计及5G基站负荷概率特性的配电网扩展规划方法

2022-02-18周孟戈周念成

电工电能新技术 2022年1期

周孟戈，谢松，彭搏，周念成，张渝

(1.国网重庆市电力公司，重庆 400015；2.输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆 400044)

1 引言

随着移动互联网的发展，社会对移动数据高质量、快速度传输的需求日益增长。现有以4G通信技术为核心的通信系统正面临着传输容量不足、传输速度慢、频段拥挤等挑战[1,2]。为解决现有通信技术中的缺陷，第5代移动通信技术(5th Generation mobile communication technology,5G)应运而生。5G技术凭借其传输速率快、延迟低、能耗比高等优点正逐步替代原有4G技术向家庭办公网络、工业物联网络的运行提供技术支持[3]。

未来5G基站将朝着大量融入城市电网的方向发展，文献[4]提出5G通信技术在电力系统中是实现通信与电力系统和电力物联网进行深度融合的关键技术手段。文献[5]深入分析了5G通信在电力物联网中的应用场景，鉴于未来5G通信网基站密集，提出了电力物联网下5G通信网能量管理的思路。文献[6]从分布式新能源及储能并网、输变电运行监视、配电网调控保护、用户负荷感知与调控、协同调度及稳定控制、规划投资和综合治理等方面，指明了5G通信技术在电力物联网中的具体应用方向。为满足5G通信的高速率传输需求和高可靠性，5G基站能耗大约是4G基站的3倍；同时，相同面积内的5G基站数通常比4G基站多出3倍左右[7]，因此，基站的峰值负荷将超过原来的9倍。

由于用户使用移动网络的时间与用途均不固定，其通信产生的业务流量将表现出随机性与间歇性[8]，这将导致5G基站的能耗将随着大量用户接入发生不确定性波动，进而影响5G基站电源系统的配置。

为定量分析这一现象，文献[9,10]基于实测的蜂窝网数据，研究蜂巢网络中数据基站的空间分布特点，建立了数据基站分布和流量需求的空间密度分布概率模型。文献[11,12]从通信基站(Long Term Evolution,LTE)的能耗元件入手，建立了在各种通信负载下的业务流量能耗模型，推导了不同的移动LTE基站业务与基站能耗之间的计算关系。文献[13]以微信作为典型应用，分析了用户在不同信息发送模式下的业务流量与数据基站能耗的定量关系，建立了基于移动蜂窝网络和业务服务的数据基站能耗计算模型。上述文献针对移动网络数据基站业务流量及其能耗的概率特性做出了研究，但未计及5G基站全新拓扑结构带来的影响，同时未全面考虑业务流量在不同区域及不同类别下的规律特点。

此外，随着5G基站的大规模建设，其电源系统容量配置的不确定性将对配电网的扩展规划产生影响，增大主变、线路等电气元件容量配置和增容改造的难度[14,15]。因此，分析5G基站拓扑结构及用户海量业务流量的概率特性对5G基站能耗大小的影响，研究计及5G基站负荷的配电网规划方法具有重要意义。

为此，本文首先根据5G基站的通信物理设备组成推导了5G基站在给定时间内的能耗计算模型。在此基础上，分析了不同建筑群的用户分布、不同建筑群内用户接入特性和不同业务的流量特性对5G基站能耗大小的影响，建立了5G基站的有功负荷概率分布模型。在充分考虑5G基站广泛接入配电网后，提出了计及5G基站负荷概率特性的配电网扩展规划方法。最后，对实际10 kV配电网络进行了计及5G基站接入后的负荷能耗和扩展规划的仿真分析，验证了所建模型的有效性，并提出了5G基站接入后的配电网短期规划工程建议。

2 5G基站的能耗计算模型

物理结构上，5G基站由空调设备、无线主设备和配套照明三部分组成[16]。由于5G基站运行过程中空调设备、配套照明设备的能耗较固定，而无线主设备的能耗将随用户的接入发生较大变化，故本文主要对无线主设备部分的能耗进行了分析建模。

无线主设备由基带处理单元(Base Band Unit, BBU)和射频拉远模块(Remote Radio Unit, RRU)两部分组成[13]。5G基站正常运行时无线主设备的能耗表现为基线能耗与增量能耗之和。其中，基线能耗代表当无用户接入5G基站时用于发送固定无线信号(例如参考信号(Cell Reference Signal, CRS)，主同步信号(Primary Synchronization Signal, PSS)，次同步信号(Secondary Synchronization Signal, SSS)，物理广播信道(Physical Broadcast CHannel, PBCH)，物理控制格式指示符通道和物理混合自动重复请求指示符通道(Physical Hybrid automatic repeat request Indicator CHannel, PHICH))产生的能耗，分为BBU基线能耗与RRU基线能耗；增量能耗代表当大量用户接入5G基站时为满足上下行数据业务流量需求的能耗，主要与RRU模块相关。

假设5G基站单位小时内的基站总能耗采用Etotal表示，RRU增量能耗和基线能耗分别采用ERRU,incre和ERRU,base表示，BBU基线能耗采用EBBU,base表示，则5G基站的能耗计算模型可表示为：

Etotal=ERRU,incre+ERRU,base+EBBU,base

(1)

2.1 RRU的增量能耗

对于RRU的增量能耗ERRU,incre，其计算公式为：

ERRU,incre=EDLd,incre+EDLs,incre

(2)

式中，EDLd,incre为RRU在给定观测时间内下行数据产生的增量能耗；EDLs,incre为RRU在给定观测时间内下行信令产生的增量能耗。

EDLd,incre可通过在给定观测时间内通过分组数据汇聚协议层(Packet Data Convergence Protocol, PDCP)的下行数据流量所占最大下行吞吐量的比例来确定。EDLs,incre可通过在给定观测时间内下行数据及下行信令所需资源块占总资源块数量的比例来确定。由此，EDLd,incre和EDLs,incre的计算模型为[13]：

(3)

(4)

式中，Pin_max为RRU设备的最大功耗；Pin_base为测量的RRU的基线功耗；Tmax_DLd为传输业务PDCP层下行最大吞吐量；TOTT_DLd为传输业务PDCP层下行数据流量；DOTT_DLd为传输业务下行数据在给定观测时间内的持续时间；RDLd为下行数据所占资源块数量；RDLs为下行信令所占资源块数量；ROTT_DLs为5G基站控制信道所占资源块总数；DOTT_DLs为5G基站在给定观测时间内信令持续时间。

根据上述式(3)～式(4)可知，EDLd,incre是关于TOTT_DLd和DOTT_DLd的函数；EDLs,incre是关于ROTT_DLs和DOTT_DLs的函数，故RRU的增量能耗ERRU,incre等于：

(5)

2.2 RRU的基线能耗

当基站的物理资源利用率为零时，RRU的基线功耗Pin_base可分解为RRU下行数据、RRU下行信令和RRU上行数据这三者基线功耗之和[17]，故在观测时间内RRU的基线能耗ERRU,base等于：

ERRU,base=EDLd,base+EDLs,base+EULd,base

(6)

式中，EDLd,base为单位小时内RRU下行数据产生的基线能耗；EDLs,base为RRU下行信令产生的基线能耗；EULd,base为RRU上行数据产生的基线能耗，计算公式分别为：

(7)

(8)

(9)

式中，T(t)=Tmax_DLd+Tmax_ULd，其中Tmax_DLd和Tmax_ULd分别为小区PDCP层下行和上行最大吞吐量；ρdata为上下行数据在上下行总资源占比；ρDLs为下行信令在上下行总资源占比；Umax为传输过程中的固定信令开销部分占总功耗的比重；TOTT_ULd为传输业务PDCP层上行数据流量；DOTT_ULd为传输业务上行数据在单位小时内的持续时间。

根据上述式(7)～式(9)可知，EDLd,base是关于TOTT_DLd和DOTT_DLd的函数；EDLs,base是关于ROTT_DLs和DOTT_DLs的函数；EULd,base是关于TOTT_ULd和DOTT_ULd的函数。因此，RRU的基线能耗ERRU，base等于：

(10)

将上述式(5)和式(10)代入式(1)，可得5G基站在给定观测时间内的基站无线设备的总能耗Etotal与业务类型构成和业务流量密切相关。在同一业务类型下，Etotal与该业务所对应的PDCP层下行数据流量、持续时间、控制信道所占资源块总数以及信令持续时间具有正比例的关系。

3 5G基站负荷能耗的概率分布

3.1 影响基站蜂窝流量的因素分析

3.1.1 不同建筑群的用户分布

依靠用户手机与附近通信基站的GPS信号传输，百度公司开发的API数据热力图向全社会提供各GPS定位点附近的人口密度分布数据[18]。由于5G通信负荷的大小与地区人口密度紧密相关，本文以百度API热力图为分析工具，研究不同建筑群中使用智能手机连接5G网络用户的人口密度情况。

图1为某实际地区2020年10月17日17:30的百度API热力图。图中，假设每个用户均至少拥有一部手机，颜色越深表示该建筑群人口密度越大，用户数量越多，5G基站的业务流量需求越大，反之，则该建筑群人口密度越小，用户数量越小，5G基站的业务流量需求也越小。

图1 某地2020年10月17日的百度热力图

3.1.2 不同建筑群的用户接入特性

在基站的辐射半径内，由于不同地块的用途属性不同，用户端手机激活数量将会受到影响。图2给出了2020年7月某区域内不同建筑群的流量密度与手机激活比数据，图中左侧y轴为流量密度，表示建筑群每平方公里手机用户消耗的流量，单位为Gbps/km2，右侧y轴为激活比，即正在进行业务的手机用户数量与该建筑群内总用户数量之比；x轴的1至11依次为居住用地、公共管理与公共服务设施用地、商业服务设施用地、工业用地、物流仓储用地、道路交通设施用地、公用设施用地、绿地与广场用地、区域交通设施用地、特殊用地、水域和其他用地。

图2 不同建筑群的流量密度与手机激活数量

根据图2可知，流量密度较大的建筑1和建筑3的手机激活比比流量密度较小的建筑4、建筑5、建筑6、建筑9都要低，这是因为建筑4～建筑6和建筑9均是工业和公共设施等物联网设备接入的区域，其激活比普遍比较高，但流量并不大；相反，建筑1和建筑3是居住用地和商业服务设施用地，虽然其人流量比较大，手机激活比在同一时段并非很高，但流量大。由此，不同地块用户接入特性之间的差异非常显著。

3.1.3 不同业务的流量特性

在同一建筑群内，不同用户使用的业务类型不同。某移动通信运营商大数据平台通过对2017年6月、2018年1月和6月、2019年1月和6月的统计分析[16]，分别对视频流量类、网页浏览类、即时通信类、文件下载类和其他类进行蜂窝网内的业务流量统计分析，得出了对应时间区间内各LTE业务的流量占比情况，如图3所示。

图3 不同LTE业务的流量占比

由图3可知，视频流量占比逐年提高，2019年6月高达71%，而网页浏览、即时通信等类别的流量占比呈逐年下降的趋势。由于不同类别的流量大小、速度需求不同，故不同的LTE业务成分构成，将显著影响5G基站传输总流量的大小，进而影响其能耗。

综上所述，不同建筑群的用户分布、不同建筑群用户接入特性和不同业务的流量特性都会对基站蜂窝流量产生显著影响，但由于一定时间、区域内的用户数量、手机激活数量和业务类型具有一定的随机性，故5G基站的业务流量不固定，总能耗在某时间区间内具有随机分布的特性。

3.2 5G基站负荷能耗的概率模型

参考目前手机用户端的流量使用状况，本文做出如下假设：

(1)移动用户密度根据5G基站辐射半径考虑；

(2)将移动业务粗略地归为移动视频业务和非移动视频业务。移动视频业务满足4 k/8 k高清视频、AR/VR视频等业务需求，速率要求为15.0 Mbps以上；非移动视频业务满足文件下载、即时通信、网页浏览、其他(比如物联网控制类)等业务需求，速率要求为5.0 Mbps左右；

(3)不同建筑群用户的手机激活数量按照历史统计数据的最大比例代入进行计算；

(4)该基站辐射半径内不同建筑群的用户手机激活数量比λ、不同建筑群的用户开展移动视频业务和非移动视频业务的数量之比δ、移动视频业务和非移动视频的PDCP层业务下行和上行数据流量速度y1、y2和w1、w2，以及传输业务在10 min内持续时间为相互独立的随机变量。

假设该建筑群采用Hi(i∈Φ)表示，Φ为该基站辐射半径内的所有类型建筑群集合；建筑群Hi对应的人口密度ρi通过历史热力图获取观测时间内的人口密度平均值；建筑群Hi里面的用户手机激活数量比满足λi～N(aλ,bλ)的正态分布。那么，建筑群Hi的人口总数的期望为Ei=ρiNi，Ni为建筑群Hi的面积；建筑群Hi的手机激活数量的期望Ri=Eiλi。考虑到手机用户进行业务可分为移动视频业务和非移动视频业务，则建筑群Hi里面开展这两项业务的数量之比满足δi～N(aδ,bδ)，则建筑群Hi的移动视频和非移动视频的PDCP层业务流量TOTT_DLdHi,v、TOTT_DLdHi,g、TOTT_ULdHi,v、TOTT_ULdHi,g、ROTT_DLsHi,v、ROTT_DLsHi,g分别等于：

(11)

(12)

(13)

式中，移动视频业务和非移动视频业务对应的流量速度分别呈均匀分布，其中随机变量y1,y2和w1,w2为用户移动视频业务和非移动视频的下行和上行数据流量速度，其概率密度函数表达式如式(14)、式(15)所示；z1,z2分别为移动视频业务和非移动视频业务控制信道所占资源块总数，其值由y1,y2所决定。

(14)

(15)

对于建筑群Hi的业务流量在10 min内持续时间t而言，其大小主要取决于其用户的手机使用时间习惯和接入业务偏好。根据某移动通信运营商的基站对某建筑群为居民小区某天12:00时开展10 min内的流量数据调查，发现有18.3%的手机没有进行上网业务或者没有采用蜂窝的方式进行上网业务；有28.2%的手机用户使用了蜂窝流量，持续时间在30 s以内；有53.5%的手机用户的蜂窝上网持续时间在10 min以内。对其统计数据进行归一化处理后，用极大似然估计的方法，将建筑群用户对应的下行数据和信令在10 min内持续时间t的百分位近似分布为Beta(α,β)分布，拟合结果如图4所示。

图4 10 min的用户蜂窝流量持续时间t的百分位概率分布

由于移动视频业务和非移动视频业务数量比例为δi，其蜂窝上网时间也近似按比例进行估计。于是，建筑群Hi在10 min内的移动视频和非移动视频业务流量持续时间DOTT_DLdHi,v,DOTT_DLdHi,g,DOTT_DLsHi,v,DOTT_DLsHi,g,DOTT_ULsHi,v,DOTT_ULsHi,g分别等于：

(16)

式中，随机变量ti为建筑群Hi内用户对应的下行数据和信令业务持续时间，其Beta分布的概率密度函数为：

(17)

式中，Γ(x)为Γ函数；α、β为Beta分布的特征参数。

(18)

4 计及5G基站负荷能耗概率特性的配电网概率规划模型

在配电网短期规划中，通常以每条10 kV馈线所带配变的总负荷不能超过该条线路容量、对同一个110 kV变电站的所有10 kV馈线出线，其所有馈线的总负荷不能超过110 kV变电站主变容量为约束，以最小的配电网新投或改接设备所产生的费用为目标函数。在针对大量5G基站广泛接入配电网后，由于其负荷能耗的大小具有一定随机性，这将对配电网的合理规划产生一定的影响。为此，本文以基站的负荷能耗概率特性为基础条件，进行配电网的线路扩容和110 kV变电站变压器扩容的规划研究。

minF=BTxl+LTxT

(19)

式中，B为配电网线路扩容成本向量；L为110 kV变电站变压器扩容成本向量。

相应地，约束条件为10 kV馈线容量约束和110 kV主变容量约束。具体约束表达如下：

① 第i条10 kV线路容量约束

(20)

② 110 kV变压器剩余容量约束

(21)

式中，Sload为该站除10 kV配电网线路外的其他最大负荷。

综上所述，计及5G基站能耗概率特性的配电网0-1整数规划模型为：

(22)

5 算例分析

5.1 算例的基础数据

本节在Matlab R2012a平台上对某实际地区10 kV线路接入3个5G基站后的配电网络短期扩展规划进行仿真研究。在仿真中，超前考虑5G基站广泛接入后对配电网的规划影响，尽可能避免在负荷高峰时期出现110 kV主变超载、10 kV线路过载问题。下面图5给出了该10 kV线路的地理GIS接线图、人口密度热力图像、3个5G基站的地理位置以及待选扩容线路位置。假设待规划的3个5G基站辐射区域内的建筑群分别为A、B和C。然后，根据该片区各个建筑群的热力图历史数据，表1给出各个建筑群Hi(i=A,B,C)的人口密度ρi数据，以及用户手机激活数量比λi、移动视频业务和非移动视频业务的数量之比δi各自满足的正态分布参数，以及建筑群Hi的面积Ni大小。假设各个建筑群用户对应的下行数据和信令在10 min内持续时间t的百分位概率分布均服从Beta(10,3)分布；移动视频业务和非移动视频业务对应的PDCP层业务下行和上行流量速度分别满足给定的均匀分布，其控制信道所占资源块总数z1,z2分别是13和144。表2给出了该条配电线路的待选扩容线路和其电源点待选扩容主变的容量参数Mi、Sk和成本系数向量L和B值。并且，该电源点110 kV变电站除该10 kV线路外，其他10 kV线路的最大总负荷Sload=32 MW；该10 kV线路的待选线路1、2、3的最小截面容量分别为6.0 MV·A、6.3 MV·A和5.8 MV·A。负荷数据取自该实际配电网SCADA系统2020年8月6日11∶15的标幺值数据。