5G基站節能策略*

薛龍來，夏偉，李軻，劉明勇

（1.河南省信息咨詢設計研究有限公司，河南 鄭州 450000；2.中國聯合網絡通信有限公司洛陽分公司，河南 洛陽 471000）

0 引言

通信網絡節能方案可以劃分為基站設備節能方案和網絡級節能方案。基站設備節能方案主要考慮從設備硬件、軟件特性等方面優化設備能耗，而網絡級節能方案考慮多制式網絡之間協作實現全網能耗最優的效果。基站設備節能方案主要有兩種節能方式，即硬件節能方案和軟件節能，硬件節能通過優化設備硬件設計、提高關鍵芯片的性能與集成度來降低基站設備的基礎功耗，它對工藝要求更高，如7 nm/5 nm 技術[1]。軟件節能從業務運營角度出發對硬件資源進行合理調配，讓基站設備更高效運行。

軟件節能通常包括符號關斷、通道關斷、載波關斷、小區關斷/ 深度休眠。網絡級節能包括多制式網絡之間協作以及提高前期規劃設計水平，打造宏微協同、室內外結合的立體異構網絡。

通信業務一般具有較明顯的業務特征，例如，按時間段分為業務忙和業務閑時，軟件節能技術可根據業務在時間上的分布特征，以及網絡負荷的變化，在保證預定指標的前提下，通過調整基站軟件功能配置對硬件資源進行合理調配，從而達到節約基站能耗的目的。

對于基站來講，應針對不同的場景選取不同的節能策略。根據節能場景識別模型及網格化業務量預測，基站可以針對不同的節能場景采取不同的軟件節能策略，最大限度地節能降耗。

兩步聚類模型是一種分層聚類算法（Herarchical Algorithms），其算法適合任何尺度的變量。兩步聚類分析主要是利用距離測度假設聚類模型的變量均為自變量，即假設連續型變量為正態分布，分類變量為多項式，使用經驗內部檢驗方法穩定自變量假設及分布假設的干擾。兩步聚類分析可以產生不同的聚類判別信息、最終聚類的聚類頻數和描述性統計量，而且可以產生聚類頻數的條形圖和變量的重要性圖。其有以下幾個特點：一是可以處理分類變量和連續型變量，二是自動選擇聚類數，三是有效地分析大樣本數據。

兩步聚類算法通過預聚類和聚類兩個步驟完成。預聚類（pre-clustering）階段。采用了BIRCH（Balanced Iterative Reducing and Clustering using Hierarchies）算法中CF（Clustering Feature Tree）樹生長的思想，逐個讀取數據集中數據點，在生成CF 樹的同時，預先聚類密集區域的數據點，形成諸多的小的子簇（sub-cluster）。

聚類（clustering）階段。以預聚類階段的結果子簇為對象，在得到CF 樹之后，通過繼續使用對數似然距離度量方法，根據距離最小原則將預處理的聚類進行合并，從而得到數量合適的聚類集合。

由此考慮通信業務的時間、空間特征，提取網絡KPI，將具有相似業務特征的基站小區聚為一類，再根據其覆蓋場景、網絡負荷預測變化情況、網絡結構、共站情況、載波配置情況等作為前置條件，選擇合適的節能策略。本文充分分析基站基礎數據及網絡KIP 數據，結合基站小區覆蓋場景，提出了將節能場景識別、網格化基站小區流量預測和三個節能策略判決條件相結合的5G 基站節能策略。

1 5G基站節能場景分析

1.1 業務理解

通信業務存在明顯的潮汐效應，不同時段網絡負荷波動很大，而大部分基站設備均為24 小時不間斷運行狀態，無法根據網絡負荷和覆蓋目標場景進行智能節能，從而增加能耗成本。通過收集歷史時間空間數據，分析PRB 資源利用率等KPI 的變化規律，利用聚類算法對覆蓋小區的網絡KPI進行分析和評估，根據運營商策略與覆蓋場景，給出恰當的節能策略（如小區關斷/深度休眠時間等），從而在保障網絡性能的同時，降低基站能耗，減少運行成本[2]。

對某一批基站小區，提取一段時間內24 小時的某些特定業務指標，對數據進行預處理，并按照凌晨00～07 點，白天08～19 點，夜晚20～23 點三個時間段切分。采用兩步聚類法，分別對上述時間段的數據聚類得到具體的聚類結果，并對三個時間段所聚類的每種類型與每個基站小區做出映射關系，以三個時間段所有聚類分類組合為對象求出其所對應的集合Set，Set 中元素個數即為聚類組合個數N。

1.2 數據準備

（1）設備信息

基站小區基礎信息：室分/ 宏站、小區標識、統計時間、頻段、經度、緯度。

（2）網絡層數據

上行PRB 平均利用率、上行PRB 利用率最大值、下行PRB 平均利用率、下行PRB 利用率最大值。

（3）業務層數據

空口上行業務流量、空口下行業務流量、RRC 連接最大數、RRC 連接平均數。

（4）用戶感知數據

RRC 連接建立成功率、E-RAB 建立成功率。

1.3 數據預處理

（1）數據集成與轉換

將相似屬性字段進行取舍，選取代表性的字段。由于不同指標單位和量級不一樣，導致聚類結果不合理，在聚類前采用0-1 標準化對數據進行標準化處理，轉換公式如下：。

（2）數據清洗

采用數據審核節點對數據的完整性進行檢查，刪除數據中存在字段信息的錯誤值或無效值，并采用分類回歸樹（C&RT）算法對空值進行缺失值差補。

1.4 數據建模

數據預處理后的信息如表1 所示。接著分別對凌晨時段、白天時段、夜晚時段等三個時間段所屬的數據進行兩步聚類。首先進行預聚類，得到聚類數目的一個粗略估計值J。接著在預聚類基礎上進行聚類，確定J的最終值。將三個時間段得到的J的最終值J1、J2、J3，與每個小區相對應，對三個聚類結果合并去重，并將三個時間段聚類分類進行組合，輸出聚類結果。如表2 所示，凌晨聚類-4 表示為凌晨時間段第四種分類。

表1 處理后的網絡KPI數據示例

表2 聚類結果及聚類組合示例

1.5 聚類結果分析

對某一批基站小區數量為S的聚類結果分析如表3所示。輪廓系數通常作為聚類質量好壞的評估指標，輪廓系數的取值區間為[-1,1]。-1 代表分類效果差，1 代表分類效果好。0 代表聚類重疊，沒有很好地劃分聚類。可以看到該兩步聚類的輪廓系數為0.6、0.8，說明聚類質量較高，結果較為理想。

表3 聚類結果分析示例

根據對聚類輸入參數變量重要性的預測結果，選出最能反映出基站小區“繁忙程度”的分時段RRC 連接平均數、空口下行業務流量、下行PRB 平均利用率三項指標，通過以下原則判斷該小區是否為節能場景。

具體思路是，對于按照三個時間段切分的網絡KIP 數據，假設在三個時間段下等到的聚類個數結果分別是J1，J2，J3。分別在J1，J2，J3下，求出每個聚類分類的三項指標均值，通過歸一化處理，并采用熵權法，得到每個聚類分類下三項指標的值，若該值大于0.5 定義為“高”，否則定義為“低”。則對于某一聚類組合Jx1/Jx2/Jx3，若存在高低不同的情況，則該聚類組合即為節能場景聚類組合。

（1）采用0-1 標準化對以上三個字段數據分時段進行歸一化處理，處理方法如式(1)、式(2)：

例如在某時間段下第i個聚類分類的第j個指標是xij，歸一化后為x'ij。若指標為正向指標，則選用式(1)，若指標為負向指標，則選用式(2)。接著對上述分時段的三個指標，采用熵權法計算各指標的權重。

1）由如下信息熵公式計算三項指標各自的信息熵：

其中，第i個聚類分類的第j個指標的比重，定義如果pij=0，則。

2）計算第j個指標的權重如式(4)：

（2）對數量為S的基站小區，如表2 所示的每個小區對應的聚類組合，即小區與聚類組合之間的映射，以所有聚類組合為對象求出其所對應的集合Set。

（3）以Set 內每種聚類組合為對象，求出三個時間段下每種聚類的三項指標均值ERRC連接平均數、E′空口下行業務流量、E下行PRB平均利用率，并將其歸一化處理，分別記為E′RRC連接平均數、E′空口下行業務流量、E′下行PRB平均利用率。

（4）在上述三個時間段下，分別將E′RRC連接平均數、E′空口下行業務流量、E′下行PRB平均利用率乘以相對應的Wj，按式(5)求出該時段下綜合歸一化值Z：

（5）分別對凌晨、白天、夜晚三個時段按照其Z值的大小進行判斷，大于0.5 判斷為“高”值，否則為“低”值。

（6）最后進行節能場景判斷，將凌晨、白天、夜晚三個時段的Z值全為“低”的定義為低效能小區；Z值全為“高”的定義為高效能小區；其它的各種組合形式均為存在節能場景的基站小區，如表4 所示。

表4 節能場景分析示例

（7）對于存在節能場景的基站小區，定義節能時段的節能指數，其值取值范圍在[0,1]之間，值越大代表其在該時段內此基站小區優先選取合適的節能策略進行節能，節能指數的計算方法是分時段提取分析小區級該時段內RRC 連接平均數、空口下行業務流量、下行PRB 平均利用率，求出上述三項指標的小時均值，同時對該三項指標按照歸一化處理，公式為，其中。對數量為S的基站小區，經過上述處理后的結果如表5 所示。

表5 節能指數分析示例

2 網格化基站小區流量預測

本文基于移動數據流量居住區和工作區的空間遷移特性，以及流量時間分布上基于時間段的分布特性，通過基站在不同時段的歷史流量負載數據預測未來某段時間流量負載[3]。每個網格處的流量由式(6) 給出[4]：

按照上述方法，結合基站扇區方位角等參數，進而得到單扇區i的覆蓋區域，通過該區域內包含網格數量多少可以計算扇區i下一天12 個時段內扇區i覆蓋區域的流量Li，以上即完成數學模型搭建。該方法計算復雜度較小，基于歷史數據預測未來時段流量負載，與實際流量負載的空間分布一致，可通過編寫程序即可完成。

以某一大型商業批發市場為例，如圖1 所示，基站1主覆蓋該區域，為便于分析，將該區域劃分為50×50 m 精度網格，通過上述流量預測算法，得到不同時段的流量地圖，圖中顏色越靠近紅色表示流量負載越大，越靠近藍色表示流量負載越小。可見在凌晨2～4 點兩個小時內，該區域流量值較低，流量僅為2.3 GB/h；在白天7～9 點兩個小時內，商戶陸續開門營業，人流量逐漸增大，流量持續上升，為9.2 GB/h；而在白天9～11 點兩個小時內，人流量持續增大，流量繼續上升，達到16.6 GB/h。這些流量地圖清晰地反映了移動數據流量在時間和空間上的變化。

圖1 網格化流量預測示例

3 節能場景的節能策略推薦

本文所涉及的節能策略主要包括符號關斷、通道關斷、載波關斷、小區關斷/深度休眠。

根據上述計算得到的節能場景聚類結果及小區節能指數，將節能小區與現網小區覆蓋場景進行關聯，實現更詳細的業務場景劃分。如地鐵、高鐵車站、5A 級景區、三甲及以上醫院、高校校園等。同時針對重要場景設定白名單機制，如重要機關單位、VIP、重要大客戶等，申請建立黑白名單機制，針對黑名單小區采取謹慎操作的策略[6]。具體來說，結合基站所覆蓋區域的場景屬性關聯匹配相應的節能方案，下面對一些重點區域的節能場景策略說明如下：

（1）交通樞紐

高鐵車站，是口碑型場景，一般為室分覆蓋，可進行符號關斷，夜晚用戶較少時容量層可進行載波關斷，凌晨無列車運行，車站一般關閉，無用戶時可開啟小區關斷/深度休眠。

（2）商業購物區

大型商業購物區，是口碑型場景，一般為室分覆蓋，可進行符號關斷，不宜開啟通道關斷。該類場景潮汐效應明顯，夜晚用戶較少時容量層可進行載波關斷，凌晨無用戶時可開啟小區關斷/深度休眠。

（3）學校校園

高校多為多層網，存在室外宏站覆蓋和室分覆蓋，在教學樓和宿舍之間存在潮汐效應。可進行符號關斷和通道關斷，夜間宿舍里用戶較多，可進行載波關斷或調整小區關斷時間，對于教學樓可凌晨可開啟小區關斷/深度休眠。

（4）地鐵

地鐵是口碑型場景，白天可進行符號關斷和通道關斷，凌晨地鐵無運營期間可對所有地鐵小區開啟小區關斷/深度休眠。

對于白名單基站小區不進行任何節能操作，否則進一步判斷節能場景的推薦策略是否包含載波關斷或者小區關斷/深度休眠，若不包含則按照覆蓋場景匹配的節能策略執行。若包含則對該基站小區進行網格化流量預測，再結合節能場景的節能時段（凌晨、白天、夜晚）確定具體的節能時間，節能時間與流量預測的時間顆粒度相同均為2 小時。

4 節能判決條件

根據基站小區覆蓋場景結合網絡負荷預測變化情況，本文將網絡結構、4G/5G 共站情況、載波配置情況、流量負載與頻帶資源的等效關系、PRB 利用率等作為前置條件，選擇合適的節能策略，由此引入三個判決條件：

4.1 判決條件一

采用基于MR（Measurement Report）鄰區對的同覆蓋小區判決方法[7]，“是”表示某區域存在5G 覆蓋層小區和5G 容量層小區，“否”表示某區域只存在5G 覆蓋層小區，MR 鄰區對的共覆蓋判決方法：

首先，假設有A、B 兩個小區，采集鄰區對A-B 和B-A的MR，在前的是主服務小區，在后的是鄰小區。

然后，在鄰區對的1 個采樣點中，若鄰區的電平高于-105 dBm，或鄰區的電平小于-105 dBm 且比主服務小區的電平大-3 dB 以上，則該采樣點是好點。統計鄰區對內好點的數量，比上鄰區對總采樣點的數量，記為好點比例。

最后，若A-B 鄰區對的好點比例高于80%，而B-A鄰區對的好點比例低于80%，則認為B 是A 的容量層；若兩個鄰區對的好點比例均高于80%，則A、B 小區可減容好點比例高的那個小區；若兩個鄰區對的好點比例均低于80%，則A、B 小區均不可減容；若B-A 鄰區對的好點比例高于80%，而A-B 鄰區對的好點比例低于80%，則認為A 是B 的容量層。

4.2 判決條件二

采用流量負載與頻帶資源等效方法[8]，是表示與某5G扇區同覆蓋下的4G 扇區的頻帶資源在滿足原有4G 流量負載需求的前提下，能滿足新增頻帶資源的需求，否表示不能。

由香農公式，扇區i下用戶的平均數據傳輸速率為Ci=Wlog(1+S/N)，為信號與噪聲的功率之比，是無量綱單位，其中基站間干擾同樣可以考慮為高斯白噪聲，其中gi是扇區i下用戶接收信號的平均路徑損耗，gi可通過Uma 信道模型給出，分為PLUMa-LOS和PLUMa-NLOS。信號衰減的因素主要包括信道衰落和瑞利衰減；W為信道帶寬；di為扇區i下用戶與扇區i的平均距離，dim為扇區i下用戶與可接受到信號的鄰居扇區m的平均距離；pi為基站j的傳輸功率，σ0為高斯白噪聲。在實際工程應用中可用SINR信噪比代替S/N，由于SINR以分貝（dB）為單位，且二者之間的換算關系為：

因此扇區i下用戶的平均數據傳輸速率為Ci可變為公式。公式中的SINR 均為下行SINR，由于MR 數據中無法直接提取下行SINR，但該值可由MR 提取的RSRQ（Reference Signal Receiving Quality）通過一定的換算關系等效得到，換算公式為，其中X為基站小區用戶使用的RB 數量，N是全帶寬的RB 數目，SINR 值還可通過DT（Drive Test）和CQT（Call Quality Test）可進一步加以驗證，并修正該值。

假設在某節能時間段T內預測5G 扇區i5G覆蓋區域下的負載為Li，則此時間段內的平均數據傳輸速率Ci=Li/T，由此可得在該時間段內的扇區下i5G覆蓋區域所需頻帶資源為，若此時與該5G 扇區i5G同覆蓋下的4G 扇區i4G的頻帶資源在滿足原有4G流量負載需求的前提下，仍可滿足新增頻帶資源Wi5G的需求，且5G 接入用戶較少或無接入用戶，此時可將5G 扇區i5G的AAU 進行深度休眠[9]。

4.3 判決條件三

采用15 分鐘顆粒度提取小區PRB 利用率，根據實際分析需要也可采用其他時間顆粒度。是表示小區PRB 利用率小于40%，否表示小區PRB 利用率大于等于40%。

5 節能策略推薦流程

如圖2 所示，為最終的基站節能策略推薦流程[10]，現對部分關鍵流程簡要說明如下：

圖2 基站節能策略推薦流程

首先進行數學模型搭建，包括提取歷史網絡數據，使用兩步聚類法進行節能場景識別與節能指數計算，同時進行網格化流量模型搭建。

接著對于節能場景的基站小區關聯覆蓋場景匹配的節能策略，然后判斷是否為白名單基站小區，對于白名單基站小區不進行任何節能操作，否則進一步判斷節能場景的推薦策略是否包含載波關斷或者小區關斷/ 深度休眠，若不包含則按照覆蓋場景匹配的節能策略執行，若包含則對該基站小區進行網格化流量預測。

然后對該基站小區是否為4G/5G 共站進行判斷，若為是，則用判決條件一進行判斷，若滿足條件一則對5G容量層小區進行節能操作，5G 容量層小區又分為5G 容量層單載波小區和5G 容量層多載波小區，對于5G 容量層單載波小區則直接采用深度休眠策略，對于5G 容量層多載波小區則先采用載波關斷節能策略，達到一定時間后進一步采用判決條件三進行判決，若滿足條件三則采用深度休眠策略，否則結束載波關斷狀態。

同理我們也可應用三個判決條件得出其他策略選擇流程的判斷過程。

6 結論

通過選取全網華為區8 148 個小區，其中存在節能場景的1 372 個，占比約16.84%，節能時段約占全天1/2～2/3，節能效果相當可觀。

本文系統性地將分析得到的基站小區節能場景及其節能策略推薦模型、流量預測、流量負載與頻帶資源等效方法、小區共覆蓋判決等，生成三個判決條件作為前置條件，根據前置條件將常用的幾種節能方式有機地結合起來，最終生成智能節能技術流程模型圖該技術流程模型圖將基站級節能與網絡級節能以及基站小區節能場景的節能策略模型充分結合起來，根據實際的網絡覆蓋情況和業務側數據預測情況智能、動態地進行節能策略的選擇切換，從而較為科學合理地進行5G 基站節能降耗。