4G/5G基站協同智能節能方案研究

李 露 李福昌

中國聯通研究院 北京 100048

引言

隨著國內5G大規模建設的加速，運營商在承擔大量5G網絡建設費用的同時，也面臨OPEX成本的巨大壓力。與傳統基站相比，5G基站站址更密集、建設環境更復雜、站點功耗更高。運營商現網移動業務能耗成本占總能耗成本約70%，其中基站能耗比例超過九成，基站能耗成本巨大。在5G網絡共建共享的大背景下，5G基站設備對頻段、帶寬、功率等性能指標等都提出更高要求，5G基站不僅支持3.5GHz等5G商用頻段，同時還需支持2.1GHz等重耕頻段；設備的硬件能力由支持3.5GHz頻段100MHz帶寬、200W最大發射功率演變為支持200MHz帶寬、320W等大帶寬、高功率的新要求。現網對基站設備的更高要求，導致基站的能耗不斷增大，如5G基站能耗是4G能耗的3.5～4.5倍，運營商將面臨巨大的OPEX電費壓力[1-4]。如何降低現網基站能耗是通信行業亟待解決的問題。

傳統節能技術基于網管話務統計，分時段批量關斷設備，不能支持實時、跨網絡、靈活智能的節能管理，導致節能效果不佳、運維復雜難度增加。5G時代，2G、3G、4G、5G多種制式系統會在一段時期內共存，隨著云化架構的演進，多制式系統將逐步融合，需要從全網最優的角度綜合考慮網絡能力和能耗成本。為滿足5G網絡高功耗、多制式并存、能耗精細化管理等技術挑戰，5G基站設備節能方案應結合通信行業產業鏈的實際發展情況，不斷采用新工藝、新材料、新方案、新設計等創新技術，不斷改進基站設備產品設計，降低商用設備基礎功耗；同時，加快軟件新節能功能的研發進度，商用設備必須支持智能符號關斷、智能載波關斷、小區關斷、深度休眠、智能通道關斷等節能方案[5-8]。從網絡層面，4G/5G等多制式系統的協同管理入手，逐步在現網開展4G/5G智能節能平臺試點，將人工智能技術應用在通信網絡智能化、自動化的智能管理中，以達到綜合網絡能力強、用戶體驗優、能耗低的目標，真正降低運營商OPEX成本，提高網絡整體競爭力。

1 基站節能基本原理

通信網絡節能方案可以劃分為基站節能方案和網絡級節能方案。基站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方式，即硬件節能方案和軟件節能方案，硬件節能降低基站設備的基礎功耗，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。

硬件節能方案主要通過優化設備硬件設計、改進生成工藝以及設備集成度等手段達到降低基站設備基礎能耗、不斷提高基站設備能源利用率的目的。基站設備硬件節能方案可以通過提高硬件平臺集成度，加快半導體工藝更新換代，加快新材料、新技術、新工藝等技術創新和產品應用，持續降低基站設備能耗水平。例如，為了提高AAU設備的能效，需要從功放模塊、數字基帶(含數字中頻、基帶模塊)、收發機等對功耗影響較大的關鍵器件進行技術升級，例如提高ASIC芯片比例，同時采用更高工藝(如5nm、3nm技術)來降低能耗并減少芯片面積，從而提高集成度，減少AAU芯片數量，整體降低熱耗。

軟件節能方案根據通信網絡業務在時間、空間等分布特征，以及網絡負荷的變化，在保證預定指標的前提下通過基站軟件功能配置，對硬件資源進行合理調配，實現高效利用資源的目的。在網絡中，為了實現軟件節能功能，基站除了要支持軟件功能對相應硬件的控制外，還需要支持能耗數據的采集、交互、上報，以及BBU和AAU/RRU與網管之間的狀態信息交互。基站軟件技能方案主要包括符號關斷、通道關斷、載波關斷、小區關斷、深度休眠、功放調壓等[9]。

網絡級節能方案應用于多制式共存的網絡中，考慮不同網絡制式之間的協同，使全網的能耗與網絡性能達到最優。例如，4G/5G同覆蓋區域內，可根據4G網絡與5G網絡的業務量等指標的變化情況，靈活管理AAU/RRU設備的關斷時段，實現降低基站設備能耗的目的。若5G網絡的業務負荷較低，則可動態關斷5G AAU/RRU載波，降低5G網絡的能耗，同時，5G網絡的業務量可由4G網絡承載。若5G網絡負荷超過預定門限，則開啟5G小區，恢復正常的5G網絡覆蓋。若4G網絡的負荷低于預定門限，可通過關斷4G射頻通道或載波的方式，降低4G網絡的能耗[10]。

本文將重點討論網絡級節能方案，基于人工智能算法來預測小區業務量、靈活調整節能策略，使得智能節能方案可在多制式網絡、不同小區場景下智能適配，在不影響業務體驗的前提下達到更好的節能效果。

2 網絡級智能節能方案

網絡級智能節能方案可以實現多制式無線網絡基站設備(如4G/5G基站設備)智能化、精細化、規模化節能管理能力；實現對網絡基礎設施，如電源、備電等系統按照多種系統制式的智能化管控，支持功耗數據精確采集上報、支持電源按系統制式和設備類型的分路智能供電等功能；支持對基站AAU/RRU等設備節能控制功能，支持符號關斷、通道關斷、載波關斷、深度休眠、電源關斷等節能特性[11-14]。

網絡級智能節能方案應支持分場景、智能化基站節能策略管理，以全網能耗最優為網絡級節能策略，以基于AI的智能業務精確預測、智能節能策略生成等功能，打破基礎設施數字化孤島，實現網絡能耗數據實時、高精度采集能力，并支持根據網絡基礎設施狀態，靈活管控基站的能耗情況。

本文下面將重點研究基于AI的網絡級節能方案，通過應用不同的AI算法，如基于聯邦學習的節能方案、基于強化學習的節能方案等，提升節能預測精度和適用范圍，實現對單個基站設備功耗的智能化管理。智能節能方案可以通過統一節能管理平臺實現，平臺支持與網管、網優平臺、工參等現網平臺數據互通，可以實時采集現網數據，并且支持與多廠家OMC平臺南向接口對接互通，實現4G、5G OMC節能指令發送、指令執行監控等功能，從而達到對4G/5G多種制式基站設備的統一管理能力，制定自動化適配智能節能策略，持續提升網絡節能效果。

2.1 基于強化學習的節能方案

基于強化學習的節能方案首先需要定義價值函數，價值函數需包含能耗降低參數和網絡性能參數，保證在不降低網絡性能的前提下最大限度降低網絡能耗。然后通過已實踐節能策略小區的反饋結果，來搜索當前節能策略的最優值，可按照一定搜索方法遍歷盡可能多的策略，計算其節能能耗與網絡性能的價值函數值，通過強化學習得出后續最佳節能策略。基于強化學習的節能方案流程如圖1所示。

圖1 基于強化學習的節能方案流程

當節能任務執行一定時間后，可將歷史每個小區的節能策略形成策略特征庫，在策略特征庫豐富后，可直接在策略庫中選取最優的節能策略直接執行，以節省節能策略預測時間，并且根據節能策略執行結果不斷修正節能策略特征庫。

針對不同話務模型，可以通過強化學習的方式綜合考量能效、任務準確度和網絡質量，智能推薦更精確的策略門限。

2.2 基于聯邦學習共享網絡下的節能方案

聯邦學習可以在確保用戶隱私和數據安全的前提下實現跨公司或組織間的模型訓練。各公司/組織間交換模型信息的過程被設計和全程加密，公司/組織互相不能夠獲取到其他任何公司/組織的隱私數據內容，可以實現跨公司/組織間的聯合建模。

在5G基站共享、4G基站不共享場景下，可以通過聯邦學習分別提取不同運營商間不共享的基站數據，如4G基站數據，分別在運營商本地進行模型訓練預測節能小區情況。運營商無需互通各自的基站數據，聯邦學習能夠隔離非共享的4G數據，將隱私數據隔離具備足夠安全性。以5G共享基站和非共享4G基站的性能、公參等數據為輸入，4G基站隱私數據單獨訓練模型，當不同運營商5G用戶駐留回自己4G基站時小于4G最大負荷要求，5G基站可以節能，此時5G業務負荷可分擔到不同運營商的4G基站。基于聯邦學習共享網絡下的節能方案可根據4G/5G網絡的業務量等指標的變化情況，對5G基站設備采用智能節能策略。

基于聯邦學習共享網絡下的節能方案具體實現流程如圖2所示，運營商A和運營商B的LTE基站、5G基站都基于其本地數據來訓練模型參數，并且將模型參數(梯度)上傳到中央服務器單元。中央服務器通過使用安全的聯合平均聚合所有分布式節點端的模型參數，形成最終全局模型，然后將該模型發送給每個連接的運營商。每當運營商重新接入或有數據更新時，用戶將更新發送回服務器，服務器構建改進全局模型。通過上述過程，各運營商負責學習全局模型的更新，并通過其本地數據更新本地訓練模型。各共享運營商可隔離非共享數據，并且能獲得全局節能算法模型，從而實施共享網絡下的節能方案。

圖2 基于聯邦學習的共享網絡節能方案流程

2.3 提升預測粒度及精度

智能節能預測可以通過細化預測精度及預測時長來增加節能算法的準確性及實用性。例如，可將智能節能預測粒度和節能任務下發精度由1小時提升至15分鐘，預測時長由24小時提升至48小時。

將粒度細化到15分鐘粒度后，可實現了跨度1/4小時的滑窗機制，最小節能時間段應用更加靈活，整體提升了節能效率，對網絡波動響應將更迅速，避免由于粗粒度預測造成提前或滯后關斷(開啟)節能任務的情況。節能預測最好能同時滿足小時級精度和15分鐘精度兼容，運維人員可根據現網實際情況選擇實施。

預測時長提升至48小時后，可以有效減少預測頻次，提前指定節能策略，且預測時長能向更長周期拓展。

取3萬多個小區15分鐘粒度的歷史數據，并對未來48小時的小區PRB利用率進行預測，并對比整體及小區小時級預測值與真實值數據，計算得出預測準確率。從預測結果可以看出1個小時和15分鐘的預測平均絕對誤差(Mean Absolute Deviation)，本次預測的3萬多個小區15分鐘粒度數據通過相同時序模型算法預測的MAE值約1.15196%，誤差相比小時級預測結果1.64%降低0.488%。

圖3為整體利用率曲線對比，以15分鐘為粒度統計一天3萬多小區不同時間段的無線利用率均值，真實值true_ratio與AI模型的預測值utilization_ratio對比，error為預測值與真實值的預測誤差。由曲線可看出模型下整體預測結果與實際值的整體趨勢均較吻合，AI模型預測值稍微高于真實值。

圖3 預測96個15分鐘粒度整體誤差分析

圖4、圖5為15分鐘粒度與小時粒度的預測誤差統計對比圖，統計了3萬多小區不同預測誤差范圍內的小區占比情況。如圖4所示，24個時段中15分鐘粒度預測無線利用率誤差在0.05以內占比超過了94%，誤差在0.075以內比例在97%以上，相比前期小時粒度準確率，誤差在0.05以內準確度提升7%，誤差在0.075以內準確度提升4%左右。

圖4 15分鐘粒度預測小區準確度分析

圖5 小時粒度預測小區準確度分析

3 結束語

5G AAU 24小時功耗數值變化較大，忙/閑時AAU功耗相差300w以上，采用分時關斷的節能方案可以降低網絡能耗。根據5G現網業務分析，對于非熱點區域，約70%現網5G基站滿足4G/5G協同節能的條件，通過關斷5G小區可有效降低網絡能耗。5G網絡相比4G網絡有更高的能力，但其網絡的能耗也顯著增加。當前運營商網絡用戶主要為4G/5G用戶，未來5G用戶將會不斷增長。因此，在4G、5G多制式共存的網絡中，隨著用戶不斷變化的多制式協同節能方案尤為重要。智能高效的節能方案也是未來網絡發展的必然趨勢，本文討論了基于聯邦學習和強化學習的節能方案，在后續研究中也將不斷優化提升智能節能算法和方案，滿足未來網絡高功耗、多制式并存、能耗精細化管理等技術挑戰。節能增效是運營商在5G網絡時代保持市場競爭力，提高盈利能力的重要任務。網絡級智能節能方案綜合考慮用戶體驗、基站設備及站點情況，使5G網絡設備、網管系統與基礎設施系統緊密配合，進一步提高了網絡建設效率，降低建設運維成本，實現構建低成本、低能耗、智能運維及快速響應的基礎網絡體系的目標。