基于人工智能的通信基站智能新风及空调节能系统应用

李 慧，陆南昌，吴宝栋，张 姣，张 悦

（中国移动通信集团广东有限公司，广东 广州 510623）

0 引 言

“十三五”规划提出，未来五年，单位国内生产总值（Gross Domestic Product，GDP）能耗、二氧化碳排放量和用水量分别下降15%、18%、23%。为实现这一目标，需要在“十二五”的工作基础上继续深入推进，保留并发扬前期有效做法，并在“十三五”时期进行开拓创新。中国移动明确提出，到2025 年单位电信业务综合能耗和碳排放等指标的降幅全面超过20%[1]。积极参与碳核查、碳披露和碳交易活动，助力生态链整体绿色转型，争取在2060 年前实现“碳中和”目标[2]。

1 能源消耗现状

随着5G 网络传输效率和性能的提升，人们对网络传输量和传输速率的要求日益提高。为实现5G 网络的全覆盖，5G 基站的建设数量大幅增加。由于5G基站建设的特殊性，设备运行时耗电量较大。随着5G 技术的快速发展和应用场景的需求变化，运营商面临着严峻的能耗挑战。5G 基站的耗电量是4G 基站的3 ～5 倍。为维持基站内的温度，基站空调几乎需要24 h 不间断运行，能耗非常大，约占整个基站能耗的49%。因此，降低空调用能是通信机房节能改造的重点之一[3]。机房设备能源消耗情况如图1所示。

图1 通信机房设备能源消耗情况

2 通信基站传统节能策略

2.1 空调节能

为避免基站专用空调设备频繁启停，延长其使用寿命，根据实际需求，设置相对广泛的启停温度上下限，以实现节能。

2.2 新风+空调独立调控联动节能

部分基站以节能为目的增加新风系统。新风系统包括风机、过滤器、加热器及加湿器等，利用风机吸入室外空气，经过处理后输送至室内。当室外温度较低时，关闭空调，开启新风系统降温；当室外温度过高时，开启空调。

3 智能新风系统及空调系统联动节能方案

由于传统节能策略无法达到最佳的节能减排效果，需要联合调控新风系统和空调系统，实现更好的节能效果。通过智能化控制算法和预测模型，可以精确控制室内温度和湿度等参数，减少能源消耗，提高室内舒适度。结合人工智能技术学习算法分析大量数据，提取数据间的规律。在新风系统和空调系统的联动节能中，以历史数据为基础建立预测模型，预测室内温度和湿度等参数的变化情况，从而调整新风系统和空调系统的运行策略。

3.1 站点选取原则

为达到预定效果，在选择站点和机房时需遵循移动自有物业机房、集中化无线接入网（Centralized Radio Access Network，C-RAN）机房、重要（Very Important Personal，VIP）基站、堡垒机房以及免租物业机房等原则。近年来，对于无搬迁风险和极简化改造的机房，优先选择地理环境为山区、丘陵、平原的机房作为站点。机房结构分为简易机房和砖混机房，要求机房面积大于20 m2，空调数量不低于2 台，主设备室内基带处理单元（Building Baseband Unit，BBU）数量大于10，机房日用电量大于200 kW·h。

3.2 站点改造方案

方案包含空调数量、联动节能终端和联动控制系统等。根据机房面积和主设备数量确定增加的新风机数量，预计2 ～4 台空调安装联动节能终端和联动控制系统。整体系统架构如图2 所示。

图2 整体系统架构

4 基于人工智能的新风系统及空调系统联动节能策略

利用新风系统节能改造基站，通过对环境温度和空调系统的联动控制，实时监测基站的室内外温度，实现新风系统及空调系统的自动启停与运行模式之间的自动切换，减少空调制冷时间并降低能耗，实现节能最大化。

4.1 数据采集与解析

抽样各试点机房，通过省内填报和爬取气象网等方式，采集20 项相关指标共15 万条数据。逐个筛选机房数据，编码离散数据，分析连续数据的周期性波动情况，并提取特征。通过统计模型筛选输入特征，提取室内外温差、室外温度、空调类型、机房面积、板卡温度方差、板卡温度最大值、围挡类型、蓄电池类型及历史气象等9 大主要影响因素作为模型的最终输入。

4.2 场景聚类与温控设置

根据9大主要影响因素，通过拟层次化聚类算法，将现网机房分为24 个子场景，以提升后续生成策略的精度。聚合运算每个子场景下的所有策略，将具有代表性的策略作为该子场景对应的最终输出策略，并得出各场景能够保证机房内板卡和蓄电池等设备正常运行的室内温度上下限。

4.3 基于人工智能温度预测的策略生成

根据输入9 大主要影响因素的历史数据，选取t时刻到t+n时刻的数据作为输入模型所需的数据结构，即时序数据序列。选取部分站点历史温度数据的80%作为训练集，剩下20%作为测试集，另一部分站点用于跨站验证。

建立基于深度神经网络的时序预测模型，提取上一个时序的神经元输出的抽象信息，通过门控装置筛选信息，与当前时序共同输入下一个神经元，最终输出结果[4]。对于输入时序数据序列，每一时刻的数据均为9 维特征向量，通过嵌入网络编码数据，将编码后的结果传入搭建的时序记忆网络模型，利用误差反向传播（Error Back Propagation，BP）算法联合训练嵌入网络和时序记忆网络，如长短期记忆网络（Long Short-Term Memory，LSTM）和门循环单元（Gate Recurrent Unit，GRU）等[5]。

经过跨站验证，结果与实际温度平均误差为3%，同一时段误差在-0.6 ～0.5 ℃波动。这表明模型准确性较高，用其预测温度可以减小误差。预测温度与实际温度对比如图3 所示。

图3 预测温度与实际温度对比

4.4 下发策略与调整适配

根据室内环境的实时变化情况，调整新风系统和空调系统的联动控制策略。例如，通过机房预测室外温度值，结合传统新风空调联动设置策略，输出新风系统和空调系统的实时运行策略。

4.5 节能收益和后续评估

在广东某地选取1 个5G 机房站点进行试点，通过改造新风系统和空调系统，利用人工智能温度控制策略，实现新风系统及空调系统的自动启停和运行模式的自动切换。

对比4 个试验组开启前后的数据，发现最高综合节电率达到35.71%，最低综合节电率达到27.80%，有效降低了用电量。测试时间为24 h，改造前后机房节能比例如表1 所示。

表1 改造前后机房节能比例

5 结 论

新风系统和空调系统的人工智能联动是一种有效的节能技术，通过联合调控新风系统和空调系统，使节能效果达到最优，精确控制机房温度，从而减少能源消耗，降低碳排放。该技术的关键是智能化控制算法和预测模型，通过构建机房温度预测模型，制定智能化控制策略，实现对机房温度的精确控制。为更好地应用这种技术，需要考虑多方面因素，包括机房结构、设备布局、供电系统及通风系统等；机房内部环境的影响因素，如人员数量、设备功率和外界气温等。实际应用中需要调整和优化控制策略进行能效评估和优化，从而提高节能效果。