［金晶］

1 引言

5G 網(wǎng)絡(luò)憑借其自身技術(shù)優(yōu)勢在高傳輸速度、海量終端接入、超低時(shí)延方面實(shí)現(xiàn)跨越式發(fā)展，且理論單位傳輸功耗更低，單比特能耗是4G 的1/10，但5G 整體功耗卻是4G 的3 倍[1]。3GPP 組織在第46 次會(huì)議中，正式確定了5G-Advanced 是現(xiàn)階段5G 的未來演進(jìn)方向。與現(xiàn)有5G 網(wǎng)絡(luò)相比，在能耗問題被持續(xù)關(guān)注的當(dāng)下，網(wǎng)絡(luò)節(jié)能機(jī)制的定義、設(shè)備陣列的功效增強(qiáng)，網(wǎng)絡(luò)綠色節(jié)能能力被看作是5G-Advanced 網(wǎng)絡(luò)的其中一個(gè)重要演進(jìn)目標(biāo)。如何在滿足行業(yè)目標(biāo)和用戶需求的前提下實(shí)現(xiàn)5G-Advance 節(jié)能網(wǎng)絡(luò)演進(jìn)發(fā)展，實(shí)現(xiàn)更長久且有效的節(jié)能網(wǎng)絡(luò)功能是當(dāng)前各大運(yùn)營商以及設(shè)備廠商關(guān)注重點(diǎn)。近年來，AI for Network 的概念在無線通訊界被不斷地提到。運(yùn)用大數(shù)據(jù)分析技術(shù)，深度分析現(xiàn)網(wǎng)基站運(yùn)行、用戶分布數(shù)據(jù)將更加有效地指導(dǎo)基站節(jié)能功能部署。在保證用戶感知不變或提升的同時(shí)提升網(wǎng)絡(luò)能效。

2 5G 基站基礎(chǔ)節(jié)能策略

至2020年底，全國已經(jīng)完成70萬座5G基站建設(shè)工作，各種基于5G 行業(yè)應(yīng)用場景層出，數(shù)據(jù)流量業(yè)務(wù)隨著5G終端不斷進(jìn)入市場而呈現(xiàn)遞增趨勢，但總體需求遠(yuǎn)未達(dá)到5G 設(shè)備實(shí)際設(shè)計(jì)能力，大量單位能效被無效益浪費(fèi)[2]。業(yè)內(nèi)當(dāng)前主要的節(jié)能方式包括符號(hào)關(guān)斷、射頻通道關(guān)斷、深度休眠、LNR 智能載波關(guān)斷等。本章節(jié)將集中論述各項(xiàng)基礎(chǔ)節(jié)能功能的技術(shù)原理。

2.1 基礎(chǔ)節(jié)能功能原理

（1）符號(hào)關(guān)斷

在基站設(shè)備中，RRU/AAU 的射頻器件中，功率放大器的能耗占比最高。在沒有信號(hào)輸出的情況下時(shí)，改類射頻器件也會(huì)持續(xù)工作并產(chǎn)生能耗。為降低系統(tǒng)能耗，同時(shí)又保證數(shù)據(jù)傳送的完整性，基站在部分時(shí)間段周期性關(guān)閉功放能力，通過低業(yè)務(wù)低功放來實(shí)現(xiàn)整體系統(tǒng)功耗的降低。如圖1 所示，當(dāng)基站檢測到符號(hào)沒有承載數(shù)據(jù)時(shí)（圖中標(biāo)識(shí)的空閑符號(hào)），基站會(huì)實(shí)時(shí)關(guān)閉RRU/AAU 的射頻器件，以降低系統(tǒng)能耗。當(dāng)基站檢測到符號(hào)有承載數(shù)據(jù)時(shí)（基站觸發(fā)公共信號(hào)、參考信號(hào)、業(yè)務(wù)信號(hào)），基站會(huì)實(shí)時(shí)打開RRU/AAU 的射頻器件，以保證數(shù)據(jù)傳送的完整性[3]。

圖1 符號(hào)關(guān)斷原理示意圖

（2）射頻通道智能關(guān)斷

基站在日常某些時(shí)間段處于輕載（業(yè)務(wù)少）或空載（無業(yè)務(wù)），但射頻模塊的發(fā)射通道仍處于工作狀態(tài)，造成了基站能耗的浪費(fèi)。如圖2 所示，射頻通道智能休眠可在設(shè)定的時(shí)間段內(nèi)，當(dāng)小區(qū)處于輕載或空載時(shí)，gNodeB（5G基站）自動(dòng)休眠本小區(qū)的部分發(fā)射通道，從而達(dá)到節(jié)能的目的。同時(shí)gNodeB 會(huì)自動(dòng)調(diào)整小區(qū)公共信道的發(fā)射功率，以盡量保證gNodeB 的覆蓋和業(yè)務(wù)不受影響。該功能可通過設(shè)置射頻通道智能休眠生效的時(shí)間段、PRB 門限、PRB門限偏置來實(shí)現(xiàn)生效控制，在射頻通道智能休眠功能生效的時(shí)間段內(nèi)，當(dāng)小區(qū)下行PRB 利用率小于或等于啟動(dòng)射頻通道智能休眠功能的下行PRB 門限時(shí)，小區(qū)將自動(dòng)進(jìn)入射頻通道智能休眠狀態(tài)[4]。

圖2 通道關(guān)斷示意圖

（3）AAU 深度休眠

如圖3，圖4 所示，AAU 深度休眠節(jié)能功能是指保持AAU 可靠性的同時(shí)，忽略網(wǎng)絡(luò)負(fù)荷等其它因素，根據(jù)預(yù)先設(shè)定的時(shí)間段進(jìn)入休眠，從而起到節(jié)能的效果。射頻模塊深度休眠節(jié)能以AAU 為粒度，采用定時(shí)休眠，在配置的時(shí)間到達(dá)后，會(huì)先禁止新用戶接入，然后切換在線用戶，在射頻模塊無業(yè)務(wù)時(shí)進(jìn)入深度休眠節(jié)能。若AAU 上涉及的所有小區(qū)都沒有用戶和業(yè)務(wù)，則立刻啟動(dòng)休眠小區(qū)，AAU 進(jìn)入深度休眠狀態(tài)。若射頻模塊上小區(qū)一直有用戶在線，則將在等待時(shí)長超時(shí)后，強(qiáng)制休眠小區(qū)，同時(shí)射頻模塊進(jìn)入深度休眠[5]。

圖3 AAU 工作狀態(tài)切換至休眠狀態(tài)示意圖

圖4 AAU 深度休眠示意圖

（4）LNR 智能載波關(guān)斷

同覆蓋載波智能關(guān)斷應(yīng)用于異頻同覆蓋組網(wǎng)。在異頻組網(wǎng)的情況下，同覆蓋的扇區(qū)中低頻段作為打底，保證網(wǎng)絡(luò)的基礎(chǔ)覆蓋；高頻段小區(qū)作為容量小區(qū)，用于吸收話務(wù)，提升系統(tǒng)容量。如圖5 所示，同覆蓋載波智能關(guān)斷是指當(dāng)容量小區(qū)和基礎(chǔ)小區(qū)上總的負(fù)荷較低時(shí)，將容量小區(qū)的用戶切換到基礎(chǔ)小區(qū)（異頻同覆蓋組網(wǎng)中作為基本覆蓋目的的頻點(diǎn)對應(yīng)的小區(qū)）中，然后關(guān)斷容量小區(qū)（異頻同覆蓋組網(wǎng)中作為提升小區(qū)容量目的的頻點(diǎn)對應(yīng)的小區(qū)）對應(yīng)的載波，以節(jié)約能耗。一般而言，基礎(chǔ)小區(qū)是不能被關(guān)閉的，容量小區(qū)作為高頻段小區(qū)在網(wǎng)絡(luò)低負(fù)荷時(shí)可以被關(guān)閉，同時(shí)為了讓容量小區(qū)的用戶順利切換到基礎(chǔ)小區(qū)，容量小區(qū)與基礎(chǔ)小區(qū)必須互相配置鄰區(qū)。在同覆蓋載波智能關(guān)斷的時(shí)間段內(nèi)，同時(shí)滿足如下條件時(shí)容量小區(qū)將進(jìn)入同覆蓋載波智能關(guān)斷模式，即本小區(qū)上行PRB 利用率+同覆蓋基礎(chǔ)鄰區(qū)的上行PRB 利用率小于本小區(qū)同覆蓋載波智能關(guān)斷啟動(dòng)上行門限；本小區(qū)下行PRB 利用率+同覆蓋基礎(chǔ)鄰區(qū)的下行PRB 利用率小于本小區(qū)同覆蓋載波智能關(guān)斷啟動(dòng)下行門限[6]。

圖5 LNR 智能載波關(guān)斷示意圖

2.2 基礎(chǔ)節(jié)能功能演進(jìn)

如上文所述，業(yè)內(nèi)針對5G 基站節(jié)能目前主要分為符號(hào)關(guān)斷、射頻通道智能關(guān)斷、AAU 深度休眠和LNR 智能載波關(guān)斷4 類。SON（Self Organized Networks，自組織網(wǎng)絡(luò)）作為4G 時(shí)代已提出的網(wǎng)絡(luò)演進(jìn)目標(biāo)，在5G 智能網(wǎng)絡(luò)發(fā)展中任然保有著較為重要的地位。因此，利用網(wǎng)絡(luò)內(nèi)生數(shù)據(jù)，運(yùn)用ML（Machine Learning，機(jī)械學(xué)習(xí)）技術(shù)實(shí)現(xiàn)基礎(chǔ)節(jié)能功能的智能化自動(dòng)部署將會(huì)是5G-Advanced 中最具代表性的SON 節(jié)能部署。

在5G-Advanced 階段，網(wǎng)絡(luò)將進(jìn)一步部署邊緣服務(wù)器。這些服務(wù)器將被應(yīng)用于存儲(chǔ)與分析服務(wù)器下屬基站覆蓋范圍內(nèi)的用戶分布及用戶行為特征。以此類數(shù)據(jù)為模型輸入數(shù)據(jù)，邊緣服務(wù)器將動(dòng)態(tài)地根據(jù)模型輸出結(jié)果對基站節(jié)能的模式和時(shí)間進(jìn)行調(diào)整。核心服務(wù)器將收集每個(gè)邊緣服務(wù)器的任務(wù)下發(fā)日志，宏觀判斷整體網(wǎng)絡(luò)能耗情況，針對節(jié)能數(shù)據(jù)模型進(jìn)行迭代訓(xùn)練與重新下發(fā)。實(shí)現(xiàn)整體網(wǎng)絡(luò)節(jié)能模型的循環(huán)迭代，利用迭代的敏捷性應(yīng)對無線網(wǎng)絡(luò)用戶行為的高變動(dòng)性。

3 大數(shù)據(jù)用戶行為分析模型搭建

3.1 數(shù)據(jù)采集

為更加貼近實(shí)際用戶行為，模型數(shù)據(jù)采集必須為多維度汲取來保證模型輸出結(jié)果可靠性與準(zhǔn)確性，主要數(shù)據(jù)來源包含下面幾個(gè)方面。

（1）市場經(jīng)營數(shù)據(jù)包含當(dāng)前4/5G 用戶計(jì)費(fèi)詳單、終端型號(hào)、客戶等級、客戶套餐、用戶投訴數(shù)據(jù)等。

（2）企業(yè)運(yùn)營管理數(shù)據(jù)包含日常用戶4/5G 開戶銷戶狀況、5G 新增入網(wǎng)數(shù)量。

（3）移動(dòng)用戶4/5G 行為數(shù)據(jù)包含訪問移動(dòng)互聯(lián)網(wǎng)的行為數(shù)據(jù)、訪問應(yīng)用類型、訪問時(shí)間節(jié)點(diǎn)、訪問接入?yún)^(qū)域分布等。

（4）網(wǎng)絡(luò)運(yùn)行系統(tǒng)數(shù)據(jù)包含終端行為信息、認(rèn)證時(shí)間、基站位置等。

（5）4/5G 核心網(wǎng)記錄包含互聯(lián)網(wǎng)用戶行為包含用戶訪問URL、訪問時(shí)間、用戶語音通話時(shí)間節(jié)點(diǎn)等。

（6）4/5G 業(yè)務(wù)平臺(tái)數(shù)據(jù)包含用戶終端分布、TOB 支撐產(chǎn)品、各類平臺(tái)支撐用戶增值業(yè)務(wù)等。

（7）4/5G 運(yùn)營網(wǎng)管數(shù)據(jù)包含日常運(yùn)營能耗、小時(shí)級能耗顆粒、單小區(qū)級用戶接入與切出數(shù)量、小區(qū)級空載時(shí)效比、用戶上下行感知速率分布、用戶CQI 數(shù)據(jù)、4/5G MR 話統(tǒng)等。

3.2 數(shù)據(jù)預(yù)處理平臺(tái)構(gòu)建

針對各類平臺(tái)提取的數(shù)據(jù)包含結(jié)構(gòu)化文件以及非結(jié)構(gòu)化數(shù)據(jù)這一特點(diǎn)，本研究優(yōu)選分布式集群系統(tǒng)平臺(tái)進(jìn)行數(shù)據(jù)預(yù)處理形成統(tǒng)一結(jié)構(gòu)化數(shù)據(jù)。基于運(yùn)營成本及效率優(yōu)先考慮基于Hadoop 分布式軟件框架，該分布式軟件框架憑借對失敗節(jié)點(diǎn)重新處理的高可靠性、短時(shí)間擴(kuò)展龐大計(jì)算節(jié)點(diǎn)的高擴(kuò)展性、保障各個(gè)節(jié)點(diǎn)動(dòng)態(tài)平衡的高效性、自動(dòng)重新獲取失敗任務(wù)的高容錯(cuò)性成為首選。為確保目標(biāo)數(shù)據(jù)完整可靠性，各類數(shù)據(jù)平臺(tái)接入節(jié)點(diǎn)需要配置多個(gè)接入端口來保障穩(wěn)定性，同時(shí)Hadoop 平臺(tái)能夠完成主備多層次服務(wù)器的搭建任務(wù)[7]。

3.3 用戶行為模型設(shè)計(jì)

用戶行為模型原則上只為挖掘4/5G 用戶當(dāng)前以及后期行為屬性給予當(dāng)前5G 網(wǎng)絡(luò)承載的影響。該模型主要從用戶多元性、空間移動(dòng)性、活動(dòng)時(shí)間特性、網(wǎng)絡(luò)質(zhì)量需求4 類關(guān)鍵指標(biāo)進(jìn)行建模。

（1）用戶類型多元性

當(dāng)前5G 網(wǎng)絡(luò)存在單模SA 用戶、SA-NSA 雙模用戶、ToB 固定IP 用戶共存現(xiàn)象，需要及時(shí)跟蹤不同種類用戶數(shù)量占比。不同類型的用戶對于網(wǎng)絡(luò)的敏感度不同，例如當(dāng)基站由于節(jié)能導(dǎo)致覆蓋收縮時(shí)，ToB 固定IP 用戶會(huì)出現(xiàn)網(wǎng)絡(luò)不可用現(xiàn)象而普通雙模ToC 用戶則會(huì)在LTE 下重新發(fā)起業(yè)務(wù)。因此，單位時(shí)間內(nèi)，5G 用戶多元性越高，網(wǎng)絡(luò)節(jié)能帶來的用戶感知下降也就越嚴(yán)重。

（2）用戶空間移動(dòng)性

通過對現(xiàn)網(wǎng)5G 用戶單位時(shí)間內(nèi)活躍基站位置的提取，來構(gòu)建5G 用戶空間分布范圍。同時(shí)，新增5G 開戶用戶必定屬于4G 原有用戶升級而來。通過分析用戶在4G 網(wǎng)絡(luò)的基站占用變化情況，來預(yù)測5G 用戶的活動(dòng)路徑。高空間移動(dòng)性表示用戶前往節(jié)能后覆蓋未受損區(qū)域的概率越大。網(wǎng)絡(luò)節(jié)能帶來的用戶感知下降也就越小。

（3）用戶時(shí)間潮汐度

隨著互聯(lián)網(wǎng)APP 應(yīng)用豐富化，手機(jī)蜂窩數(shù)據(jù)使用占比已經(jīng)突破60%。當(dāng)前階段，4/5G 用戶的業(yè)務(wù)模型基本一致。如圖6 所示，當(dāng)前5G 網(wǎng)絡(luò)初期TOB、TOC 主流業(yè)務(wù)未發(fā)生明顯變化，4/5G 用戶流量TOP10 的APP 重合度高達(dá)90%以上。業(yè)務(wù)模型的一致表示著用戶時(shí)間特性的一致，因此在5G 用戶活動(dòng)時(shí)間不足時(shí)，4G 用戶的潮汐型亦能作為模型的輸入分析源。通過對區(qū)域內(nèi)基站流量的變化統(tǒng)計(jì)，能夠得出區(qū)域內(nèi)用戶無線網(wǎng)絡(luò)使用量的潮汐分布。從而使得模型能夠根據(jù)潮汐程度下發(fā)不同的節(jié)能策略。

圖6 4/5G 用戶業(yè)務(wù)模型對比

（4）網(wǎng)絡(luò)質(zhì)量需求

用戶對網(wǎng)絡(luò)質(zhì)量需求往往能夠決定基站存在必要性，運(yùn)營商各種執(zhí)行策略優(yōu)先考慮網(wǎng)絡(luò)服務(wù)質(zhì)量。5G 業(yè)務(wù)初期為業(yè)務(wù)爬坡階段，整體使用率不足10%，對5G 獨(dú)有的大帶寬、海量機(jī)器通信、超低時(shí)延需求不明顯，相反，對上下行用戶速率體驗(yàn)、流量資費(fèi)較為敏感。4G 業(yè)務(wù)在部分時(shí)間段、部分地點(diǎn)能夠完全取代5G 基站且保證網(wǎng)絡(luò)同等服務(wù)能力[8,9]。節(jié)能策略不可避免的會(huì)帶來網(wǎng)絡(luò)質(zhì)量的下降。針對用戶不同的業(yè)務(wù)類型，能夠計(jì)算出區(qū)域內(nèi)用戶對于網(wǎng)絡(luò)質(zhì)量的實(shí)際需求，從而控制不同節(jié)能措施的下發(fā)。

4 基于用戶行為5G 節(jié)能策略

4.1 各節(jié)能方式節(jié)能效果驗(yàn)證

在構(gòu)建智能化模型之前，需要對現(xiàn)有節(jié)能方式的實(shí)際部署效果進(jìn)行驗(yàn)證。實(shí)測數(shù)據(jù)對于智能化節(jié)能模型中的節(jié)能策略判斷制定具有重要的指導(dǎo)意義。本研究選取現(xiàn)網(wǎng) 1 000 個(gè)5G 基站進(jìn)行為期6 個(gè)月的單一/組合節(jié)能策略實(shí)際節(jié)能性能效果驗(yàn)證。各策略/組合間的節(jié)能效果如表1所示。

表1 多制式節(jié)能方式節(jié)能效果

4.2 智能化策略控制模型架構(gòu)

如上文所述，模型將網(wǎng)絡(luò)用戶特征分為多元性、移動(dòng)性、潮汐度和質(zhì)量需求度4 個(gè)維度。由于4 個(gè)維度所代表的層面不同，智能化策略模型需要在不同的策略制定階段控制不同的數(shù)據(jù)輸入。同時(shí)，不同數(shù)量維度的用戶數(shù)據(jù)對于基站顆粒度的控制也有所不同。例如，在同一單位時(shí)間內(nèi)考慮用戶潮汐值時(shí)使用小區(qū)作為顆粒度即可，考慮用戶多元性需要站點(diǎn)級別而考慮用戶移動(dòng)性則需要以簇為顆粒度。

如圖7 所示，智能化策略控制模型根據(jù)3.1 中所述海量大數(shù)據(jù)按四大維度進(jìn)行射頻單元級數(shù)據(jù)入庫。因潮汐性主要數(shù)據(jù)為小區(qū)負(fù)荷、用戶數(shù)及流量數(shù)據(jù)，涉及字段較少。因此用決策樹算法根據(jù)不同的數(shù)據(jù)向量特征給出所推薦的節(jié)能策略組。多元性、網(wǎng)絡(luò)質(zhì)量需求由于涉及的字段較多，分別采用了隨機(jī)森林以及BP 神經(jīng)網(wǎng)絡(luò)算法作為工具。而用戶移動(dòng)性方面，則是先通過聚類算法將不同小區(qū)間進(jìn)行類合并，進(jìn)而使用決策樹算法根據(jù)類內(nèi)用戶流動(dòng)性得出策略推薦。

圖7 智能化策略控制模型架構(gòu)

以四維用戶特征數(shù)據(jù)為基礎(chǔ)的節(jié)能策略在下發(fā)前，將進(jìn)行最小相交。得出最終的模型推薦策略組合。同時(shí)，系統(tǒng)將收集網(wǎng)絡(luò)投訴、能耗數(shù)據(jù)分別以正，反兩個(gè)方向?qū)δＰ椭械母魉惴▋?nèi)參數(shù)進(jìn)行調(diào)整。例如，若用戶投訴數(shù)據(jù)在一段時(shí)間內(nèi)急增，那么決策樹中針對極端節(jié)能策略的判定條件則會(huì)更加嚴(yán)格。若節(jié)能效果與4.1 中單獨(dú)實(shí)測效果差距較大，那么神經(jīng)網(wǎng)絡(luò)中則會(huì)在初始設(shè)定更多的基站進(jìn)行更加激進(jìn)的節(jié)能策略下發(fā)。

通過算法計(jì)算策略，策略得出數(shù)據(jù)，數(shù)據(jù)修正策略的整體系統(tǒng)閉環(huán)，整體用戶行為5G 節(jié)能策略能夠?qū)崿F(xiàn)系統(tǒng)內(nèi)的自我調(diào)優(yōu)，實(shí)現(xiàn)節(jié)能策略的自動(dòng)化下發(fā)與高時(shí)效性調(diào)整。

5 節(jié)能評估

為體現(xiàn)實(shí)際使用節(jié)能效益，選取國內(nèi)通信基礎(chǔ)較為強(qiáng)勢省份進(jìn)行多城市5G 節(jié)能策略優(yōu)化實(shí)施。全網(wǎng)絡(luò)總計(jì)開啟納入節(jié)能系統(tǒng)站點(diǎn)14 920 個(gè)，通過提前建模分析實(shí)施對應(yīng)的節(jié)能策略方式包含符號(hào)關(guān)斷、射頻通道關(guān)斷、深度休眠、LNR 智能關(guān)斷相結(jié)合。模型穩(wěn)定態(tài)時(shí)，節(jié)能策略主要可概括為絕大部分小區(qū)全天候開通符號(hào)關(guān)斷，射頻通道關(guān)斷僅打開32T32R 和64T64R的小區(qū)，開通時(shí)間為0～7 點(diǎn)低話務(wù)時(shí)段，農(nóng)村、郊區(qū)低用戶場景輔助使用深度休眠策略，近郊區(qū)采用LNR智能關(guān)斷策略，同時(shí)每個(gè)城市統(tǒng)一數(shù)據(jù)采集平臺(tái)，基于模型預(yù)估進(jìn)行現(xiàn)網(wǎng)節(jié)能策略優(yōu)化調(diào)整。如圖8 所示，7 個(gè)城市整體節(jié)能日均可達(dá)24 018 kWh，平均節(jié)能效果達(dá)到原能耗的15.26%，累計(jì)年均可省電877 萬kWh，直接產(chǎn)生社會(huì)經(jīng)效益800 萬元。

圖8 基于大數(shù)據(jù)分析多城市實(shí)際節(jié)能效果趨勢

6 其他節(jié)能方法實(shí)踐及展望

目前階段而言，5G 基站節(jié)能的手段依然相對較少，基站節(jié)能的實(shí)現(xiàn)模式也主要局限于射頻模式本身。本研究針對此類局限，對現(xiàn)階段可行的解決方案進(jìn)行展望。針對部份5G 業(yè)務(wù)極端不活躍區(qū)域通過DSS（Dynamic Spectrum Sharing，動(dòng)態(tài)頻譜共享）方式進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)改造可以作為節(jié)能手段的一種拓展。而將蓄電池融入基站能源循環(huán)實(shí)現(xiàn)錯(cuò)峰用電則可以作為未來5G 基站節(jié)能模式的拓展。

5G 高頻主設(shè)備以單日功耗來算，空載功耗2.15～2.3 kW，均載功耗3.14～3.25 kW，滿載功耗3.78～3.91 kW，遠(yuǎn)遠(yuǎn)超出4G 空載1.14 kW 的功耗平均水平，因此在5G 流量高度空載且LTE 網(wǎng)絡(luò)同時(shí)滿足覆蓋的場景，通過休眠高頻段MASSIVE MIMO 基站，改造低頻多發(fā)多收LTE 基站實(shí)現(xiàn)DSS 功能。將網(wǎng)絡(luò)結(jié)構(gòu)由原始5/4G 網(wǎng)絡(luò)分別使用高、低頻段改變?yōu)楦哳l5G 基站深度休眠，LTE/NR 用同一低頻頻段的網(wǎng)絡(luò)架構(gòu)?，F(xiàn)網(wǎng)少量5G 流量被低頻5G 吸收，從而保障5G 大功率基站長時(shí)間段深度休眠業(yè)務(wù)實(shí)施。如圖9 所示，選取100 站點(diǎn)的范圍進(jìn)行為期17 周的LTE DSS改造+基站深度休眠策略試驗(yàn)，基站BBU 根據(jù)當(dāng)前實(shí)際業(yè)務(wù)需求動(dòng)態(tài)關(guān)閉AAU 側(cè)所有載波、功放、底噪，保留基礎(chǔ)OM 通道。實(shí)際AAU 周均功耗可以降低40%～60%左右，同時(shí)，當(dāng)?shù)皖lDSS 小區(qū)的NR 業(yè)務(wù)無法滿足現(xiàn)網(wǎng)負(fù)荷時(shí)，高頻5G 小區(qū)將從休眠狀態(tài)激活到工作狀態(tài)，整體反應(yīng)時(shí)間實(shí)測低于5 min。

圖9 DSS 特性下深度休眠特性節(jié)點(diǎn)實(shí)施

在節(jié)能模式方面，利用電池備電、峰谷電價(jià)成為運(yùn)營商節(jié)能降耗的重要選擇，傳統(tǒng)方式是采用基于策略的、固定時(shí)間點(diǎn)方式進(jìn)行備電，但是由于站點(diǎn)的負(fù)載處于實(shí)時(shí)變化狀態(tài)，且很多國家與地區(qū)大量實(shí)行多峰多谷的靈活電價(jià)措施，傳統(tǒng)方式已不能實(shí)現(xiàn)最大程度的節(jié)能，基于現(xiàn)網(wǎng)實(shí)際用戶環(huán)境實(shí)行錯(cuò)峰節(jié)能成為必然選擇。5G 用戶行為模型未來也需要考慮作用于調(diào)整基站蓄電池的存放節(jié)奏變化。通過實(shí)時(shí)預(yù)測站點(diǎn)的負(fù)載變化，結(jié)合電池容量，精準(zhǔn)計(jì)算電池放電時(shí)間，從而實(shí)現(xiàn)最大程度的節(jié)能。另外，將機(jī)房備用鋰電池投入到電網(wǎng)波峰波谷循環(huán)中來，不但可以獲到峰谷差價(jià)的收益，還幫助電廠節(jié)能、供電線路節(jié)材，避免了市電引入線路改造[10,11]。

7 結(jié)束語

5G 基站節(jié)能作為5G-Advanced 的重要演進(jìn)方向，隨著射頻技術(shù)、機(jī)器學(xué)習(xí)技術(shù)、計(jì)算機(jī)運(yùn)算技術(shù)的不斷創(chuàng)新，智能網(wǎng)絡(luò)運(yùn)維下的節(jié)能將成為當(dāng)前5G 網(wǎng)絡(luò)向5G-Advanced 階段演進(jìn)的重要發(fā)展方向。本文提出了一種根據(jù)不同用戶行為維度智能化進(jìn)行基站節(jié)能策略下發(fā)的通訊大數(shù)據(jù)分析系統(tǒng)。該系統(tǒng)將用戶行為特征分為4 類，以最小相交的原則進(jìn)行基站節(jié)能策略推薦。依據(jù)伴隨節(jié)能產(chǎn)生的用戶投訴、基站能耗數(shù)據(jù)對系統(tǒng)內(nèi)算法進(jìn)行修正。

同時(shí)，本文也對該系統(tǒng)進(jìn)行了展望，融合DSS 功能特性，針對現(xiàn)網(wǎng)實(shí)施網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整在將來能夠作為已有模型節(jié)能策略集合的補(bǔ)充?；拘铍姵爻浞殴?jié)奏智能化調(diào)整可以作為該系統(tǒng)的拓展運(yùn)用領(lǐng)域。