智能基站节能方案助力绿色运营

刘大伟，刘 红，程 磊，李 琦，张 羽

（中国移动通信集团山东有限公司，山东 济南 250001）

1 节能方案概述

5G的峰值速率、用户体验速率、容量以及连接密度等相比4G有了较大提升，因此5G设备有更大的带宽、更多的发射通道、更大的数据计算量和更密集的站点量需求，增加了电费成本压力。相关数据显示，5G单站功耗约为4G单站的3倍，且站点规模可能比4G增加1倍。5G电费占运营商整体运营成本的15%以上，其高能耗直接影响运营商的经营效率[1,2]。因此，节能降耗是运营商的长期诉求，也是通信业界的社会责任。

根据蜂窝网组成架构，基站设备机房的能耗占比大于80%。基站设备机房中，基站设备的能耗占比大于50%，而基站设备中AAU/RRU设备的能耗占比大于80%。因此，降低无线网络能耗的重点在于降低AAU/RRU设备的能耗。

在无线网络实际应用中，闲时低流量时段的网络能耗不随话务负荷的下降而降低，而是一直高居不下。此外，不同场景下话务闲忙时的能耗区别也较大。因此，平衡最优节能与最优网络体验[3]是一大目标，可以通过场景化策略实施，话务、体验和能耗平衡以及站点、网络和制式协同这3个方面实施具体策略。

基站节能总体策略为分层分级关断，即针对具体场景，配合使用设备级的深度休眠、小区级的协同关断技术、通道级的关断技术以及符号级的关断技术，以达到最大化节能的目的。

2 基站节能核心技术介绍

2.1 设备深度休眠

在5G建网初期，5G用户量极少。当网络中没有5G用户时，可仅保留唤醒最小单元（电源模块+eCPRI通信接口），关闭AAU其他所有可关闭器件（基带处理单元、数字中频、收发信机、攻放等），使AAU进入深度休眠，以实现最大程度的节能。设备深度休眠技术[4]主要在5G建网初期应用于用户较少且夜间无高速率需求的时刻。

2.2 4G/5G小区协同关断

2.2.1 4G/5G通过X2口进行业务交互的情形

5G网络一般作为容量层承载高速需求的数据业务。在夜间话务需求较低的时刻，可以关闭5G射频发射，仅保留4G覆盖来满足用户需求[5]。4G/5G通过X2接口进行业务交互，当5G业务处于低话务时刻且对应的锚点4G小区业务量也较低时，可关闭5G射频。在有X2接口的情形下，4G/5G小区协同关断[6]技术主要应用于NSA组网场景下，要求有4G基础覆盖层，同时5G作为容量层。

2.2.2 4G/5G没有X2接口的情形

在SA组网场景下没有X2接口，4G/5G之间无法进行负荷信息交互，简单的关断只能采用盲切的方式，无法保证用户感知。利用CSON-AI技术进行4G/5G小区覆盖区域检测，先由CSON-AI自动预测出同覆盖或者70%以上覆盖交叠的4G/5G小区话务负荷，然后选取合适的4G覆盖小区进行5G话务承载，最后关断5G小区以实现节能。在没有X2接口的情形下，4G/5G小区协同关断技术主要应用于SA组网场景下，要求有4G基础覆盖层，同时5G作为容量层。

2.3 AAU智能通道关断

当小区处于无业务或者业务负荷较低的情形时，在系统中设定的节能时间段可以按照不同的颗粒度进行通道关闭以实现节能。例如：随话务容量的逐步减低，64 TR AAU可以从先64 TR降阶至48 TR，然后再降阶至16 TR，还可以通过抬升剩余开启通道的功率实现覆盖补偿[6]。AAU智能通道关断技术在5G AAU部署场景均可以使用。AAU上涉及多个NR载波共存时，需要都达到通道关闭条件才能关闭。

2.4 多制式智能符号关断

调度器根据业务繁忙程度和业务数据量的预测，主动将下行数据调度到指定的符号上。在剩余无有效信息传输的符号时间，可以关闭功放电源，从而达到节能目的。该技术可分为射频自检式和基带调度式两种方式。其中，基带调度情况下，由于数据会被集中调度到指定符号上，因此对时延有一定影响。目前，多制式智能符号关断[7]技术多应用于LTE/NR/NBIoT单模（单载或者多载）、LTE/NB-IoT共模或者LTE/NR共模等场景。

3 5G节能策略验证

3.1 单模站点符号关断

济南移动携手中兴通讯在2020年3月8日选取城区道路和企事业单位等夜间低流量的10个站点作为覆盖场景。该覆盖场景共30个5G单模小区，并进行0:00—6:00符号关断的试验。符号关断开启前后相关设备的输出功率对比情况，如表1所示。

表1 符号关断开启前后相关设备的输出功率对比

由表1可知，符号关断开启后整站每小时的输出功率减低312.59 W，即由符号关断开启前的1 934.04 W降为符号关断开启后的1 621.45 W，节电比例为16.16%，则每个基站设备平均每小时节省电量为：

每小区（AAU）平均每小时节省电量为：

将2020年3月8日的全天指标与2020年3月9日（未采用节能策略）的指标进行对比，结果如表2所示。由表2可知，符号关断开启前后的指标波动较小。

表2 符号关断开启前后其他相关KPI对比

3.2 单模站点通道关断

济南移动携手中兴通讯在2020年3月6日选取城区道路和企事业单位等夜间低流量的10个单模站点作为覆盖场景。该覆盖场景共30个5G小区，并进行0:00—6:00通道关断的验证。通道关断开启前后相关设备的输出功率对比，如表3所示。

教学名师通常是学术造诣高、教学水平高、教学质量好且德才兼备的老师才能当选。由教学名师来担当新进教师的岗前培训专家确实可以起到模范带头的作用。自2003年，教育部就开展了第一届高等学校教学名师奖评选，鼓励教授上讲台。此后，地方以及地方高校也纷纷设立不同级别的教学名师奖。教学名师通常长期为本科生授课，积累了丰富的教学经验，可以较好地传授给即将走上讲台的教师把握组织课堂的本领、师生之间沟通的本领、优秀的教学方法和实用的教学手段。教学名师同时也有较高的学术水平，即使面向科研岗位的教师，也能传授前沿的科学知识。

表3 通道关断开启前后相关设备的输出功率对比

由表3可知，通道关断开启后整站每小时的输出功率降低384.49 W，即由通道关断开启前的1 910.45 W降为通道关断开启后的1 525.96 W，节电比例为20.13%，则每个基站设备平均每小时节省电量为：

每小区（AAU）平均每小时节省电量为：

取2020年3月6日的全天指标与2020年3月9日（未采用节能策略）的指标进行对比，结果如表4所示。由表4可知，通道关断开启前后指标波动较小。

表4 通道关断开启前后其他相关KPI对比

3.3 单模站点深度休眠

济南移动携手中兴通讯在2020年3月7日选取城区道路和企事业单位等夜间低流量的10个站点作为覆盖场景。该覆盖场景共30个5G单模小区，并进行0:00—6:00深度休眠的试验。深度休眠开启前后相关设备的输出功率对比如表5所示。

表5 深度休眠开启前后相关设备的输出功率对比

由表5可知，深度休眠开启后整站每小时的输出功率降低1 042.29 W，即由深度休眠开启前的1 922.57 W降为深度休眠开启后的880.28 W，节电比例为54.21%，则每个基站设备平均每小时节省电量为：

每小区（AAU）平均每小时节省电量为：

取2020年3月7日的全天指标与2020年3月9日（未采用节能策略）的指标进行对比，结果如表6所示。由表6可知，深度休眠开启前后指标波动正常。

表6 深度休眠开启前后其他相关KPI对比

3.4 单模站点小区关断

济南移动携手中兴通讯在2020年3月11日选取城区道路和企事业单位等夜间低流量的10个站点作为覆盖场景。该覆盖场景共30个5G单模小区，并进行0:00—6:00小区关断的试验。小区关断开启前后相关设备的输出功率对比，如表7所示。

表7 小区关断开启前后相关设备的输出功率对比

由表7可知，小区关断后整站每小时的输出功率降低430.97 W，即由小区关断前的1 943.80 W降为小区关断后的1 512.83 W，节电比例为22.17%，则每个基站设备平均每小时节省电量为：

每小区（AAU）平均每小时节省电量为：

取2020年3月11日的全天指标与2020年3月9日（未采用节能策略）的指标进行对比，结果如表8所示。由表8可知，小区关断开启前后指标波动正常。

表8 小区关断开启前后其他相关KPI对比

3 AI助力网络协同节能

目前，通信网络泛在智能化趋势明显，在运营编排层、网络及业务控制层以及网元设施层逐步应用，如图1所示。

图1 通信网络泛在智能化趋势

基站节能主要通过载波级、通道级和符号级关断来实现。由于传统节能方案的区域参数策略统一、无场景识别、缺乏适应性以及与真实站点的话务量波动匹配度低，依靠人工分析海量数据易出错且耗时，无法实时监控性能和故障等，影响用户感知。因此，网络需要一套全智能且可自主调整策略的节能方案。

随着人工智能和大数据应用等技术的快速发展，利用大数据平台叠加AI[8,9]引擎，能够智能编排网络资源，从而实现直线网络切片和灵活部署。引入AI推理以实现智能策略的执行，同时叠加轻量级AI训练，以满足实时业务控制的需求。接入层网元设备逐步引入AI加速器，以快速具备AI训练及推理，从而实现网元运维的智能化。

依托大数据平台，使用AI算法自动优化节电策略，爬取用户业务需求历史数据，自动预测业务忙闲。根据业务量阈值在不同时间段采取不同的节能策略（如符号关断、通道关断、载波关断以及深度休眠等），通过人工智能AI学习，监控采集策略实施阈值匹配情况及对网络KPI的影响情况，从而根据反馈结果综合评估优化节能策略。同时，系统存储节能单站的节能效果和KPI影响，实现多频共覆盖小区和节能小区的协同，实现智能化节能效果和网络感知的平衡。后续将AI与云计算[10]结合，以提升业务预测的准确度和及时性，并使用云计算的大运算能力迭代优化AI人工智能算法。

人工智能AI节能算法主要通过爬取历史数据（按周进行统计，区分工作日及节假日）不断自学习优化智能算法，从而预测未来业务情况，分小区个性化时间窗（多时间窗）自动关断，激活小区实现节能最大化。利用AI对时间窗内业务量业务与实际到达时的匹配情况不断调整算法及参数，同时保证在基本无损网络性能的前提下，实时调整及回滚节电启闭参数门限。

4 结 论

针对符号关断、通道关断、小区关断和深度休眠4种节能方案进行验证，从整站节电效果看，深度休眠（54.21%）＞小区关断（22.17%）＞通道关断（20.13%）＞符号关断（16.16%）。同时，根据业务量阈值进行不同节能方案的验证时，只要阈值设置合理，对现网KPI及感知基本无影响。后续通过AI人工智能学习算法预测基站业务量，在不同业务量区间窗口期进行不同方案的阈值调整及动态切换，可在保证现网感知的前提下达到节能最大化。