基于特征栅格精准唤醒节能小区方法研究

柏田田，谢 陶，宋方渝，王君龙

（中国移动通信集团重庆有限公司，重庆 401121）

0 引言

随着5G技术和物联网技术等新兴技术的快速发展和广泛应用，移动通信网络面临着前所未有的容量需求压力。为了满足这种需求，移动通信网络不断扩容升级，在城市地区部署大量密集型基站。然而，这也导致了移动通信网络能耗问题日益突出。据统计，中国电信行业总体电费约70%以上由基站设备消耗。高额的电费成本不仅给运营商带来经济负担，还造成大量二氧化碳排放，对环境造成不利影响。5G基站功耗相当于4G基站的3～4倍，原因如下。一是大带宽：5G NR带宽从原来的4G的几十Mbps变为160/200 Mbps；二是通道数增多：收发通道数从原来的8通道变为64/32通道；三是数字中频器件、芯片等集成度不足，导致功耗增加；四是流数从2流变为16流；五是发射功率从100多瓦变为240/320 W。可见，5G基站相比4G的功耗有了显著增加，在保证用户服务质量和满足容量需求前提下实现移动通信网络节能已经成为当前研究热点之一。

1 基站节能方法

节能技术在移动无线基站中拥有比较广阔的发展空间，笔者在研究调查过程中发现，一些移动无线基站已经开始将相关的节能减排技术应用到实际项目之中[1]。

目前，5G节能技术方案包括设备级、站点级和网络级节能。其中，设备级方案重点从器件、硬件设计方面入手；站点级节能在设备级节能的基础上，通过软件算法，在网络空闲时段关闭站点内的部分器件来达到节能效果，主要包含功放调压、符号关闭、通道关闭、小区关闭、深度休眠等技术。通过分析基站全天话务分布情况，结合不同场景基站的话务特征，识别基站话务模型，输出不同站点级的节能策略[2]。

站点级节能方案的思路是通过对网络目前状态的识别，在保证网络质量和用户体验的前提下，通过适时关闭部分设备、小区、通道或功放等手段，或者提高冷却效率等方式，实现精细化节能。当5G网络中没有5G用户时，可关闭AAU中所有的可关闭的器件，包括数字中频、功放等，只保留用于唤醒的最基本的数字电路接口，使得AAU进入深度休眠状态，以达到最大程度降低功耗的效果。站点级节能方案包括小区关断、通道关断、符号关断、下行功率优化与液冷基站等手段。

2 节能小区唤醒

2.1 节能唤醒原理

小区开启节能功能后进入休眠状态，需根据覆盖小区实际承载业务进行小区唤醒，在达到一定门限后唤醒相应容量小区。

2.2 传统唤醒方法

常规节能小区唤醒方法基于邻接关系唤醒：考虑小区和小区之间广覆盖范围内的容量情况，但未评估用户的实际分布位置。如图1所示，当用户处于图中所示位置时，唤醒节能小区。但可能无法解决当前基础覆盖小区的容量问题。

图1 传统唤醒方式

传统的节能小区唤醒方式存在一定的缺陷，如唤醒延迟、唤醒不精准、唤醒频繁等，影响了用户服务质量和节能效果。为了解决这些问题，本文提出了一种基于特征栅格精准唤醒节能小区的方法，通过构建特征栅格模型来预测用户所处位置的最优节能小区，并及时进行唤醒操作。

3 基于特征栅格节能小区唤醒研究

3.1 唤醒方法

网络现状急需一种精准唤醒节能小区方法，有效解决覆盖容量问题，更加有效节能。为此研究一种基于特征栅格精准唤醒节能小区的方法，通过在容量层小区未进入节能状态时采集测量数据，获取用户在基础覆盖层的同频邻区电平和容量层的异频邻区电平情况，以一定的条件构建特征栅格模型，形成指纹库。当容量层小区进入节能状态时，通过基础覆盖层小区用户所处的特征栅格位置，精准预测用户所处位置的容量层小区，以此确定需要唤醒的最优节能小区，相比传统节能小区唤醒方式，能够获得更高的节能增益。

3.1.1 构建特征栅格模型

假设有两层网络，基础覆盖层2个小区，容量层3个小区。获取基础小区1和基础小区2中用户周期性上报（每5秒一次）的同频/异频测量报告，筛选足够多的有效样本数据。

假设其中服务小区为基础小区1的样本点有x个，服务小区为基础小区2的样本点有y个，则有：

式中，x＞0，y＞0，n为总采样点。

基于同频覆盖电平值，可将基础小区1和基础小区2分成三个特征栅格。如图2所示。

图2 特征栅格

（1）特征栅格1：即用户集中区域1，该区域用户特征为基础小区1电平≥一定门限。

（2）特征栅格2：即用户集中区域2，该区域用户特征为基础小区1电平＜一定门限或基础小区2电平＜一定门限。

（3）特征栅格3：即用户集中区域3，该区域用户特征为基础小区2电平≥一定门限。

同样地，将同频特征栅格确定后，可得到对应异频邻区的特征栅格，并形成映射，如图3所示。

图3 特征栅格映射

由此可知，特征栅格1 对应容量层小区1，特征栅格2对应容量层小区2，特征栅格3对应容量层小区3。

3.1.2 节能小区唤醒策略

基于构建的特征栅格库，当容量层小区开启节能功能进入节能状态时，用户仅能接入基础小区1和基础小区2。此时获取用户在基础小区中的特征栅格采样点，通过计算各栅格采样点占比比例，即可精准地预测需要唤醒的技能小区，其计算方法如下。

已知总采样点为n，其中基础小区1为主小区，采样点为x，基础小区2采样点为y。若特征栅格1的样本数为a，特征栅格3的样本数为b，则特征栅格2的样本数为（x-a）+（y-b），则特征栅格采样点比例：特征栅格1采样点比例=a/n；特征栅格2采样点比例=（x-a）+（y-b）/n；特征栅格3采样点比例=b/n。节能小区唤醒策略如下。

（1）先检测单个特征栅格的采样点占比，如果在一定时间范围内，某一特征栅格的用户采样点比例超过了一个比例门限，且对应特征栅格中基础小区的其他指标也满足唤醒门限，则唤醒对应的节能特征小区。如特征栅格1比例超过50%，且基础小区1利用率超过一定门限，则唤醒容量层小区1。

（2）再检测多个特征栅格的采样点占比，如果在一定时间范围内，某两个特征栅格的用户采样点比例超过了比例门限，且对应特征栅格中某一个基础小区的其他指标满足唤醒门限，则唤醒对应的多个节能小区。如特征栅格1和特征栅格2的比例超过80%，且基础小区1利用率超过一定门限，则唤醒容量层小区1和容量层小区2。

以上所述数据仅仅是为了更详细地介绍本研究方案所列举的数据，不代表本研究方案只适用于该数据样本，所有与本研究方案所类似的计算方式和评估方法都应在本研究方案的保护范围内。

3.1.3 多层网络小区唤醒

本研究方法也适用于具有更多异频层级的网络方案中，介绍如下。其中 为X层虚拟栅格，为Y层虚拟栅格， 为Z层虚拟栅格，即当前多层虚拟栅格位置信息可以获得如下矩阵，共同表征用户同一虚拟栅格。

多层虚拟栅格示意图如图4所示。

图4 多层虚拟栅格示意图

图5 多层虚拟栅格流程

多层网小区夜间关闭容量补充层，保留覆盖层，获取当前用户服务小区电平与两个最强邻区电平，匹配电平区间，获得 ，通过覆盖电平指纹栅格特征库、AI映射当前用户虚拟栅格矩阵，获取Y层与Z层虚拟栅格与。

3.2 唤醒实验

3.2.1 实验设置

本文采用MATLAB软件进行仿真实验，使用了一个包含4个容量层小区和1个基础覆盖层小区的网络拓扑，如图6所示。容量层小区的功率为40 dBm，基础覆盖层小区的功率为46 dBm。用户在基础覆盖层小区内均匀分布，每秒钟随机移动一次。

用户的移动速度服从均匀分布，范围为0～10 km/h。用户的数据业务需求服从泊松分布，平均值为0.5 Mbps。

3.2.2 实验结果

对比三种唤醒策略：基于特征栅格精准唤醒（FGRW），基于邻接关系唤醒（ARW），以及全部唤醒（AW）。评价指标包括节能效率、唤醒准确率以及用户满意度。

（1）节能效率：节能效率定义为节能状态下容量层小区关闭时间占总时间的比例。图7显示了不同唤醒策略下的节能效率随着用户数量变化的曲线。可以看出，FGRW策略具有最高的节能效率，达到了80%以上；ARW策略次之，约为60%；AW策略最低，只有20%左右。这说明FGRW策略可以根据用户位置精准地唤醒需要服务的容量层小区，避免了不必要的开启和关闭操作。

图7 不同策略节能效率

（2）唤醒准确率：唤醒准确率定义为唤醒正确的容量层小区占总唤醒次数的比例。图8显示了不同唤醒策略下的唤醒准确率随着用户数量变化的曲线。可以看出，FGRW策略具有最高的唤醒准确率，达到了90%以上；ARW策略次之，约为70%；AW策略最低，只有50%左右。这说明FGRW策略可以根据用户位置精准地匹配特征栅格，从而提高唤醒判断的正确性。

图8 不同策略唤醒准确率

（3）用户满意度：用户满意度定义为满足用户数据业务需求的时间占总时间的比例。图9显示了不同唤醒策略下的用户满意度随着用户数量变化的曲线。可以看出，FGRW策略具有最高的用户满意度，达到了95%以上；ARW策略次之，约为85%；AW策略最低，只有75%左右。这说明FGRW策略可以有效地提供容量层小区服务，从而提高用户体验和网络性能。

图9 不同策略用户满意度

实验结果表明，基于特征栅格精准唤醒（FGRW）策略具有最高的节能效率、最高唤醒准确率，以及最高的用户满意度。

3.3 研究结论

本文提出了一种基于特征栅格精准唤醒节能小区的策略，该策略利用用户位置信息和特征栅格信息，实现了对容量层小区的精准唤醒和关闭，从而提高了节能效率、唤醒准确率和用户满意度。仿真实验结果表明，该策略相比于其他两种唤醒策略，在各项评价指标上都有显著的优势，证明了其有效性和可行性。

4 结束语

通过构建特征栅格进行精准唤醒节能小区方法研究，有效提升节能效率。在节能小区智能唤醒和管理过程中，由于节能小区根据用户需求动态调整其工作状态（如开启/关闭/休眠等），因此需要考虑节能小区之间的协同与干扰，以及节能小区与基础覆盖层小区之间的切换与切回等问题。如果节能小区管理不当，可能会产生通信质量下降或资源浪费等问题。这些问题都需要进一步研究和优化，以提高这种方法在实际应用中的可行性和效果。■