基于时空分布的基站异常能耗分析方法

陈志文，黄琰奕，严展鸿，赵永红，陈志明

(中国移动通信集团设计院有限公司广东分公司，广东 广州 510623)

0 引 言

随着移动通信网络的快速发展，移动业务需求不断增加，无线基站作为网络覆盖和信号传输的基础设施，其能耗问题不仅关系到网络运行的成本，而且直接影响着环境的可持续发展。因此，对基站能耗进行科学、准确的分析和管理尤为重要。如果基站存在异常能耗问题，可能导致网络设备损坏、通信质量下降，甚至影响网络稳定运行。目前，对于基站异常能耗的分析仍缺乏系统的方法，因此文章旨在研究一种有效的基站异常能耗分析方法，以便及时发现并解决异常能耗问题，提高网络运行效率和稳定性[1]。

1 基站异常能耗分析现状

现有的基站主设备能耗数据按天输出，并通过节能任务对基站进行节能操作。与基站网络性能和节电量等已有的多种指标分析相比，对基站设备能耗，特别是基于时间和地理场景的能耗管控，尚未有相关的指标统计。此外，如果能耗管控使用全网统一的标准，可能会放大不同能耗规律和不同场景下的基站异常问题[2-3]。因此，需要利用能耗数据，结合基站相关属性信息，建立合适的基站能耗异常标准，分析基站能耗是否符合标准，以补充基站能耗异常分析的部分空白。

2 基站异常能耗分析方法研究

2.1 基站异常能耗分析方法概述

基站在空间上的场景属性与工作日、休息日的能耗存在一定规律。由于不同场景下的时间属性有所不同，因此文章以某月能耗数据统计各场景的平均能耗，结果如图1 所示。

图1 某月各通信场景平均能耗

文章提出的基站异常能耗分析方法，通过关联基站远端射频单元（Remote Radio Unit，RRU）的能耗数据与基站场景，并增加时间属性，按照一定规律对基站能耗数据进行状态标签标注。同时，使用支持向量机算法训练数据，构建基站异常能耗模型。该模型以历史全年能耗数据作为输入，输出基站的能耗状态，统计模型中各场景的基站状态异常率，并将其作为异常标准值。当新数据输入模型时，模型会输出相应的能耗状态。同时，统计新数据的异常率，并与模型场景异常标准值进行对比，如果新数据的异常率超出标准，则认为该场景的能耗存在异常。此时，模型会输出该场景异常能耗的基站信息，以辅助运营商分析异常原因。为增强模型的适应性，加入场景异常标准值修正机制。根据修正规则，定期或按需更新异常标准值，使其能够不断适应网络结构的变化。

2.2 能耗数据处理及状态标签标注规则

提取某地市某年1 月、4 月、7 月以及10 月的基站主设备的天粒度能耗数据，增加时间属性，并关联工作场景，以统计不同时间属性下的平均能耗和能耗偏离值[4]。

状态标签标注规则为：第一，RRU 能耗为空或为0 时，标为异常；第二，计算每个基站在不同时间属性下的平均能耗和能耗偏离值，以确定能耗偏移度，并判断数据是否异常；第三，引入正态分布，基于能耗偏移度的绝对值，用标签标注不同RRU 平均能耗梯度下的数据，且随机变量x服从一个位置参数为μ、尺度参数为σ的概率分布，概率密度函数为

经分析，单站在天粒度下的RRU 平均能耗均保持在200kW·H 以内，而基站月平均能耗主要分布在20 ～30 kW·H 的范围内。可以将这些基站的平均能耗划分为4 个区间，即平均能耗小于10 kW·H、大于10 kW·H 且小于20 kW·H、大于20 kW·H 且小于40 kW·H 以及大于40 kW·H，4 个区间站点数量平均分布。基于此，将能耗数据划分为4 个梯度，并对每个梯度进行正态分布分析，结果如图2 所示。

图2 能耗偏移度正态分布曲线

为使模型训练得到尽可能贴合的结果且不过拟合，以能耗偏移度的平均值为对称轴，计算出其95.44%面积，即两个标准差区间两侧横轴上的能耗偏移值，并将其作为判断RRU 平均能耗是否异常的临界值。不同平均能耗梯度下两个标准差的数据如表1 所示，超出能耗偏移度绝对值的标注为异常，能耗数据标注标签示例如表2 所示。

表1 不同平均能耗梯度下两个标准差的数据

表2 能耗数据标注标签示例

2.3 基于支持向量机算法建立基站异常能耗模型

文章构建模型的目标是输出基站异常能耗状态，即判断能耗数据是否异常，属于二分类，因此使用支持向量机算法训练模型[5]。在训练过程中，使用了34 810 条数据，其中标签为正常的数据有28 655 条，标签为异常的数据有6 155 条。为训练模型，采取了一系列的处理措施，包括数据预处理，将自定义函数向量化，对数组中的每个元素进行编码、归一化、拼接数据及特征标准化等。完成数据处理后，建立支持向量机模型，并对模型进行训练、预测，以计算模型准确率。

2.4 统计场景异常标准值

将上年的能耗数据输入基站异常能耗模型，输出全年基站能耗异常状态，统计各场景基站异常状态比例，并将其作为异常标准值，以判断测试数据运用模型的输出结果。例如，经模型输出的状态统计，城区道路场景下的平均基站数为55 342 个，工作日平均异常基站数为6 642 个，休息日平均异常基站数为2350 个，即工作日异常标准值为12.00，休息日异常标准值为4.25。

2.5 异常能耗检测与定位

将某地市某月的数据作为测试集，增加时间属性、场景、平均能耗以及能耗偏离值4 个指标。能耗数据输入模型后，输出测试数据的状态结果，如表3 所示。

由表1 可知，输出异常的并不是基于原训练集的规则，而是根据模型的规律自动输出，即非人为制定的规则，异常值为0，正常值为1。

根据模型输出的状态结果统计不同时间属性下的异常基站数、异常率等数据。从工作日异常率超出异常标准值的场景中，输出了具体的异常站点。通过对这些异常基站的分析可知，出现异常次数最多的基站为基站C，高达28 次，基站整月异常率高达93%。与历史月份相比，该基站最低异常次数为2 次。同时，对比历史月份的平均能耗值发现，基站C 的能耗增加了一半以上。因此，基站C 异常率的突增可能是导致该场景超出异常标准值的主要原因。通过查看基站C 的能耗数据发现，在月中某日该基站的能耗突然翻倍增加，导致整个月的平均能耗值升高，能耗偏离绝对值也相应增大，故模型识别为异常。由此可见，基站异常能耗模型能够在实际生产能耗数据中识别出异常场景，为实际的能耗监控管理提供了辅助手段。

2.6 场景异常标准值的修正

由于网络环境和能耗情况会不断变化，场景异常标准值不能一成不变。为更准确地反映基站异常能耗情况，需要按实际网络和能耗情况修正模型。文章提出一种以一年为时间单位的修正方法，首先利用场景异常标准值与月粒度的异常率绘制曲线，并建立曲线的趋势线；其次通过计算二次多项式，得到趋势曲线的二次函数表达式，并对该函数进行一阶求导，得到异常率浮动的幅度；最后将该导数作为场景异常标准值的修正系数，用原异常标准值乘以（1+修正系数），即可更新成为未来一年的异常标准值。

3 结 论

文章通过建立基站异常能耗模型，统计场景异常标准值，并将其与新数据中的场景机房异常率进行比对，从而判定异常能耗场景，输出场景中的异常基站清单。该方法不仅为需要重点保障的通信场景提供了数据基础，还可帮助操作人员查明基站能耗异常的原因，核实异常情况。同时，通过修正机制不断更新异常标准值，以适应不断变化的网络环境。在判断异常率是否异常时，允许在可接受的范围内存在异常能耗，但模型只会关注超出制定标准的异常率。此外，训练集的能耗数据时间、基站区域范围、规则制定都可根据应用方的需求和经验进行动态调整，以确保模型适用于应用方的真实情况。