基于节能减排的电池脱钩技术及应用项目研究

赵胃森，陈志伟，孙 磊，缪庆兵，金 鑫

（1.中国移动通信集团云南有限公司，云南 昆明 650000；2.中国移动通信集团公司云南有限公司互联网分公司，云南 昆明 650000；3.中移物联网有限公司，重庆 400000）

1 背景和意义

工信部发放5G商用牌照后，我国运营商已开始在全国范围内大规模开展5G工程建设。对于5G基站建设而言，无论是设备功率大幅提高的宏基站，还是数量众多的小微基站，均需要低压配电系统进行供电。在5G基站主建设期，基站的个数和配电线路会大量增加。随着基站个数的增多，运维团队对基站的维护难度逐渐大。当基站供电线路出现问题时候，运维人员需要找到对应的基站，然后依次进行排查，才能处理好隐患，这样的过程比较费时费力。并且基站本身的耗电量比较大，电费占了很大的运营成本。在用电管理中主要存在以下问题：

⊙ 基站数量大，运维负担重、效率低。

⊙ 基站能耗居高不下，据统计分析，平均每个基站主设备的电费支出约占整个基站电费支出的54%，随着5G基站建设，主设备更成为基站机房中的主要耗电设备。

⊙ 系统联动性差：无法远程控制基站设备和线路，线路出现故障时无法立即通知相应人员并采取措施。

⊙ 偷电行为：部分人员会依靠基站的供电系统，私自接搭自用设备。

现有的基站供电系统无法满足用户对智能化、信息化、可视化、维护简便等日益增加的需求，对系统中电池的故障隐患等没有预先感知和判断，需要运维人员不断地到现场进行运维服务，运维效率低。

从企业外部发展环境来看，行业的调整必须是满足经济发展和社会发展的并行策略。基站的绿色节能减排策略对企业提出了更高的要求，严格基站建设的节能减排措施，对移动通信机房建设具有深远的影响意义；从通信企业内部发展环境来讲，来自成本控制、技术革新以及人力资源的整体素质条件提高等，成为其谋求节能减排措施实现经济效益最大化的特殊要求。通信企业通过技术进步和落实节能减排的相关措施，对解决行业竞争危机，实现行业市场竞争的问题，提供合理化建议。

2 市场趋势

2.1 市场现有手段缺点

传统的基站关闭和启动方法，是根据当前基站的用户数量进行判断，主要存在以下问题：一是当用户数量波动时会频繁关闭、启动基站，影响系统工作；二是当数据采集故障不能获取用户数量时，会导致系统无法判断；三是在独立组网情况下，如果出现自动驾驶场景，由于数据采集上报的滞后性，会导致当自动驾驶进入时，尚未启动基站，当自动驾驶已离开时，基站却被启动。

2.2 市场需求分析

近些年，通信业迅猛发展，通信运营商的网络规模也越来越大，各种通信设备也越来越多，网络设备所需的电力能源需求也日益增长。通信业不是耗能大户，但是同样责无旁贷，绿色通信再次被聚焦，庞大的网络设备特别是基站蓄电池、空调都消耗着大量电能，节能降耗势在必行。

从移动通信的市场应用来看，其普遍使用率和受用户青睐程度，远远超过了传统纸媒和计算机网络技术，尤其是其便携式的应用方法，给人们的出行和社交提供了必要的条件。移动通信机房基站绿色节能减排项目的开展，不仅是行业正向发展的必要前提，也是节约能源资源，实现产业优化配置，营造企业和谐发展环境，为企业持久发展提供机遇的体现，更是对企业发展起积极指导作用的体现。

2.3 市场潜在发展趋势

市场潜在发展趋势有以下几个方向：

（1）数据融合分析：基于大数据的融合分析，结合历史数据对用电趋势、隐患、故障点等进行预测。

（2）个性化管理：针对每个基站的使用情况设定用电策略，根据现场情况对设备进行远程操控。

（3）无人值守：远程监控安全相关的监测数据，当电气安全设备检测到报警故障时会自动通过手机短信、语音电话和APP推送提醒用户。

智能化远程电池监控管理可以促进信息流通、资源共享，提升工作效率，具有显著的经济效益和社会效益。

3 技术手段

3.1 潮汐小区研究

通过性能话务数据，进行小区潮汐计算，生成业务关联并有潮汐效应的小区对，基于以上数据生成潮汐调度指令，通过后台下发电池脱钩（通过物理手段或电子电路将电池输出切断让其停止供电工作）命令，实现用电的智能化和自动化。实现方案如图1所示。

图1 潮汐小区5G基站用电的智能化和自动化

潮汐小区具体算法如下：

（1）小区状态池：记录每小区每小时的忙闲情况，分为高负荷、低业务、正常。

（2）潮汐高负荷小区：按集团高负荷小区判定标准，每小时独立计算，若最近七个工作日内有三次及以上高负荷则为潮汐高负荷。

（3）潮汐低业务小区：按集团低业务小区判定标准，每小时独立计算，低业务并且拆除不会导致同扇区小区高负荷，若最近七个工作日内有五次（可配置）及以上低业务则为潮汐低业务。

（4）潮汐高负荷小区池：建立潮汐高负荷小区池，存放所有潮汐高负荷小区，记录小区高负荷时段。

（5）潮汐低业务小区池：建立潮汐低业务小区池，存放所有潮汐低业务小区，记录小区低业务时段。

（6）拆补匹配原则。

A 潮汐高负荷小区池小区按高负荷时段从长到短排序。

B 为每个潮汐高负荷小区匹配潮汐低业务小区：

⊙ 高负荷小区与低业务小区为同厂家、同频段（先拆高）、同RRU型号、同BBU型号。

⊙ 高负荷小区波峰与低业务小区波谷时段匹配，低业务小区波谷时段必须包含高负荷小区波峰时段。

⊙ 如果低业务小区也同时为高负荷小区，要求高负荷小区的波峰与低业务小区的波峰错开。

⊙ 优先选择能匹配高负荷小区时段并且低业务时段最短的小区，长的保留给其他小区使用。

具体流程如图2所示。

图2 潮汐小区匹配流程

3.2 基于时间序列的通信基站设备脱钩方法

本文提供了一种利用用户数、流量、PRB利用率、话务量等业务数据对基站的业务趋势进行预测的方法。方法内容包括：一是通过业务数据和日期属性，判断基站是否存在潮汐效应和潮汐效应发生的日期属性；二是对存在潮汐效应的基站建立时间序列模型，预测基站未来的业务变化情况；三是对预测结果的业务波动情况进行合并，避免出现过多关闭点导致频繁关闭、启动，影响使用。方法步骤如图3所示，下面进行具体介绍：

本文包括业务数据采集、潮汐基站分析、时间序列模型训练和调优、预测基站关闭时段、关闭点合并和设置基站关闭、启动时段。

图3 方法步骤

3.2.1 步骤1：业务数据采集

在步骤1中，按5 min粒度采集基站的业务数据，采集数据如表1所示。

表1 按5 min粒度采集基站的业务数据表

3.2.2 步骤2：潮汐基站判断

非潮汐基站全天业务量分布比较均匀，不需要对基站进行关闭、启动操作，因此需要对基站进行分类，判断出哪些基站存在潮汐现象。潮汐基站判断方法如下：

（1）对数据时间按天进行标注，分为工作日、法定节假日、其他节假日。

（2）对基站业务数据按照小时、eNodeBID （其中eNodeB（Evolved Node B），即演进型Node B，LTE中基站的名称，eNodeBID即基站的惟一标识）进行处理，用户连接数取最大值，上下行流量、话务量取累计值。

（3）计算基站用户连接数、上下行流量、话务量最大值，将小时数据与相应最大值对比，进行归一化处理，将数据映射为（0，1）之间的小数。

（4）将归一化后的3个值进行累加，作为基站的融合业务量。

（5）计算每天每小时每个基站的融合业务量，分为高负荷、低负荷、正常负荷。

（6）潮汐基站符合部分时段业务负荷高、部分时段业务负荷低，因此如高负荷占比高于20%且低负荷占比高于20%，则判断为潮汐基站。

（7）与时间标签结合，输出如表2所示的信息。

表2 与时间标签结合输出信息表

3.2.3 步骤3：时间序列模型训练及调优

时间序列分析主要用于描述和探索现象随时间发展变化的数量规律，时间序列是指同一空间、不同时间某一现象的统计指标数据按时间先后顺序形成的一组动态序列，这一组数据可以表示各种各样的含义的数值。本专利的时间序列分析是利用基站的历史业务数据，分析其中的规律，预测后续的业务趋势。具体操作方法如下：一是获取存在潮汐现象的基站数据，按照工作日、法定节假日、其他节假日分别建立模型；二是由于基站业务量的时间序列变动受到长期趋势、季节变动、周期循环和不规则变动这四个因子的共同影响，因此时间序列可以表示为下列的加法结构模型：

（1）计算长期趋势因子：加权移动平均后的平滑时间序列数据包含了长期趋势因子和循环变动因子。由于长期趋势有可能改变，这种改变可能源于运营策略的变化，并且在数据不同阶段，循环周期也会有所不同，因此采用时间序列断点检测方法，将加权移动平均后的数据分段。

采用线性回归模型拟合分段后的趋势分量T（t）。将时间设为自变量，每一段的观测流量值为因变量，求得每一段的线性回归模型。由时间和此模型计算得到的因变量估计值就是长期趋势T（t）：

式中，β0和β1分别表示斜率和截距，选取最小二乘法估计β0和β1，使得 ：

计算式中关于β0和β1的偏导数，求解线性方程组得：

（2）计算季节因子：将原始业务量数据减去平滑后的业务量数据，差值为业务量的季节因子和一部分的不规则变动 y（t）-M（t）=S（t）+I（t）。在这个流量业务中，季节周期为天，因此，计算每天的业务量中位数作为季节因子，可以避免极端不规则值的影响。

（3）计算循环因子：加权移动平均后的平滑时间序列，只剩下长期趋势和循环变动。用回归法已求出趋势因子 T（t），因此，循环因子C（t）= M（t）-T（t）。

（4）计算不规则变动因子：在计算出趋势因子、季节因子和循环因子后，不规则变动因子为I（t）=y（t）-T（t）-S（t）-C（t）。

（5）时间序列模型检验：将求得的长期趋势因子、季节变动因子、周期循环因子和不规则变动因子求和得到最终该基站的流量预测模型。通过求均方根误差来检验模型的准确性，其计算公式如下：

式中，yi为观测值；为预测值；m为预测值个数。

3.2.4 步骤4：业务量预测，预测基站关闭时段

使用模型对基站业务量进行预测，无业务的时段设置为基站关闭时段，表结构如表3所示。

表3 预测基站关闭时段表

3.2.5 步骤5：合并关闭点

由于分析数据为5 min粒度，短时间内业务变化会导致频繁关闭、启动基站，影响系统运行，因此需要对关闭点进行合并。步骤如下：

（1）所有关闭点初始状态设置为待确认。

（2）找到第一个关闭点和第二个关闭点。

（3）如果第一关闭点和第二关闭点时间差值超过60 min，则第一关闭点状态设置为关闭，以第二关闭点为起点，重复步骤（2）。

（4）如时间差值在60 min内，第一关闭点状态设置为不关闭，以第二关闭点为起点，重复步骤2。

（5）重复上述步骤直至合并完毕。

3.2.6 步骤6：设置例外名单

部分基站在特定时间可能涉及到重大活动保障，不能使用基于时间序列的关闭和启动机制，需要将这些基站的特定时段设置到例外名单中，表结构如表4所示。

表4 设置例外名单表结构

3.2.7 步骤7：设置基站关闭、启动时段

根据预测及合并后的结果，设置基站的关闭、启动时段。

4 技术优点

传统方法基于门限判断，“机械地”关闭或启动基站，未考虑后续可能发生的变化，可能导致频繁启停基站；由于数据采集的延迟性，传统方法的判断方式也必然存在滞后性，可能出现用户已经进入，但基站尚未启动。本文提出的基于时间序列的业务量预测方法，改变了传统方法被动、局限的分析方式，能有效预测基站的业务趋势，进行基站的关闭和启动，达到节能降耗的目的。

传统方法未对基站数据日期属性进行分析，简单判断周末和非周末，未考虑法定节假日以及假期调整带来的变化，容易导致误判，可能会将某个上班的周六按照周末进行分析，导致写字楼区域基站关闭，用户无法使用。本文按照工作日、法定节假日、其他节假日进行独立建模，有效区分时间场景，避免误判。

5 项目预期效果

5G由于采用的是更高频率，单站覆盖的范围更小。要实现更好更全的覆盖，就需要更密更多的基站。5G基站功耗的平均功耗大约是4G的2.5～3.5 倍，未来5G基站的数量也将是4G基站的3倍，毫无疑问，电力问题将成为运营商5G网络投资的巨大压力。当基站处于负载相对较小或者空载时，如果仍然保持在工作状态，将会浪费大量的电能。现有方案一般通过设置门限值对基站进行启停操作，当用户数量低于门限值则关闭有源设备的供电；当用户数量超过门限则启动基站并恢复正常使用。

本文提案中通过采集、分析基站的业务数据，判断存在潮汐效应的基站；并针对这些基站使用时间序列分析方法，对业务量进行预测；根据预测结果，将一段时间内的业务波动进行动态合并，计算出每个基站的启动时段。实现智能的关闭和启动方案，既能保障用户感知基本无差异的前提下，又能有效降低用电成本，提高电池等设备的使用寿命，最终达到降本增效的目的。

项目总体计划是在2020～2021年两年内研发出基于节能减排的电池脱钩系统，并完成项目的产业化，在2022～2023两年内销售30套，实现3 000万的销售收入，为国家创造税收300万元。本项目推出的基于节能减排的电池脱钩系统将填补国内在该方面的技术空白，大力弘扬了国家倡导的自主创新精神，大大降低我国5G网络建设成本，有力地推动5G 产业的纵深发展。