4G/5G基站协同智能节能方案研究

李 露 李福昌

中国联通研究院 北京 100048

引言

随着国内5G大规模建设的加速，运营商在承担大量5G网络建设费用的同时，也面临OPEX成本的巨大压力。与传统基站相比，5G基站站址更密集、建设环境更复杂、站点功耗更高。运营商现网移动业务能耗成本占总能耗成本约70%，其中基站能耗比例超过九成，基站能耗成本巨大。在5G网络共建共享的大背景下，5G基站设备对频段、带宽、功率等性能指标等都提出更高要求，5G基站不仅支持3.5GHz等5G商用频段，同时还需支持2.1GHz等重耕频段；设备的硬件能力由支持3.5GHz频段100MHz带宽、200W最大发射功率演变为支持200MHz带宽、320W等大带宽、高功率的新要求。现网对基站设备的更高要求，导致基站的能耗不断增大，如5G基站能耗是4G能耗的3.5～4.5倍，运营商将面临巨大的OPEX电费压力[1-4]。如何降低现网基站能耗是通信行业亟待解决的问题。

传统节能技术基于网管话务统计，分时段批量关断设备，不能支持实时、跨网络、灵活智能的节能管理，导致节能效果不佳、运维复杂难度增加。5G时代，2G、3G、4G、5G多种制式系统会在一段时期内共存，随着云化架构的演进，多制式系统将逐步融合，需要从全网最优的角度综合考虑网络能力和能耗成本。为满足5G网络高功耗、多制式并存、能耗精细化管理等技术挑战，5G基站设备节能方案应结合通信行业产业链的实际发展情况，不断采用新工艺、新材料、新方案、新设计等创新技术，不断改进基站设备产品设计，降低商用设备基础功耗；同时，加快软件新节能功能的研发进度，商用设备必须支持智能符号关断、智能载波关断、小区关断、深度休眠、智能通道关断等节能方案[5-8]。从网络层面，4G/5G等多制式系统的协同管理入手，逐步在现网开展4G/5G智能节能平台试点，将人工智能技术应用在通信网络智能化、自动化的智能管理中，以达到综合网络能力强、用户体验优、能耗低的目标，真正降低运营商OPEX成本，提高网络整体竞争力。

1 基站节能基本原理

通信网络节能方案可以划分为基站节能方案和网络级节能方案。基站节能方案主要考虑从设备硬件、软件特性等方面优化设备能耗，而网络级节能方案考虑多制式网络之间协作实现全网能耗最优的效果。基站设备节能方案主要有两种方式，即硬件节能方案和软件节能方案，硬件节能降低基站设备的基础功耗，软件节能从业务运营角度出发对硬件资源进行合理调配，让基站设备更高效运行。

硬件节能方案主要通过优化设备硬件设计、改进生成工艺以及设备集成度等手段达到降低基站设备基础能耗、不断提高基站设备能源利用率的目的。基站设备硬件节能方案可以通过提高硬件平台集成度，加快半导体工艺更新换代，加快新材料、新技术、新工艺等技术创新和产品应用，持续降低基站设备能耗水平。例如，为了提高AAU设备的能效，需要从功放模块、数字基带(含数字中频、基带模块)、收发机等对功耗影响较大的关键器件进行技术升级，例如提高ASIC芯片比例，同时采用更高工艺(如5nm、3nm技术)来降低能耗并减少芯片面积，从而提高集成度，减少AAU芯片数量，整体降低热耗。

软件节能方案根据通信网络业务在时间、空间等分布特征，以及网络负荷的变化，在保证预定指标的前提下通过基站软件功能配置，对硬件资源进行合理调配，实现高效利用资源的目的。在网络中，为了实现软件节能功能，基站除了要支持软件功能对相应硬件的控制外，还需要支持能耗数据的采集、交互、上报，以及BBU和AAU/RRU与网管之间的状态信息交互。基站软件技能方案主要包括符号关断、通道关断、载波关断、小区关断、深度休眠、功放调压等[9]。

网络级节能方案应用于多制式共存的网络中，考虑不同网络制式之间的协同，使全网的能耗与网络性能达到最优。例如，4G/5G同覆盖区域内，可根据4G网络与5G网络的业务量等指标的变化情况，灵活管理AAU/RRU设备的关断时段，实现降低基站设备能耗的目的。若5G网络的业务负荷较低，则可动态关断5G AAU/RRU载波，降低5G网络的能耗，同时，5G网络的业务量可由4G网络承载。若5G网络负荷超过预定门限，则开启5G小区，恢复正常的5G网络覆盖。若4G网络的负荷低于预定门限，可通过关断4G射频通道或载波的方式，降低4G网络的能耗[10]。

本文将重点讨论网络级节能方案，基于人工智能算法来预测小区业务量、灵活调整节能策略，使得智能节能方案可在多制式网络、不同小区场景下智能适配，在不影响业务体验的前提下达到更好的节能效果。

2 网络级智能节能方案

网络级智能节能方案可以实现多制式无线网络基站设备(如4G/5G基站设备)智能化、精细化、规模化节能管理能力；实现对网络基础设施，如电源、备电等系统按照多种系统制式的智能化管控，支持功耗数据精确采集上报、支持电源按系统制式和设备类型的分路智能供电等功能；支持对基站AAU/RRU等设备节能控制功能，支持符号关断、通道关断、载波关断、深度休眠、电源关断等节能特性[11-14]。

网络级智能节能方案应支持分场景、智能化基站节能策略管理，以全网能耗最优为网络级节能策略，以基于AI的智能业务精确预测、智能节能策略生成等功能，打破基础设施数字化孤岛，实现网络能耗数据实时、高精度采集能力，并支持根据网络基础设施状态，灵活管控基站的能耗情况。

本文下面将重点研究基于AI的网络级节能方案，通过应用不同的AI算法，如基于联邦学习的节能方案、基于强化学习的节能方案等，提升节能预测精度和适用范围，实现对单个基站设备功耗的智能化管理。智能节能方案可以通过统一节能管理平台实现，平台支持与网管、网优平台、工参等现网平台数据互通，可以实时采集现网数据，并且支持与多厂家OMC平台南向接口对接互通，实现4G、5G OMC节能指令发送、指令执行监控等功能，从而达到对4G/5G多种制式基站设备的统一管理能力，制定自动化适配智能节能策略，持续提升网络节能效果。

2.1 基于强化学习的节能方案

基于强化学习的节能方案首先需要定义价值函数，价值函数需包含能耗降低参数和网络性能参数，保证在不降低网络性能的前提下最大限度降低网络能耗。然后通过已实践节能策略小区的反馈结果，来搜索当前节能策略的最优值，可按照一定搜索方法遍历尽可能多的策略，计算其节能能耗与网络性能的价值函数值，通过强化学习得出后续最佳节能策略。基于强化学习的节能方案流程如图1所示。

图1 基于强化学习的节能方案流程

当节能任务执行一定时间后，可将历史每个小区的节能策略形成策略特征库，在策略特征库丰富后，可直接在策略库中选取最优的节能策略直接执行，以节省节能策略预测时间，并且根据节能策略执行结果不断修正节能策略特征库。

针对不同话务模型，可以通过强化学习的方式综合考量能效、任务准确度和网络质量，智能推荐更精确的策略门限。

2.2 基于联邦学习共享网络下的节能方案

联邦学习可以在确保用户隐私和数据安全的前提下实现跨公司或组织间的模型训练。各公司/组织间交换模型信息的过程被设计和全程加密，公司/组织互相不能够获取到其他任何公司/组织的隐私数据内容，可以实现跨公司/组织间的联合建模。

在5G基站共享、4G基站不共享场景下，可以通过联邦学习分别提取不同运营商间不共享的基站数据，如4G基站数据，分别在运营商本地进行模型训练预测节能小区情况。运营商无需互通各自的基站数据，联邦学习能够隔离非共享的4G数据，将隐私数据隔离具备足够安全性。以5G共享基站和非共享4G基站的性能、公参等数据为输入，4G基站隐私数据单独训练模型，当不同运营商5G用户驻留回自己4G基站时小于4G最大负荷要求，5G基站可以节能，此时5G业务负荷可分担到不同运营商的4G基站。基于联邦学习共享网络下的节能方案可根据4G/5G网络的业务量等指标的变化情况，对5G基站设备采用智能节能策略。

基于联邦学习共享网络下的节能方案具体实现流程如图2所示，运营商A和运营商B的LTE基站、5G基站都基于其本地数据来训练模型参数，并且将模型参数(梯度)上传到中央服务器单元。中央服务器通过使用安全的联合平均聚合所有分布式节点端的模型参数，形成最终全局模型，然后将该模型发送给每个连接的运营商。每当运营商重新接入或有数据更新时，用户将更新发送回服务器，服务器构建改进全局模型。通过上述过程，各运营商负责学习全局模型的更新，并通过其本地数据更新本地训练模型。各共享运营商可隔离非共享数据，并且能获得全局节能算法模型，从而实施共享网络下的节能方案。

图2 基于联邦学习的共享网络节能方案流程

2.3 提升预测粒度及精度

智能节能预测可以通过细化预测精度及预测时长来增加节能算法的准确性及实用性。例如，可将智能节能预测粒度和节能任务下发精度由1小时提升至15分钟，预测时长由24小时提升至48小时。

将粒度细化到15分钟粒度后，可实现了跨度1/4小时的滑窗机制，最小节能时间段应用更加灵活，整体提升了节能效率，对网络波动响应将更迅速，避免由于粗粒度预测造成提前或滞后关断(开启)节能任务的情况。节能预测最好能同时满足小时级精度和15分钟精度兼容，运维人员可根据现网实际情况选择实施。

预测时长提升至48小时后，可以有效减少预测频次，提前指定节能策略，且预测时长能向更长周期拓展。

取3万多个小区15分钟粒度的历史数据，并对未来48小时的小区PRB利用率进行预测，并对比整体及小区小时级预测值与真实值数据，计算得出预测准确率。从预测结果可以看出1个小时和15分钟的预测平均绝对误差(Mean Absolute Deviation)，本次预测的3万多个小区15分钟粒度数据通过相同时序模型算法预测的MAE值约1.15196%，误差相比小时级预测结果1.64%降低0.488%。

图3为整体利用率曲线对比，以15分钟为粒度统计一天3万多小区不同时间段的无线利用率均值，真实值true_ratio与AI模型的预测值utilization_ratio对比，error为预测值与真实值的预测误差。由曲线可看出模型下整体预测结果与实际值的整体趋势均较吻合，AI模型预测值稍微高于真实值。

图3 预测96个15分钟粒度整体误差分析

图4、图5为15分钟粒度与小时粒度的预测误差统计对比图，统计了3万多小区不同预测误差范围内的小区占比情况。如图4所示，24个时段中15分钟粒度预测无线利用率误差在0.05以内占比超过了94%，误差在0.075以内比例在97%以上，相比前期小时粒度准确率，误差在0.05以内准确度提升7%，误差在0.075以内准确度提升4%左右。

图4 15分钟粒度预测小区准确度分析

图5 小时粒度预测小区准确度分析

3 结束语

5G AAU 24小时功耗数值变化较大，忙/闲时AAU功耗相差300w以上，采用分时关断的节能方案可以降低网络能耗。根据5G现网业务分析，对于非热点区域，约70%现网5G基站满足4G/5G协同节能的条件，通过关断5G小区可有效降低网络能耗。5G网络相比4G网络有更高的能力，但其网络的能耗也显著增加。当前运营商网络用户主要为4G/5G用户，未来5G用户将会不断增长。因此，在4G、5G多制式共存的网络中，随着用户不断变化的多制式协同节能方案尤为重要。智能高效的节能方案也是未来网络发展的必然趋势，本文讨论了基于联邦学习和强化学习的节能方案，在后续研究中也将不断优化提升智能节能算法和方案，满足未来网络高功耗、多制式并存、能耗精细化管理等技术挑战。节能增效是运营商在5G网络时代保持市场竞争力，提高盈利能力的重要任务。网络级智能节能方案综合考虑用户体验、基站设备及站点情况，使5G网络设备、网管系统与基础设施系统紧密配合，进一步提高了网络建设效率，降低建设运维成本，实现构建低成本、低能耗、智能运维及快速响应的基础网络体系的目标。