基于節能減排的電池脫鉤技術及應用項目研究

趙胃森，陳志偉，孫 磊，繆慶兵，金 鑫

（1.中國移動通信集團云南有限公司，云南 昆明 650000；2.中國移動通信集團公司云南有限公司互聯網分公司，云南 昆明 650000；3.中移物聯網有限公司，重慶 400000）

1 背景和意義

工信部發放5G商用牌照后，我國運營商已開始在全國范圍內大規模開展5G工程建設。對于5G基站建設而言，無論是設備功率大幅提高的宏基站，還是數量眾多的小微基站，均需要低壓配電系統進行供電。在5G基站主建設期，基站的個數和配電線路會大量增加。隨著基站個數的增多，運維團隊對基站的維護難度逐漸大。當基站供電線路出現問題時候，運維人員需要找到對應的基站，然后依次進行排查，才能處理好隱患，這樣的過程比較費時費力。并且基站本身的耗電量比較大，電費占了很大的運營成本。在用電管理中主要存在以下問題：

⊙ 基站數量大，運維負擔重、效率低。

⊙ 基站能耗居高不下，據統計分析，平均每個基站主設備的電費支出約占整個基站電費支出的54%，隨著5G基站建設，主設備更成為基站機房中的主要耗電設備。

⊙ 系統聯動性差：無法遠程控制基站設備和線路，線路出現故障時無法立即通知相應人員并采取措施。

⊙ 偷電行為：部分人員會依靠基站的供電系統，私自接搭自用設備。

現有的基站供電系統無法滿足用戶對智能化、信息化、可視化、維護簡便等日益增加的需求，對系統中電池的故障隱患等沒有預先感知和判斷，需要運維人員不斷地到現場進行運維服務，運維效率低。

從企業外部發展環境來看，行業的調整必須是滿足經濟發展和社會發展的并行策略。基站的綠色節能減排策略對企業提出了更高的要求，嚴格基站建設的節能減排措施，對移動通信機房建設具有深遠的影響意義；從通信企業內部發展環境來講，來自成本控制、技術革新以及人力資源的整體素質條件提高等，成為其謀求節能減排措施實現經濟效益最大化的特殊要求。通信企業通過技術進步和落實節能減排的相關措施，對解決行業競爭危機，實現行業市場競爭的問題，提供合理化建議。

2 市場趨勢

2.1 市場現有手段缺點

傳統的基站關閉和啟動方法，是根據當前基站的用戶數量進行判斷，主要存在以下問題：一是當用戶數量波動時會頻繁關閉、啟動基站，影響系統工作；二是當數據采集故障不能獲取用戶數量時，會導致系統無法判斷；三是在獨立組網情況下，如果出現自動駕駛場景，由于數據采集上報的滯后性，會導致當自動駕駛進入時，尚未啟動基站，當自動駕駛已離開時，基站卻被啟動。

2.2 市場需求分析

近些年，通信業迅猛發展，通信運營商的網絡規模也越來越大，各種通信設備也越來越多，網絡設備所需的電力能源需求也日益增長。通信業不是耗能大戶，但是同樣責無旁貸，綠色通信再次被聚焦，龐大的網絡設備特別是基站蓄電池、空調都消耗著大量電能，節能降耗勢在必行。

從移動通信的市場應用來看，其普遍使用率和受用戶青睞程度，遠遠超過了傳統紙媒和計算機網絡技術，尤其是其便攜式的應用方法，給人們的出行和社交提供了必要的條件。移動通信機房基站綠色節能減排項目的開展，不僅是行業正向發展的必要前提，也是節約能源資源，實現產業優化配置，營造企業和諧發展環境，為企業持久發展提供機遇的體現，更是對企業發展起積極指導作用的體現。

2.3 市場潛在發展趨勢

市場潛在發展趨勢有以下幾個方向：

（1）數據融合分析：基于大數據的融合分析，結合歷史數據對用電趨勢、隱患、故障點等進行預測。

（2）個性化管理：針對每個基站的使用情況設定用電策略，根據現場情況對設備進行遠程操控。

（3）無人值守：遠程監控安全相關的監測數據，當電氣安全設備檢測到報警故障時會自動通過手機短信、語音電話和APP推送提醒用戶。

智能化遠程電池監控管理可以促進信息流通、資源共享，提升工作效率，具有顯著的經濟效益和社會效益。

3 技術手段

3.1 潮汐小區研究

通過性能話務數據，進行小區潮汐計算，生成業務關聯并有潮汐效應的小區對，基于以上數據生成潮汐調度指令，通過后臺下發電池脫鉤（通過物理手段或電子電路將電池輸出切斷讓其停止供電工作）命令，實現用電的智能化和自動化。實現方案如圖1所示。

圖1 潮汐小區5G基站用電的智能化和自動化

潮汐小區具體算法如下：

（1）小區狀態池：記錄每小區每小時的忙閑情況，分為高負荷、低業務、正常。

（2）潮汐高負荷小區：按集團高負荷小區判定標準，每小時獨立計算，若最近七個工作日內有三次及以上高負荷則為潮汐高負荷。

（3）潮汐低業務小區：按集團低業務小區判定標準，每小時獨立計算，低業務并且拆除不會導致同扇區小區高負荷，若最近七個工作日內有五次（可配置）及以上低業務則為潮汐低業務。

（4）潮汐高負荷小區池：建立潮汐高負荷小區池，存放所有潮汐高負荷小區，記錄小區高負荷時段。

（5）潮汐低業務小區池：建立潮汐低業務小區池，存放所有潮汐低業務小區，記錄小區低業務時段。

（6）拆補匹配原則。

A 潮汐高負荷小區池小區按高負荷時段從長到短排序。

B 為每個潮汐高負荷小區匹配潮汐低業務小區：

⊙ 高負荷小區與低業務小區為同廠家、同頻段（先拆高）、同RRU型號、同BBU型號。

⊙ 高負荷小區波峰與低業務小區波谷時段匹配，低業務小區波谷時段必須包含高負荷小區波峰時段。

⊙ 如果低業務小區也同時為高負荷小區，要求高負荷小區的波峰與低業務小區的波峰錯開。

⊙ 優先選擇能匹配高負荷小區時段并且低業務時段最短的小區，長的保留給其他小區使用。

具體流程如圖2所示。

圖2 潮汐小區匹配流程

3.2 基于時間序列的通信基站設備脫鉤方法

本文提供了一種利用用戶數、流量、PRB利用率、話務量等業務數據對基站的業務趨勢進行預測的方法。方法內容包括：一是通過業務數據和日期屬性，判斷基站是否存在潮汐效應和潮汐效應發生的日期屬性；二是對存在潮汐效應的基站建立時間序列模型，預測基站未來的業務變化情況；三是對預測結果的業務波動情況進行合并，避免出現過多關閉點導致頻繁關閉、啟動，影響使用。方法步驟如圖3所示，下面進行具體介紹：

本文包括業務數據采集、潮汐基站分析、時間序列模型訓練和調優、預測基站關閉時段、關閉點合并和設置基站關閉、啟動時段。

圖3 方法步驟

3.2.1 步驟1：業務數據采集

在步驟1中，按5 min粒度采集基站的業務數據，采集數據如表1所示。

表1 按5 min粒度采集基站的業務數據表

3.2.2 步驟2：潮汐基站判斷

非潮汐基站全天業務量分布比較均勻，不需要對基站進行關閉、啟動操作，因此需要對基站進行分類，判斷出哪些基站存在潮汐現象。潮汐基站判斷方法如下：

（1）對數據時間按天進行標注，分為工作日、法定節假日、其他節假日。

（2）對基站業務數據按照小時、eNodeBID （其中eNodeB（Evolved Node B），即演進型Node B，LTE中基站的名稱，eNodeBID即基站的惟一標識）進行處理，用戶連接數取最大值，上下行流量、話務量取累計值。

（3）計算基站用戶連接數、上下行流量、話務量最大值，將小時數據與相應最大值對比，進行歸一化處理，將數據映射為（0，1）之間的小數。

（4）將歸一化后的3個值進行累加，作為基站的融合業務量。

（5）計算每天每小時每個基站的融合業務量，分為高負荷、低負荷、正常負荷。

（6）潮汐基站符合部分時段業務負荷高、部分時段業務負荷低，因此如高負荷占比高于20%且低負荷占比高于20%，則判斷為潮汐基站。

（7）與時間標簽結合，輸出如表2所示的信息。

表2 與時間標簽結合輸出信息表

3.2.3 步驟3：時間序列模型訓練及調優

時間序列分析主要用于描述和探索現象隨時間發展變化的數量規律，時間序列是指同一空間、不同時間某一現象的統計指標數據按時間先后順序形成的一組動態序列，這一組數據可以表示各種各樣的含義的數值。本專利的時間序列分析是利用基站的歷史業務數據，分析其中的規律，預測后續的業務趨勢。具體操作方法如下：一是獲取存在潮汐現象的基站數據，按照工作日、法定節假日、其他節假日分別建立模型；二是由于基站業務量的時間序列變動受到長期趨勢、季節變動、周期循環和不規則變動這四個因子的共同影響，因此時間序列可以表示為下列的加法結構模型：

（1）計算長期趨勢因子：加權移動平均后的平滑時間序列數據包含了長期趨勢因子和循環變動因子。由于長期趨勢有可能改變，這種改變可能源于運營策略的變化，并且在數據不同階段，循環周期也會有所不同，因此采用時間序列斷點檢測方法，將加權移動平均后的數據分段。

采用線性回歸模型擬合分段后的趨勢分量T（t）。將時間設為自變量，每一段的觀測流量值為因變量，求得每一段的線性回歸模型。由時間和此模型計算得到的因變量估計值就是長期趨勢T（t）：

式中，β0和β1分別表示斜率和截距，選取最小二乘法估計β0和β1，使得 ：

計算式中關于β0和β1的偏導數，求解線性方程組得：

（2）計算季節因子：將原始業務量數據減去平滑后的業務量數據，差值為業務量的季節因子和一部分的不規則變動 y（t）-M（t）=S（t）+I（t）。在這個流量業務中，季節周期為天，因此，計算每天的業務量中位數作為季節因子，可以避免極端不規則值的影響。

（3）計算循環因子：加權移動平均后的平滑時間序列，只剩下長期趨勢和循環變動。用回歸法已求出趨勢因子 T（t），因此，循環因子C（t）= M（t）-T（t）。

（4）計算不規則變動因子：在計算出趨勢因子、季節因子和循環因子后，不規則變動因子為I（t）=y（t）-T（t）-S（t）-C（t）。

（5）時間序列模型檢驗：將求得的長期趨勢因子、季節變動因子、周期循環因子和不規則變動因子求和得到最終該基站的流量預測模型。通過求均方根誤差來檢驗模型的準確性，其計算公式如下：

式中，yi為觀測值；為預測值；m為預測值個數。

3.2.4 步驟4：業務量預測，預測基站關閉時段

使用模型對基站業務量進行預測，無業務的時段設置為基站關閉時段，表結構如表3所示。

表3 預測基站關閉時段表

3.2.5 步驟5：合并關閉點

由于分析數據為5 min粒度，短時間內業務變化會導致頻繁關閉、啟動基站，影響系統運行，因此需要對關閉點進行合并。步驟如下：

（1）所有關閉點初始狀態設置為待確認。

（2）找到第一個關閉點和第二個關閉點。

（3）如果第一關閉點和第二關閉點時間差值超過60 min，則第一關閉點狀態設置為關閉，以第二關閉點為起點，重復步驟（2）。

（4）如時間差值在60 min內，第一關閉點狀態設置為不關閉，以第二關閉點為起點，重復步驟2。

（5）重復上述步驟直至合并完畢。

3.2.6 步驟6：設置例外名單

部分基站在特定時間可能涉及到重大活動保障，不能使用基于時間序列的關閉和啟動機制，需要將這些基站的特定時段設置到例外名單中，表結構如表4所示。

表4 設置例外名單表結構

3.2.7 步驟7：設置基站關閉、啟動時段

根據預測及合并后的結果，設置基站的關閉、啟動時段。

4 技術優點

傳統方法基于門限判斷，“機械地”關閉或啟動基站，未考慮后續可能發生的變化，可能導致頻繁啟停基站；由于數據采集的延遲性，傳統方法的判斷方式也必然存在滯后性，可能出現用戶已經進入，但基站尚未啟動。本文提出的基于時間序列的業務量預測方法，改變了傳統方法被動、局限的分析方式，能有效預測基站的業務趨勢，進行基站的關閉和啟動，達到節能降耗的目的。

傳統方法未對基站數據日期屬性進行分析，簡單判斷周末和非周末，未考慮法定節假日以及假期調整帶來的變化，容易導致誤判，可能會將某個上班的周六按照周末進行分析，導致寫字樓區域基站關閉，用戶無法使用。本文按照工作日、法定節假日、其他節假日進行獨立建模，有效區分時間場景，避免誤判。

5 項目預期效果

5G由于采用的是更高頻率，單站覆蓋的范圍更小。要實現更好更全的覆蓋，就需要更密更多的基站。5G基站功耗的平均功耗大約是4G的2.5～3.5 倍，未來5G基站的數量也將是4G基站的3倍，毫無疑問，電力問題將成為運營商5G網絡投資的巨大壓力。當基站處于負載相對較小或者空載時，如果仍然保持在工作狀態，將會浪費大量的電能。現有方案一般通過設置門限值對基站進行啟停操作，當用戶數量低于門限值則關閉有源設備的供電；當用戶數量超過門限則啟動基站并恢復正常使用。

本文提案中通過采集、分析基站的業務數據，判斷存在潮汐效應的基站；并針對這些基站使用時間序列分析方法，對業務量進行預測；根據預測結果，將一段時間內的業務波動進行動態合并，計算出每個基站的啟動時段。實現智能的關閉和啟動方案，既能保障用戶感知基本無差異的前提下，又能有效降低用電成本，提高電池等設備的使用壽命，最終達到降本增效的目的。

項目總體計劃是在2020～2021年兩年內研發出基于節能減排的電池脫鉤系統，并完成項目的產業化，在2022～2023兩年內銷售30套，實現3 000萬的銷售收入，為國家創造稅收300萬元。本項目推出的基于節能減排的電池脫鉤系統將填補國內在該方面的技術空白，大力弘揚了國家倡導的自主創新精神，大大降低我國5G網絡建設成本，有力地推動5G 產業的縱深發展。