一种基于AI技术的5G基站节能自适应设计方案_李涛.pdf

8 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题一种基于AI技术的5G基站节能自适应设计方案李涛1，范英鹰2，刘静静1（1 中国移动通信集团安徽有限公司，合肥 230088；2 中兴通讯股份有限公司，上海 201203）摘要随着移动通信逐步迈入5G时代，新技术和新特性层出不穷，新业务和应用不断涌现，与此同时也给移动运营商带来了投资成本和营运资本不断攀升的挑战，尤其是能源消耗量巨大。如何降低通信网络能耗，不仅是运营商和设备商共同关注的重点，也是维护地球可持续发展的共同责任。本文通过对传统IT算法的有效改进，使能效识别、场景识别、负荷预测、性能保障多环节闭环，实现空域、频域、功率域节能技术自适应，预测准确率高于90%，节能效率超过95%，网络平均降耗22%，实现了网络降耗的目的。关键词AI；5G基站；LSTM；节能中图分类号 TN86 文献标识码 A 文章编号 1008-5599（2023）02-0008-07收稿日期：2022-11-07全球气候变化的影响正在对全人类生存发展带来日益严峻的挑战，绿色低碳可持续发展已成为全球的共识。作为数字化转型重要底座的移动通信网络，尤其是 5G 网络，一方面作为新型信息基础设施，正在融入千行百业，将 5G 与能源电力、工业、交通、建筑等重点碳排放领域深度融合，提升能源和资源的使用效率；另一方面，随着全球化数字化转型的加速和对算力需求的增长，通信网络业务数量和流量呈数倍甚至几十倍增长，通信网络自身也面临着绝对能耗的增加，迫切需要走绿色低碳发展之路，实现节能降耗与数字经济的协同发展。与此同时，3GPP Release18 作为 5G-Advanced首个重要版本，在首批立项的 28 个项目中，NR 网络节能降耗位列其中，要求设备商和运营商持续研究基站的能耗模型和评估方法，在不影响网络和终端性能的前提下，通过时域、频域、空域及功率域更有效的自适应技术，实现网络非必要能耗的降低，降低运营开销。1 网络节能降耗当前现状由于人类活动的聚集性，针对同一片区域，通信网络负荷会随着时间相对规律性变化，话务量、数据流量也会随之存在闲时和忙时之分。如何根据网络负荷的变化判断闲时并采用合适的节能方式降低功耗是实现基站节能的关键，也是基站节能的立身之本。基站的节能算法负责实现这个功能，在话务量低和用户数少的情况下，不需要所有基站都保持工作状态，可对部分冗余的资源进行关断，达到节能降耗的目的。综合全球运营商的需求，比较常见的节能功能包含时域上的亚帧静默、空域上的通道静默、频域上的载波关段和设备深休眠、功率域上的行功率控制。DOI:10.13992/ki.tetas.2023.02.0089 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题软件节能一直是提升网络闲时节能效果的关键手段之一，但受限节能软件的部署不够深入，想用但又不敢用。“想用”是因为降低网络能耗是迫切需求；“不敢用”是担心网络资源休眠后对网络性能产生影响，进而影响到用户感知。因此引入智能化技术，通过网络场景识别、话务预测和 KPI 保障，在网络需求发生变化时，及时变更节能策略，让软件节能在网络中深入部署并自适应是本方案的主要目标。2 AI 使能下的时域、空域、频域、功率域自适应节能设计实现2.1 总体设计随着机器学习的不断发展，将 IT 技术应用于 CT 域，可以很好地解决节能深度部署的难题。利用 AI 和大数据分析，实现场景识别，深度学习小区级负荷发展趋势，将时域、空域、频域、功率域的节能策略有机协同，做到一小区一策略，同时实时评估网络 KPI 保障性能，实现能耗与性能的最佳平衡，可适用于各类场景。整个 AI 建模训练全流程中，主要分为数据处理、算法设计、价值评估、方案设计和性能评估，如图 1 所示。数据处理中采用宽表进行数据收集及清洗，收集的数据包括性能数据、小区场景数据和小区配置数据等，当前实现的是电信单域数据清洗，后续演进可收集类似气象和交通等跨域信息。在 AI 算法设计及模型选择中主要采用时间序列模型进行负荷的深度学习，场景分类主要采用回归树模型，KPI 迭代优化中采用蚁群和粒子群聚合算法。价值评估中综合评估算法模型的精度、准确性和硬件资源，运算速率快占用资源少才是最优模型。小区负荷独立预测联合判断，在综合覆盖信息和用户感知等信息后，将时域、空域、频域、功率域多域节能技术有机结合，实现多频多制全网络有效节能。2.2 多维能效识别能效评估的关键是要选择合理的指标来刻画网络的能源消耗合理性和可优化性。按照欧洲电信标准化协会（ETSI）的定义，网络能效是指在消耗了单位能耗后所能提供的有效输出。对应不同的网络应用场景，该有效输出可以是业务量、时延、覆盖范围等。针对通信网络中的 eMBB 场景，其有效输出主要是指网络流量。随着网络的发展，新业务和新场景不断涌现，不同的业务类型对于网络速率的要求完全不同。传统的“以网络为导向”早已被“以用户为导向”所替代，单一的流量能效也无法继续用于表征网络能耗和效率，必须走向流量、体验和节能使能等多维综合评价。为了更全面地获取网络能效，并指导相应的网络节能策略，优选能效最佳网络进行业务承载，能效识别体数据收集数据分条数据清洗小区画像小区价值标签模型选择时间序列模型累计概率分类模型小区价值评估覆盖补偿确定多载方案单载方案能耗评估节能效率评估性能评估数据处理AI算法设计小区价值评估节能方案设计节能后评估图1 AI建模训练全流程10 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题系必须不断更新演进，针对网络发展的不同阶段和不同场景的业务重心差异，选择更为合理的多维度指标进行能效评估。构建多维能效模型和选择最优网络层，是指导后续节能策略选择的首要因素。在某市的实际测试过程中，选取不同的 SSB 加符号关断进行了同产品的能耗研究，综合 4G/5G 用户体验速率、覆盖信号、能耗和节能效果等信息，最终在多种组合验证情况下发现“4 波束+符号+1/4 通道”下可以得到最优综合能效，见表 1。2.3 聚类场景识别不同应用场景的小区话务分布呈现出一定的聚集规律性，包括周内趋势和日内趋势。从现有网络数据中获取网络容量信息等相关信息，聚类后得到场景特征，如高校写字楼场景话务趋势呈现周内高周末低，周内周末均只有午后话务高峰的特点；商场超市或者公园场景话务趋势呈现周内低周末高，晚间会出现话务高峰，周六负荷高于周日的特点；居民区则是周内周末趋同，午间和晚间呈现话务高峰；而地铁在周内会出现早晚上下班时间话务双高峰特点。针对网络中收集到的大量样本信息进行聚类分析，首先采用 K-Means 算法针对时间序列波形进行聚类，并获得泛化模型；再通过波形离散分离，获得可泛化预表1 多维能效测试效果场景说明平均 SSB RSRP（dBm）平均 SSB SINR（dB）4G/5G 下行平均吞吐率(Mbit/s)4G/5G 上行平均吞吐率(Mbit/s)测试指标综合得分（分）功耗(W)策略效能8 波束+符号+1/4 通道-71.8413.81567.0891.5294.35550.450.81%4 波束+符号+1/4 通道-73.8310.95544.4588.9288.34496.000.83%2 波束+符号+1/4 通道-75.706.21555.3891.2482.05498.050.77%1 波束+符号+1/4 通道-76.716.85537.8390.5381.10528.050.72%8 波束+时隙+1/4 通道-70.6814.03599.2393.8697.07557.770.82%4 波束+时隙+1/4 通道-73.7710.43515.3287.3286.54492.010.82%2 波束+时隙+1/4 通道-75.017.05553.1296.8683.86491.010.80%1 波束+时隙+1/4 通道-77.116.38539.1991.1380.32523.560.72%8 波束+符号+1/2 通道-74.5511.74513.4685.9587.12521.280.79%4 波束+符号+1/2 通道-76.759.39539.4787.8583.75476.930.81%2 波束+符号+1/2 通道-76.828.65509.8685.3081.52473.020.80%1 波束+符号+1/2 通道-80.376.87502.3984.7076.05493.020.72%8 波束+时隙+1/2 通道-74.0412.07505.0289.3587.82523.230.79%4 波束+时隙+1/2 通道-74.289.11467.4869.8681.61469.950.80%2 波束+时隙+1/2 通道-77.737.37507.4682.2879.01477.780.77%1 波束+时隙+1/2 通道-79.856.98472.7980.7975.20497.780.71%8 波束+符号+3/4 通道-76.5810.08446.6576.1780.18470.640.79%4 波束+符号+3/4 通道-77.177.22428.7955.2074.46456.860.74%2 波束+符号+3/4 通道-80.066.29400.3464.2870.28466.130.69%1 波束+符号+3/4 通道-80.786.59407.7867.3670.47460.130.70%8 波束+时隙+3/4 通道-78.217.84407.7863.3173.88475.550.72%4 波束+时隙+3/4 通道-77.817.10401.6658.5972.88457.160.73%2 波束+时隙+3/4 通道-80.836.27412.8959.7669.79465.860.69%1 波束+时隙+3/4 通道-81.835.24400.9872.6068.09462.860.67%8 波束+未关断-70.6514.35648.57102.95100.00656.390.70%11 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题测的规律序列；最后通过聚类中心点出的波形，可以直观地观察到不同分类的负荷模型的差异。如图 2 所示，蓝色线为新增小区收集到的数据，红色线是经过聚类算法后的预测结果，在一定程度上能够包括新增小区的负荷变化、整体趋势和极值位置，但是整体精度还需要经过平滑和对齐等优化。目前场景识别可以区分周内周末流量差异和单日高峰分布，满足场景初始识别需求。2.4 基于 LSTM 增强的网络负荷预测负荷预测的算法通过基于网络负荷性能数据统计分析，区分不同的场景、工作日、节假日的时间特性等进行建模，利用时间序列预测算法完成话务负荷预测，驱动节能时段和节能门限的适时应用，保证网络性能的同时优化节能效果。这个是后续全场景策略匹配的最重要输入。在 4G 时代，因为话务发展已经处于成熟期，采用计算性能要求较低、运行速度快的二阶指数平滑算法就可以很好地完成网络负荷的预测，且准确性很高。但针对 5G 持续发展阶段，用户相对较少，分布广泛，少量人员的波动会导致预测结果的严重偏离，也就是说网络负荷越低的场景，波动性越大，预测的准确率越差。所以选用基于循环神经网络 RNN 的变体，长短期记忆（LSTM）网络用于 5G 负荷预测的研究，在更长的序列和长距离依赖场景中，LSTM 算法可以有更好的表现。其本质是通过添加 3 种门控结构，在每个时间步内，对当前输入和隐藏状态做保留或遗忘的逻辑计算。计算公式如下。ct=zfct-1+zizht=z0tanh ctyt=(Wht)其 中，zf为 遗 忘 门 控，对 前 一 单 元 传 递 的 状态ct-1做 选 择；zi为 选 择 门 控，对 当 前 输 入 计 算得 到 的z做 选 择；ct由 前 两 项 结 果 相 加 得 到，ct传 递 给 下 一 个 状 态；z0为 输 出 门 控，对 当 前 状态ct做 选 择 和 缩 放 决 定 该 时 间 步 的 输 出；ht是 在t时刻模型的隐藏状态，由输出门控与ct做选择；W为线性关系参数，可以认为是模型相关的权值；yt是在t时刻训练样本序列的真实输出。针对通信网络中海量的话务数据上报，传统的LSTM 算法一直存在运行效率低下的问题，要解决这个问题，就必须对其中的核心因子做一定的修改。首先模型训练时，对神经网络模型需要进行一次反向传播更新，即反馈数据，而反馈数据的大小会对整体准确性和内存利用效率产生较大的影响，选择合适的数据大小可以在保证预测准确性的基础上，节省内存，加快运行速度。与此同时，非线性函数的叠加，能够学习神经网络中复杂的特性模式，但不同的激活函数对于梯度计算速图2 多小区泛化分类模型12 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题率有着不同的性能影响。为了加速模型收敛，调整了模型的关键参数。如图 3 所示，对数据大小在 1，4，8，16，32 中对均值差、协方差和运营时间进行比较，效果最优的应该是数据大小等于16批的场景。对双曲正切、线性整流和线性指数 3 种激活函数进行运行时间对比，线性指数拥有最优的累计运行时间。针对网络最终预测结果进行分析会发现在 5G 发展过程中，话务模型还存在一定的非规律性，即有一定占比的小区话务负荷呈现极大值处拟合较差的情况，而这种极大值的出现往往意味着某种突发性。为了较好地解决此问题，选择设置“差值判断阙值”以区分出极大值点，并按一定的比例加高连接数。因为相关系数较小、规律性较差的小区，往往最终只能达到大致趋势拟合，而其峰值预测需要经过修正才能真正匹配实际业务负荷。统计其历史均值，记为Mean_Historical，预测结果中局部取值大于等于乘以Mean_Historical的点可看作一个周期极大值点，将该极大值预测结果再乘以一个放大系数，作为最终的预测值，如图 4 所示。经由多次修正迭代的增强型 LSTM 算法可以在保证良好预测准确率的前提下，占用更少的内存、更高的运行效率，并能保证与非规律小区更好的拟合性。2.5 基于 KPI 的策略调优针对节能而言，进入关断的门限值越宽松，节能效果越好。但传统的节能方案，为了顾及网络中各种场景的差异性，一般情况下设置关断进入门限较为保守，使得节能效果受损。使用 KPI 回滚式自优化策略，可寻找节能进入门限与网络性能的拐点，确保节能最大化。图3 激活函数/数据大小对性能的影响图4 差值判断阙值流程示意图13 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题系统根据全场景话务模型、节能效果和 KPI 趋势的大数据分析，强化自学习，在线不断迭代优化。每日提取各小区性能数据，利用聚类算法寻求不同门限参数最优调整步长。每日 KPI 基线优化刷新后监控网络核心KPI，在允许浮动范围内，不断迭代预测模型，最终达到节能和系统性能的最佳平衡点。针对不同的节能开启/关闭门限，学习泛化模型，性能数据与门限参数时序关系可以进行有效的离散分离，可以用聚类后的模型进行泛化预测，并执行相关门限迭代。3 应用分析节能功能在网络部署中受限于部署环境的复杂性、图5 负荷预测准确率图6 5G网络性能指标14 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题参数配置的繁琐性、网络话务负荷的多变性，可利用 AI技术与大数据分析，实现场景化节能参数自配置，亚帧静默、通道静默、浅层休眠、深度休眠等多维节能技术。通过机器学习实现 24 h 不间断协同节能，在保障网络KPI 和用户感知的同时，实现业务与资源的动态匹配，最大幅度降低网络能耗。选取某市全网 1 404 个 5G 个区进行试验，实际应用中平均降耗 22%，实现每日节电 2 885 kWh，降耗效果明显。整个项目经由 4 个阶段完成全部验证，包括平台负荷预测准确率判断、节能效果/网络性能评估、小区域测试逐步扩大区域验证和基于验证结果的算法迭代更新。在验证过程中，平台可以基于小区、时间段等进行白名单保护，如图 5 所示，除去 8 18 点白名单时间段外，对比预测节能时长与实际节能时长，负荷预测整体准确率在 90%以上，预测话务与实际话务基本吻合，在 250 个小区验证中整体准确率高于 95%。可见 AI 使能下的自适应式节能技术协同可以全场景自适应于网络，助力节能功能网络中深度部署。同时整体的网络性能并未因为节能的部署而产生影响，对比 AI 节能前后的网络性能指标，包括 2.6 GHz 5G 小区、2.6 GHz TD-LTE 小区（与 5G 共 AAU 双模部署）和 1.8 GHz FDD LTE 小区（同覆盖），无论是接入成功率、连接用户数、上下行总业务流量都没有受到任何影响，如图 6、图 7 所示。4 结束语在后疫情时代，“数字化”和“绿色化”成为全球经济复苏的主旋律，以绿色低碳循环发展为目标，不断提高通信网络基础设施绿色化水平，充分发挥信息技术在助力全社会绿色低碳中的 1：10 的杠杆作用，是支撑国家“双碳”和“数字化转型”的必由之路。图7 4G网络性能指标参考文献1 陈亮,王震,王刚.深度学习框架下LSTM网络在短期电力负荷预测中的应用J.电力信息与通信技术,2017(5).2 程伟.基于季节变动模型的话务量预测J.电信技术,2000(10).3 刘思怡.绿色无线移动通信技术的创新思考J.科学技术创新,2017(3).（下转第 19 页）19 2023年2月 第 2 期（第36卷 总第307期）月刊电信工程技术与标准化信 息 能 源 专 题Discussion on energy saving and carbon reduction of power supply system in data centerPENG Da-ming(Sichuan Communication Research Planning&Designing Co.,Ltd.,Chengdu 610041,China)Abstract In order to reduce the carbon emission level of data center power supply system,in this paper,from four aspects of using green energy,reducing conversion and transmission losses,and reducing the energy consumption of temperature control in power room,specifi c measures are put forward from the directions of scheme selection,equipment selection and engineering design.Through the joint application of various measures,energy conservation and carbon reduction of data center power supply system can be realized.Keywords green energy;conversion loss;transmission loss6 结束语节能减碳是各行各业必须完成的重大任务。对于数据中心电源系统而言，应从电源、变换、输送和控温等参考文献1 杜毅威.新能耗标准下变压器的选择J.建筑电气，2021(6).各项能耗着手，实现电源系统节能减碳。A design of AI technology self-adaption energy saving for 5G NR LI Tao1,FAN Ying-ying2,LIU Jing-jing1(1 China Mobile Group Anhui Co.,Ltd.,Hefei 230088,China;2 Zhongxing Telecommunication Equipment Corporation,Shanghai 201203,China)Abstract The 5G enabling eff ect arises from changes to processes and behavior,which are supported by a high-capacity,ubiquitous and low-latency,helps industries to implement new processes and new services.On the other hand,to meet the requirements of 5G key indicators,energy consumption increased.In this paper,we achieve more effi cient transmission adaptation in time domain,space domain,frequency domain,and power domain of software energy saving technology to effectively reduce network energy consumption through effective improvement of traditional IT algorithms to realize multi-factors closed-loop including energy effi ciency identifi cation,scenario identifi cation,traffi c prediction,and performance guarantee.In commercial use,the prediction accuracy rate exceeds 90%,the energy saving activation exceeds 95%,and the overall average network consumption reduction approaches 22%.It is verifi ed that the target of network effi ciency improvement and consumption reduction have been successfully and eff ectively met.Keywords AI;5G NR;LSTM;energy saving（上接第 14 页）