在保證現(xiàn)網(wǎng)感知的前提下達到節(jié)能最大化。