基于AI 的多系统协同在5G 网络节能中的应用

任 强

（中国联通辽宁省分公司，沈阳 110008）

1 无线基站能耗

随着网络规模的不断扩大，运营商的能耗越来越高。2019年的中国移动业绩报告显示，中国移动的动力水电取暖费支出为328.74亿，巨额能耗让运营商的盈利压力越来越大。在总能耗中，网络的能耗问题占比约为总能耗的70%，其中无线基站设备占据网络能耗的50%。在5G 时代，无线基站的设备功耗相比于前几代网络有着明显提升。当前，5G 设备的功耗相当于基站机房站点内所有设备的功耗之和。

在无线基站设备中，射频单元（RRU）的功耗占比大概为无线基站设备的75%，其中主要是RRU 设备中的功放消耗的能量。现实网络中，由于用户的迁移和行为变化，网络话务量有着明显的潮汐效应。当在凌晨时刻，网络话务量趋近于0，但是基站设备还处于运行状态，造成了能源的极大浪费。

网络节能的一个重要方向就是减少网络设备的无效能耗。现在的网络设备是无论用户数量和话务量的是多少，都一直在持续的运行，虽然其功耗相比峰值功耗有所降低，但是相对理想状态来说，可以改变的空间还非常大。网络的理想状态是，当网络用户的的话务量减少为0时，网络设备的能耗也要降低到极低的状态。

图1 低流量时间段能耗没随之降低

当前，网络节能的状态主要有两条路径：一是基站软硬件节能技术；二是基于AI 的话务预测节能技术。在基站的软硬件节能节能技术仅通过提高单个基站的软硬件性能和休眠开关进行节能，这种节能技术有一定的局限性。基于AI 的话务预测节能更好的考虑了基站间的操作，实现更进一步的节能。但是这两种节能技术都没有实现无效功率降到最低，只有实现基于AI 的多系统互操作，达到多大的话务量就使用多少资源的目标后，才能彻底的消除无效功耗，接近网络功能最低的极限。

2 基站软硬件节能技术

基站的软硬件节能技术主要包括硬件节能和软件节能。硬件节能是改善基站设备的硬件材料，降低基站硬件的基础耗能；软件节能是通过参数门限的设置，实现对硬件工作时间的操控，减少基站的无效耗能。

2.1 基站硬件节能技术

基站硬件节能技术主要包括以下三个方向：一是射频器件的新材料新工艺，它是以第三代半导体材料为代表的GaN 对GaAs技术的取代，可以更好地降低设备的功耗；二是高集成度的数字单元和射频单元融合，该技术主要是AAU 的继承都越来越高，并且包括一定的几代处理单元；三是芯片性能的提高，主要是在7 nm 工艺的应用可以优化集成电路的设计，进而减少设备功耗。

2.2 基站软件参数节能技术

基站的软件参数节能技术是在保证网络话务性能的前提下，根据网络负荷和话务特征的变化，通过调整基站参数，改变基站的工作状态，从而实现降低基站功耗的目的。当前，基站软件参数调节有信道关闭、天线通道关闭、载波关闭和深度休眠四种模式。信道关闭是指当话务信道没有数据发送的时候，关闭射频单元的功放模块，减少无用功率的发送；通道关闭是指在网络话务负荷比较低的时候，关闭基站天线的通道，节约基站能耗；载波关闭是指当一个基站配置多载波，在话务负荷比较轻的时候，关闭副载波，实现节能；基站的深度休眠是指在某些潮汐效应比较明显的场景，包括室内场景，比如高校教学区与生活区、商场、步行街等场景；在某个时间段话务负荷趋近于零时，让基站处于休眠状态，只有当话务负荷超过某个门限，BBU 再唤醒RRU 开启工作。

3 常用的AI 基站节能技术

当前，业界也提出了利用AI 技术实现基站的节能，主要方向是利用AI 识别小区覆盖场景并预测小区话务流量、利用AI 实现小区的协同覆盖和参数调优节能。

（1）利用AI 识别小区覆盖场景并预测小区话务流量。如上文所述，在某些场景中，话务量潮汐效应非常明显。但是在另外一些场景，话务量只有闲忙时的区别，在白天话务量变化有起伏，到了凌晨以后，话务量逐渐降低。

网络基站可以利用基站历史信息，包括场景内的连接用户数、资源利用率和基站所处的环境等因素，使用AI 中聚类模型确定基站的节能场景。根据时间、人口和环境的变化采取智能节能策略。

（2）小区协同覆盖和参数调整。对于配置多载波的小区，AI智能节能系统利用共覆盖学习算法，统计终端对异频的支持率，诱导终端主动发起异频测量。经过周期性上报测量结果刷新学习算法，建立基站间和基站内部的频段共覆盖，可以有效地提高基站节能。另外，通过终端上报的MR 测量报告信息，智能节能系统能发现网络中的节能小区及其补偿小区，并预测话务变化趋势。当节能小区处于低话务负荷状态时，系统将把节能小区的话务迁移至其补偿小区，并将节能小区休眠。同时，通过实时监控功能，系统能够在话务尖峰到来时及时唤醒休眠的节能小区以保证网络质量。

（3）

图2 小区协同覆盖场景

4 多频段多系统的协同节能技术

传统的节能方式通常是单系统基站的控制，业界也提出了跨频段跨系统的系统协同节能理念，实现多制式多频段协同，频段内跨制式协同关断，频段间多载波关断，并可实现小区级自动化节能参数差异配置。在本文中，我们提出基于话务预测开启最少频率资源节能算法，此种节能方式实现“无话务低能耗”，把网络耗能降到最低限度。其理论基础是香农公式的扩展形式：

式中，C 为网络容量；Bi为小区i 的信道带宽；为小区i的信噪比。

从香农公式可知，所有话务类型都要有频率资源来承载，根据前文所述，射频发送电磁波是网络耗能占比比较高的部分，如果能让发送的数据仅用需要的带宽，其余的带宽都做到深度休眠状态，包括基站级休眠，载波机休眠、通道级休眠和时隙级休眠模式，就实现了网络功耗的最低限度。但是，为保证网络的基本性能，必须保证网络功能的完整性，据此设计智慧基站节能平台系统。

首先，网络要用低频段做基础覆盖网络，而且基础覆盖网络在任何时候都要工作，保证网络覆盖和用户的随时接入。

其次，为了保证网络的安全性，当智慧基站节能平台系统发生故障时，所有基站要全部开启。在每天的任何时候，与前一天同时段的基站开启量相比，变化量超过5%或者10%，则产生告警，以便监控人员及时发现异常，进行处理。

（1）预测系统模型。在以上基础上，设计基站休眠节能预测系统平台，预测系统平台分为输入参数、预测系统、决策优化和话务执行四大部分。

预测系统在整个供应链体系中处在最底层并且起到一个支撑的作用，支持上层的多个决策优化系统，而这些决策优化系统利用精准的预测数据结合运筹学技术得出最优的决策，并将结果提供给更上层的话务执行系统或是话务方直接使用。

目前，预测系统主要支持三大话务：话务量预测、单站话务量预测和话务增长预测。其中，话务量预测主要支持资源开启方案和话务转移方案；单站话务量预测主要支持话务转移方案和用户感知；业主增长预测主要支持资源增加计划。

话务量预测又包括分时段话务量预测，分类型话务量预测，分地域场景话务量预测；单站话务量预测包括物理层话务吞吐量预测，应用层话务量预测，连接用户数预测，RE 占用率预测等指标；话务增长预测主要包括用户数量增长预测、业务增长预测。此外，用户感知主要包括呼叫成功率、拥塞率、业务激活时延、切换成功率等KPI。

图3 预测系统模型

（2）预测系统架构。整体架构从上至下依次是：数据源输入层、基础数据加工层、核心业务层、数据输出层和下游系统。首先从外部数据源获取我们所需的业务数据，然后对基础数据进行加工清洗，再通过时间序列、机器学习等人工智能技术对数据进行处理分析，最后计算出预测结果并通过多种途径推送给下游系统使用。

（3）

图4 预测系统架构

数据源输入层：基站的日常话务报表、基站基础信息数据库和当地地图包含有绝大多数需要的用户信息。

基础数据加工层：在这一层主要通过Hive 对基础数据进行一些加工清洗，去掉不需要的字段，过滤不需要的维度并清洗有问题的数据。

核心业务层：这层是系统的的核心部分，横向看又可分为三层：特征构建、预测算法和预测结果加工；纵向看是由多个话务指标构成，彼此间有相互制约的关系。

特征构建：将之前清洗过的基础数据通过近一步的处理转化成标准格式的特征数据，提供给后续算法模型使用。

核心算法：利用时间序列分析、机器学习等人工智能技术进行话务量、单站话务量的预测，是预测系统中最为核心的部分。

预测结果加工：预测结果可能在格式和一些特殊性要求上不能满足下游系统，所以还需要根据实际情况对其进行加工处理，比如增加标准差、促销标识等额外信息。

预测结果输出层：将最终预测结果同步控制基站节能系统，并回传至基站日常数据库中和基础信息数据、MySql、HBase 或制作成JSF 接口供其他系统远程调用。

下游系统：包括下游任务流程、下游Web 系统和其他系统。

在AI 平台系统中，基于MR 测量数据和日常话务数据，可以有效的对基站话务量和用户行为进行预测，实现达到多网协同节能的目标。在不影响用户体验的情况下将不同的业务迁移到不同的频段。当业务量比较少时，尽可能的让低频段来承载，因为低频段覆盖范围广，需要开启的基站数量少，只有业务量慢慢变多时，才会开启高频段的基站，这样可以达到最大限度的节能，

在此平台下，最难预测的是用户的移动性产生的切换，由于用户行为的随机性，会导致基站开启不及时导致的频繁切换问题，使得用户的网络体验有轻微的受损。

当前的基础AI 节能模型目前还处于试验阶段，从某地市的短期105个基站的试验结果来看，在典型的网络配置下，要比其他的节能技术多降低10%的能耗。因此基于多频段多系统的协同节能技术能够实现很好的节能成效，但由于数据量比较大，对服务器的配置要求高。

5 结束语

在5G 的网络建设中，基站的能耗已经成为运营商沉重的负担，如果能解决基站能耗的问题，会让5G 网络的普及更加迅速。本文在当前网络节能技术的基础上，提出多频段多网络的协调节能技术，并构建出平台模型，虽然在应用中还有一定的瑕疵，但是主要因为实验的范围比较小，周期也比较短，对AI 的算法的训练还不够。随着算法的改进和数据量的增加，多频段多网络协调节能技术表现会更好。为了降低对服务器的依赖，需要改进算法中数据关联性。