5G基站智能節(jié)能解決方案

詹 勇 唐 雪

中興通訊股份有限公司 深圳 518055

引言

2018年，全球溫室氣體排放達(dá)到了創(chuàng)紀(jì)錄的375億噸。如果不做改變，2030年這個(gè)數(shù)值將達(dá)到475億噸，進(jìn)而造成一系列災(zāi)難性的后果[1]。基于上述共識，目前已有77個(gè)主要經(jīng)濟(jì)體承諾2050年實(shí)現(xiàn)碳中和，中國政府也于2021年9月22日發(fā)布了《國務(wù)院關(guān)于完整準(zhǔn)確全面貫徹新發(fā)展理念做好碳達(dá)峰碳中和工作的意見》，明確了2030年碳達(dá)峰，2060年碳中和的實(shí)現(xiàn)路徑[2]。

在走向碳中和的過程中，移動通信網(wǎng)絡(luò)承擔(dān)著重要角色。一方面，5G網(wǎng)絡(luò)幫助推進(jìn)“智慧綠色”城市建設(shè)，5G使能更便捷的線上溝通可以幫助減少商務(wù)旅行和人員流動，5G賦能“綠色智能”千行百業(yè)提升生產(chǎn)效率等都能間接推動全球碳中和進(jìn)程。另一方面，根據(jù)預(yù)測，2025年ICT(Information and Communications Technology，信息通信技術(shù))行業(yè)耗能將占全球總耗能30%[3]，因此ICT行業(yè)走向“綠色”能直接降低全球溫室氣體排放。但是，考慮到5G更加密集的基站，更大的帶寬，更多的天線數(shù)和用戶數(shù)以及海量增加的數(shù)據(jù)需求等，在缺乏高效節(jié)能措施的情況下，單位面積5G耗能實(shí)際會顯著超過4G[4]。因此，從碳中和目標(biāo)以及5G運(yùn)營成本來看，減少5G能耗迫在眉睫。

文獻(xiàn)[5]指出，移動通信網(wǎng)絡(luò)最耗能的部分是基站，其能耗占整個(gè)移動通信網(wǎng)絡(luò)總能耗的57%。進(jìn)一步分解基站的能耗，會發(fā)現(xiàn)其射頻部分耗能65%，制冷系統(tǒng)耗能17.5%，數(shù)字信號和基帶處理單元耗能10%，AC-DC轉(zhuǎn)換器耗能7.5%[6](如圖1所示)。因此，5G移動通信網(wǎng)絡(luò)節(jié)能的關(guān)鍵在于5G基站節(jié)能，而5G基站節(jié)能的關(guān)鍵則在于減少射頻部分的能耗。考慮到5G負(fù)荷普遍存在時(shí)間和空間的多變性/多樣性，在適當(dāng)?shù)臅r(shí)間讓5G基站進(jìn)入休眠模式，從而關(guān)閉其射頻，甚至關(guān)閉制冷、數(shù)字信號和基帶處理以及AC-DC轉(zhuǎn)換單元，是減少5G基站能耗最行之有效的方法。

圖1 基站能耗拆解

顯而易見，讓越多基站在更長時(shí)間休眠更多組件能帶來越大的節(jié)能收益。但是，這也會帶來以下問題/挑戰(zhàn)。

1)符號級基站休眠(即非連續(xù)發(fā)送[7])會帶來SE(Spectrum Efficiency，頻譜效率)和容量的下降；同時(shí)為了確保基站能實(shí)現(xiàn)微秒級喚醒，休眠過程僅能休眠部分基站組件(比如功放)，從而降低節(jié)能效果。

2)Slot/毫秒級基站休眠會導(dǎo)致部分用戶被延遲調(diào)度，從而拉長其時(shí)延；同時(shí)為了確保基站能實(shí)現(xiàn)毫秒級喚醒，休眠過程仍無法關(guān)閉全部高功耗組件，從而降低節(jié)能效果。

3)長期(最少秒級)基站休眠能帶來最大程度的節(jié)能收益[8]。但是，它會使得基站在休眠過程中廣播信號斷發(fā)，因此會顯著改變其所在區(qū)域無線覆蓋，可能造成覆蓋空洞。此外，這種休眠模式下喚醒基站所需的時(shí)間往往也是秒級及以上，因此無法及時(shí)響應(yīng)突發(fā)的業(yè)務(wù)需求，從而帶來用戶感知下降。最后，考慮到基站喚醒過程中也需要消耗能源同時(shí)無法提供任何服務(wù)，因此頻繁的長期休眠—喚醒會帶來大量能源浪費(fèi)。

上述問題/挑戰(zhàn)歸根結(jié)底指向了如何在5G基站能耗和5G用戶感知之間取得更好的平衡，這需要基站在恰當(dāng)?shù)臅r(shí)間選擇恰當(dāng)?shù)墓?jié)能策略。為了確保長期休眠基站不會造成覆蓋空洞，本文提出了一種覆蓋模型，基于該模型可以確保僅在不造成覆蓋空洞的情況下才允許基站進(jìn)入長期休眠。為了避免頻繁長期休眠—喚醒基站造成的能源浪費(fèi)，本文提出了一種負(fù)荷模型，使用該模型基站可以結(jié)合當(dāng)前負(fù)荷和未來的負(fù)荷預(yù)測選擇更恰當(dāng)?shù)男菝叻绞健榱藢?shí)現(xiàn)最大限度的節(jié)能，本文提出了一種基站能耗模型，通過該模型可以計(jì)算出任一時(shí)刻任一場景下基站采用任一節(jié)能策略所能帶來的節(jié)能收益。為了避免因?yàn)榛竟?jié)能造成顯著的用戶感知下降，本文提出了一種體驗(yàn)?zāi)Ｐ停迷撃Ｐ突究梢詫τ脩趔w驗(yàn)進(jìn)行預(yù)測/度量。最終，結(jié)合上述4個(gè)模型，可以將5G基站智能節(jié)能建模成一個(gè)INLP(Integer Non-Linear Programming，整數(shù)非線性規(guī)劃)問題，通過求解該問題即可獲得最優(yōu)節(jié)能策略，即能取得5G基站能耗和5G用戶感知最佳平衡的策略。圖2總結(jié)了5G基站智能解決方案包含的主要步驟。

圖2 5G基站智能節(jié)能解決方案流程圖

1 覆蓋模型

本文將基站節(jié)能策略分為3種：1)符號級基站休眠，此種休眠模式下基站繼續(xù)為用戶提供數(shù)據(jù)服務(wù)，但頻譜效率會顯著下降；2)Slot/毫秒級基站休眠，此種模式下休眠時(shí)段基站不為用戶提供數(shù)據(jù)服務(wù)，但基站覆蓋維持原狀；3)長期基站休眠，此種模式下休眠時(shí)段基站不再提供無線覆蓋，同時(shí)恢復(fù)該基站覆蓋需要一段時(shí)間。構(gòu)建覆蓋模型的目的就是為了確保基站進(jìn)入長期休眠狀態(tài)時(shí)，不會造成覆蓋空洞。

約束條件(1)～(4)共同定義了覆蓋模型。

其中，約束(1)表示任意時(shí)間任一用戶僅能附著在一個(gè)基站上。約束(1)和(2)結(jié)合表示任意時(shí)間任一用戶僅能附著在一個(gè)和該用戶兼容的且在時(shí)間具有有效覆蓋的基站。約束(3)表示任意時(shí)間任一用戶能接收到其附著基站的信號強(qiáng)度不弱于。約束(4)表示和都是二進(jìn)制變量。

考慮到長期休眠需要較長時(shí)間喚醒基站，基站節(jié)能決策會對未來網(wǎng)絡(luò)的覆蓋形態(tài)產(chǎn)生顯著影響。因此，5G基站在選擇節(jié)能策略時(shí)需要同時(shí)考慮當(dāng)前和未來時(shí)刻用戶和基站的屬性狀態(tài)信息。同時(shí)，頻繁讓用戶進(jìn)行信號強(qiáng)度測量和上報(bào)用來獲取當(dāng)前值既浪費(fèi)終端電量也會消耗大量無線資源。為了解決上述問題，我們可以根據(jù)歷史統(tǒng)計(jì)信息生成無線指紋知識庫，從而利用該知識庫來獲取用戶在當(dāng)前和未來時(shí)刻信息。圖3提供了一個(gè)例子，圖中1個(gè)點(diǎn)代表1個(gè)用戶，我們將一個(gè)網(wǎng)絡(luò)覆蓋區(qū)域按照物理分布劃分成400個(gè)柵格，每個(gè)柵格維護(hù)了2個(gè)知識：1)基于歷史上位于該柵格用戶統(tǒng)計(jì)平均結(jié)果獲得對落在該區(qū)域用戶的粗估值/預(yù)測值；2)基于歷史上各個(gè)柵格用戶數(shù)統(tǒng)計(jì)平均結(jié)果獲得對未來該柵格用戶占比的預(yù)測值。更進(jìn)一步，考慮到用戶分布可能存在顯著的時(shí)變特性，在圖3例子中我們?yōu)橐粋€(gè)網(wǎng)絡(luò)分別構(gòu)建了“工作日忙時(shí)”“工作日閑時(shí)”“假期忙時(shí)”和“假期閑時(shí)”4個(gè)無線指紋知識庫，分別對應(yīng)圖3(a)、3(b)、3(c)和3(d)。在當(dāng)前時(shí)刻，首先確定對應(yīng)無線指紋知識庫，接下來通過任意定位手段確定用戶柵格歸屬，最后利用對應(yīng)無線指紋知識庫即可獲得用戶粗估值，而無需讓用戶進(jìn)行同頻/異頻測量，減少信息獲取代價(jià)。在進(jìn)行未來指定時(shí)間用戶分布預(yù)測時(shí)，首先判斷該時(shí)間歸屬于哪種場景，再基于對應(yīng)無線指紋知識庫生成用戶預(yù)測值。舉個(gè)例子，假設(shè)我們需要預(yù)測2022年1月18日0時(shí)0分0秒slot 0用戶預(yù)測值，首先通過預(yù)定規(guī)則確定該時(shí)段屬于“工作日閑時(shí)”，接下來對該時(shí)段網(wǎng)絡(luò)用戶總數(shù)進(jìn)行預(yù)測(對應(yīng)方法在下一章節(jié)介紹)，之后基于圖3(b)所示無線指紋知識庫獲取每個(gè)柵格用戶占比預(yù)測值。結(jié)合上述2個(gè)值即可獲取預(yù)測時(shí)刻每個(gè)柵格用戶數(shù)，之后再利用對應(yīng)柵格知識為每個(gè)用戶分配對應(yīng)預(yù)測值。

圖3 粗估/預(yù)測示例

很明顯，一個(gè)網(wǎng)絡(luò)根據(jù)用戶分布時(shí)變特性細(xì)分無線指紋知識庫越多，一個(gè)無線指紋知識庫劃分柵格越多，粗估值可能越精確，但商用部署時(shí)算力開銷也越大。5G網(wǎng)絡(luò)運(yùn)營商可以根據(jù)網(wǎng)絡(luò)實(shí)際算力情況確定一個(gè)網(wǎng)絡(luò)無線指紋知識庫數(shù)量以及每個(gè)無線指紋知識庫柵格劃分?jǐn)?shù)量。

2 負(fù)荷模型

約束條件(5)～(8)定義了負(fù)荷模型。

約束條件(5)用來約束任意時(shí)刻任意基站承載的用戶數(shù)都不能超過其承載上限。公式(6)和(7)分別定義了基站c在t時(shí)刻需要為用戶提供的上下行RB個(gè)數(shù)。需要注意的是，本文定義的符號級基站休眠以及slot/毫秒級基站休眠都僅考慮了下行。也就是說，對于TDD(Time Division Duplex，時(shí)分雙工)系統(tǒng)，我們僅在下行slot執(zhí)行符號級基站休眠或slot/毫秒級基站休眠；對于FDD(Frequency Division Duplex，頻分雙工)系統(tǒng)，我們僅對基站信號發(fā)送相關(guān)組件執(zhí)行符號級基站休眠或slot/毫秒級基站休眠。此外，本文僅考慮了一種符號級基站休眠的方式，如果實(shí)際操作系統(tǒng)中存在多種符號級休眠的方式，僅需將和拆分成對應(yīng)多種符號級休眠方式即可。約束條件(8)說明是一個(gè)二進(jìn)制變量。

從負(fù)荷模型(5)～(8)可以看出，我們需要明確每個(gè)基站能承載的用戶數(shù)上限，該值可以通過讀取基站配置獲取。此外，利用常見的負(fù)荷預(yù)測模型，包括時(shí)間序列法(比如ARIMAX[9])、回歸方法[10]、神經(jīng)網(wǎng)絡(luò)(比如LSTM[11]、PROPHET[12])等，我們可以對未來網(wǎng)絡(luò)總用戶數(shù)進(jìn)行精準(zhǔn)的預(yù)測。接下來，符號級狀態(tài)下基站SE的折算因子可以通過理論計(jì)算得到。最后，要計(jì)算/預(yù)測用戶RB需求，我們需要知道基站設(shè)置的上下行目標(biāo)BLER值，它們都可以從基站配置信息中直接獲取。同時(shí)，我們還需要知道每個(gè)用戶能獲得的上下行頻譜效率和以及上下行吞吐量需求和。當(dāng)前時(shí)刻和信息很容易獲取，未來時(shí)期和的值可以采用第1章節(jié)所述的無線指紋知識庫算法獲取。

3 能耗模型

公式(9)～(11)定義了基站能耗模型[13]。

公式(9)提供了5G基站能耗的計(jì)算公式，約束(10)明確了一個(gè)基站在一個(gè)時(shí)刻只能使能一種休眠模式，約束(11)則表示是一個(gè)二進(jìn)制變量。需要注意，本文簡單假設(shè)基站在長期休眠喚醒過程中單位時(shí)間能耗和無負(fù)荷狀態(tài)運(yùn)行時(shí)一樣。

4 體驗(yàn)?zāi)Ｐ?/h2>

為了簡化復(fù)雜度，本文中體驗(yàn)?zāi)Ｐ蛢H考慮了用戶的上下行吞吐量，公式(12)定義了用戶體驗(yàn)?zāi)Ｐ停从脩趔w驗(yàn)效用計(jì)算公式。

圖4 效用函數(shù)參數(shù)取值示例

5 5G基站智能節(jié)能解決方案

結(jié)合上文提出的覆蓋模型、負(fù)荷模型、能耗模型和體驗(yàn)?zāi)Ｐ停瑔栴}(13)對5G基站智能節(jié)能問題進(jìn)行了完整建模，它是一個(gè)典型的INLP問題。其中，代表用戶體驗(yàn)效用的權(quán)重因子，為一個(gè)非負(fù)實(shí)數(shù)，它取值越大代表運(yùn)營商越看重用戶體驗(yàn)。通過求解問題(13)，可以獲得實(shí)現(xiàn)基站能效和用戶體驗(yàn)最優(yōu)平衡的用戶導(dǎo)引策略以及5G基站節(jié)能策略、和。

需要注意的是，問題(13)中時(shí)間索引t的單位是slot。5G網(wǎng)絡(luò)中一個(gè)slot時(shí)長和配置的SCS(Sub-Carrier Spacing，子載波間隔)直接相關(guān)，表1提供了SCS和slot時(shí)長的對應(yīng)關(guān)系。考慮到INLP問題求解的復(fù)雜度，在商用網(wǎng)絡(luò)中可能無法在一個(gè)slot完成問題(13)的求解。這種情況下，可以在長時(shí)間粒度上僅決策長期基站休眠策略，此后在基站未長期休眠時(shí)基于實(shí)時(shí)負(fù)荷按照專家定義策略決策是否進(jìn)入slot/毫秒級基站休眠或符號級基站休眠。一個(gè)最簡單的專家定義策略即是當(dāng)基站負(fù)荷低于指定門限1且該slot無必發(fā)的信息(比如廣播信號)時(shí)，當(dāng)前slot讓基站進(jìn)入slot/毫秒級基站休眠；如果上述條件不滿足但當(dāng)前基站負(fù)荷低于指定門限2時(shí)，當(dāng)前slot讓基站進(jìn)入符號級基站休眠。其中，門限1取值小于門限2。

表1 SCS和slot時(shí)長對應(yīng)關(guān)系

為了適配上文所探討的場景，我們對問題(13)進(jìn)行簡化，得到新的INLP問題(14)。其中問題(14)中時(shí)間索引的單位可以按照運(yùn)營商要求靈活設(shè)置，通常是在秒級以上。簡化后的問題(14)僅用來求解長時(shí)間粒度的用戶導(dǎo)引策略和長期基站休眠策略。這樣網(wǎng)絡(luò)運(yùn)營商就有足夠長的時(shí)間來求解問題(14)。對INLP問題的求解可以參考文獻(xiàn)[15-16]，也可以使用蟻群這類優(yōu)化算法進(jìn)行迭代求解[17]。整體5G基站智能節(jié)能解決方案流程可參見圖2。

6 結(jié)束語

為了幫助5G網(wǎng)絡(luò)運(yùn)營商實(shí)現(xiàn)基站能效和用戶體驗(yàn)的最優(yōu)平衡，本文設(shè)計(jì)并提出了4個(gè)模型：1)覆蓋模型，用于確保長期休眠基站不會造成覆蓋空洞；2)負(fù)荷模型，用于避免頻繁長期休眠—喚醒基站造成能源浪費(fèi)；3)能耗模型，用于實(shí)現(xiàn)最大限度節(jié)能；4)體驗(yàn)?zāi)Ｐ停糜诒苊庖驗(yàn)榛竟?jié)能造成顯著的用戶體驗(yàn)下降。最后，結(jié)合上述4個(gè)模型，本文將5G基站智能節(jié)能建模成一個(gè)INLP問題，通過對該問題的高效求解，即可獲得能實(shí)現(xiàn)基站能效和用戶體驗(yàn)最優(yōu)平衡的用戶導(dǎo)引策略和基站節(jié)能策略。