基于AI的全場景智能基站節電系統設計與實現

趙偉，李貝，孟寧，王廷偉，林俊釩，陳樂，胡煜華，楊漢源

（1.中國聯合網絡通信有限公司浙江省分公司，浙江 杭州 310051；2.中國聯合網絡通信有限公司研究院，北京 100048；3.中國聯合網絡通信集團有限公司，北京 100033）

0 引言

在4G網絡逐步向5G基站牽引的背景下，不斷增長的網絡業務需求及流量需求使得基站能耗節節攀升。為響應國家集約化綠色網絡的建設要求，如何提升基站節能效率成為運營商當前亟須解決的問題。依據設備規格與負載水平的不同，5G基站每小時的耗電約2.5度，3G或4G基站則在1～2度，其主要能耗集中在基站的有源天線單元上。現行基站節能方案也大多針對該設備進行節能，對夜間低能耗站點采取一刀切直接下電的方式進行。在實際生產中，該方案存在以下不足。

? 人工成本高。當前需要人工進行節能時間配置與調整，操作時對運維工程師的一線經驗和專業水平要求較高。

? 節電策略單一。現有的節電方案通常為千站一策，即運營商對批量基站設置統一的節能時間段，無法在不同覆蓋場景和不同業務需求下進行差異化節電。

? 無法適應動態網絡環境。一旦基站下電后便無法獲取站點附近的用戶情況，無法應對突發性業務和流量波動，基站恢復存在滯后性，易出現聚集性投訴風險。

? 難以平衡用戶體驗與節能需求。在實際節電時，考慮用戶感知，節電時間的參數設置通常相對保守，難以挖掘得到基站的最大節能空間。

1 智能節電建模

為實現節能策略的動態化，需要對基站的業務流量進行預測，以便在低能耗時段進行節能。當前常見做法是將基站的歷史流量數據轉換為不同的算法進行求解，包括傳統時序算法、機器學習和深度學習算法3種，各有利弊。

（1）傳統時序算法

將業務流量預測轉換為時序預測模型進行建模是最為常見的算法。典型的時間序列預測方法包括整合移動平均自回歸模型（autoregressive integrated moving average model，ARIMA）、Holt-Winters等。此類算法對周期波動明顯的單一時間序列進行預測時預測效果較好，但難以適應周期波動不明顯的時序或區域突發流量。

（2）機器學習回歸算法

通過構造時間特征可將流量預測問題轉化回歸問題，繼而使用如支持向量機（support vector machine，SVM）和梯度提升算法（如 XGBoost）等機器學習算法進行預測。該類算法對時間序列中的非線性因素適應較好，但對訓練樣本的要求較高且實際預測精度偏低。

（3）深度學習算法

循環神經網絡（recurrent neural network，RNN）或長短期記憶（long short term memory，LSTM）網絡等深度學習模型能夠快速適應不穩定的時間序列。但受限于模型本身特性，其建模效率較低。此外，基于序列的神經網絡更關注與上一刻的業務流量情況，易累積預測誤差導致最終結果偏差過大。

從時域特征上看，受地理位置、無線環境、周圍人流及活動等多重因素影響，現網基站的流量波動整體呈周期性變化，但偶有突發性擾動。從空域特征上看，基站的覆蓋場景各不相同，存在單站覆蓋區域、多制式共站、多制式同覆蓋等多種情況，不同情況的流量分擔方式也不同。因此，對比上述算法后，文中提出一種先用動態時間規整（dynamic time warping，DTW）算法進行聚類，再用不同參數的季節性整合移動平均自回歸模型（seasonal autoregressive integrated moving average，SARIMA）對各類基站分別建模來進行節電時間窗預測的算法。

DTW 聚類算法通過動態規劃思想提取兩個不同時間序列的相似性，進而對時間序列進行聚類。假設有兩個長度分別為m和n的時間序列，如式（1）：

則兩個序列可構建一個m×n的矩陣，通過動態規劃可找出該矩陣的最小累積路徑γ(i,j)，如式（2）：

其中，d(Xi,Yj)代表矩陣內任意兩點的距離。兩個時間序列的相似度即可用γ(i,j)表示，則對于n個時間序列來說，需找到使得總相似度最小的聚類結果，以便將具有相似時序波動的小區聚類在一起。

SARIMA模型是基于ARIMA模型之上，將時間序列看作依賴時間t的隨機變量，通過數據模型解析歷史序列的自相關性、平穩性以及季節性來預測未來的數據。假設將某特定長度為T的d階非平穩時間序列描述為Y1,Y2,Y3,… ,YT。對Yt∈R，ARIMA模型可表示為：

2 智能節電系統

智能節電系統模塊如圖1所示，本項目搭建在 Windows服務器上，采用Python作為主要編程語言，基于DTW和SARIMA算法完成模型構建，通過北向接口進行節能操作的指令下發，后臺使用 MySQL承接操作日志，通過五大功能模塊實現基站智能節電閉環系統。

圖1 智能節電系統模塊

2.1 數據處理模塊

為進行智能節電預測，系統需獲取以下不同時間粒度的數據作為基站監控數據源以及節電操作時進行干預決策的參考指標。智能節電系統數據源清單見表1。

表1 智能節電系統數據源清單

其中，采集待預測時間 7天內的全量3G/4G/5G基站性能數據后，可供智能預測模塊進行節電時間窗口預測。采集小區工參和MDT數據并處理后，可生成某站點關閉后對應的切換基站（cell to cell）清單，供實時監控模塊判決是否需要進行恢復操作以及進行何種恢復操作。

2.2 智能預測模塊

智能預測模塊是智能節電系統的“核心”模塊，其具體工作步驟如下。

步驟1數據聚類。若各基站單個小區的業務量可表示為時間序列Y，將對全網基站下小區的業務量Y1,Y2,Y3,… ,YN進行DTW算法聚類。聚類個數n可自行設置。經實驗，本文中將聚類個數最終設置為3，則全量小區可分為C1、C2、C3共3類。

步驟2超參選擇。分別從C1、C2、C3聚類結果中選出 100個小區，并針對這 100個小區使用SARIMA(p,d,q)(P,D,Q)模型進行20輪模型預訓練，獲取使得總評價指標信息準則（Akaike information criterion，AIC）最優的超參組合，并輸出到最優超參字典中，即{C1|p1,d1,q1,P1,D1,Q1}，{C2|p2,d2,q2,P2,D2,Q2} ，{C3|p3,d3,q3,P3,D3,Q3} 。

步驟 3模型訓練。遍歷全網所有小區，進行口碑場景級分析，根據其聚類結果，從最優超參字典中找到對應的超參組合，將這個超參組合放入SARIMA(p,d,q)(P,D,Q)中進行模型訓練，訓練完成后的業務流量趨勢預測結果如圖2所示。

圖2 SARIMA模型業務預測結果示例

步驟4模型輸出。通過計算序列的統計置信區間3-sigma區間(μ? 3σ,μ+ 3σ)得到該站業務量正常區間的上限值和下限值。其中，μ為序列的均值，為序列的標準差。結合一線的實際經驗，可認為當前時刻業務量落在(0,μ?3σ)時為低能耗時刻。確定每日關站門限后，將低能耗時間段對應小區粒度，并結合小區覆蓋特性，在保障感知的前提下，采取以下不同的節電策略。

（1）00:00—06:00時段

采用小區符號關斷；若小區完全無流量/話務量產生，則直接采用激活/去激活策略。

（2）非00:00—06:00時段

? 若存在多制式同覆蓋場景，則用3G小區作為覆蓋打底網絡保障用戶感知，對 4G/5G高制式小區進行節電；

? 當基站載波帶寬≥20 MHz，采取射頻通道關斷策略；

? 若頻段為LTE 1 800 MHz或LTE 900 MHz，采用載波關斷策略；

? 無法使用射頻通道關斷和載波關斷，則采用符號關斷策略。

步驟 5生成每日任務。在完成建模和節電策略判定后，數據結構需要進行重組，生成每日每個節電時間點需要開關的基站清單，并將一天的時間切分成若干個需要監控的時間段和該時間段內需要監控的基站小區清單，供后續基站開關模塊和實時監控模塊執行使用。

步驟 6反饋調整。在每一輪基站開關模塊實施調度過程中，可能會監控到誤節能現象，即在模型預測需關站的時間段內，基站存在流量壓抑現象。因此，在重復步驟1～步驟5進行新一輪模型預測之前，系統會讀取日志輸出模塊生成的調度日志，利用上一輪產生偏差來反饋調節模型，以助于縮小下一周期預測業務量的誤差。

需要注意的是，在實際運行中，從數據處理模塊采集數據到完成本模塊前序的步驟1～步驟4均需要占用一定的計算時間。在該計算真空期內，基站開關模塊無法獲得任何指令數據，導致每日有一段時間無法對基站進行操作。針對該情況，本系統在不增加算力資源的情況下，分上下各半天進行模型訓練。舉例來說，在T日上半天（當日 12:00前）獲取[T? 5 ,T]的下半天實時數據（12:00-24:00）進行訓練預測得出 T日下半天（12:00-24:00）的指令時間點。在T日下半天（當日 12:00前）獲取[T? 5 ,T]的上半天實時數據（00:00-12:00）進行訓練預測得出T+1日上半天（00:00-12:00）的指令時間點。這樣就保證了在運行過程中沒有真空期，基站開關模塊能實時對基站進行操作。

2.3 基站開關模塊

接收每日開關任務，根據每日的開站時間點、關站時間點以及開站清單和關站清單，在對應時間點通過北向接口下達指令打開或關閉對應的基站。在每次下達指令、操作基站或出現異常時都需進行日志輸出。

2.4 實時監控模塊

實時監控示意圖如圖3所示，一旦開啟節能后，將無法獲取被節電基站的業務量。為了在發生業務量突增時及時停止節電，減少對用戶感知的影響，需在開啟節能后同時觀測承接該節電基站業務量的周邊小區的業務量波動情況。基于小區工參和MDT數據，可從數據處理模塊獲取某站點關閉后對應的切換基站（cell to cell）清單。

圖3 實時監控示意圖

根據需要監控的時間段和每個時間段內的監控基站清單，實時觀測這部分承接基站的3G/4G/5G的業務流量數據及投訴數據。結合實際情況，若當前節電時刻為T，則觀測當前節電時刻[T? 2 ,T]的業務量，即對3G站點觀測其前 兩個30 min業務量數據，對4G/5G站點觀測其前兩個15 min的業務量數據。當因基站壓力過大、流量激增等原因發生異常時，利用是否發生異常流量增長或突發區域性投訴來進行異常判定，必要時通過北向接口開啟監控基站，及時恢復基站覆蓋供用戶正常使用。若持續出現問題或發生指令操作異常，則發送短信告警給運維人員來進行人工干預。實時監控流程如圖4所示。

圖4 實時監控流程

2.5 日志輸出模塊

每次下達指令、操作基站或出現異常時都需要進行日志輸出，輸出內容包括操作日期、時間、操作指令、操作類型、操作基站 ID、操作基站名稱、操作小區 ID、操作小區名稱、指令是否下發成功、操作結果等。所有操作日志統一存儲至MySQL數據庫，便于智能預測模塊進行反饋調整。此外，當系統發生異常故障時，可通過存儲的日志快速定位問題。

3 指標評價

為評估本文算法在實際生產環境的預測能力，假設某節電基站為X1，在對其進行節電操作后，承接其業務量的基站為X2,X3,… ,Xn。通過對比承接站點在承接前后的業務量增長是否超過給定門限的5%來判定節電是否準確。小區的節電準確率可表示為

4 模型效果驗證

本文系統在某省會主城區進行14天的試點。使用本文所提出的算法，共試點85個小區，其中在試點期內進行節電操作的小區為60個，節電操作率為71%。

試點期間，采取符號關斷604.18 h，采取通道關斷660.77 h，采取載波關斷331.73 h，總計節電時長1 596.68 h。節電判定正確時長為1 504 h，節電準確率為 94.2%。試點區域單站平均年節電效率可達 9.24%站/日。試點期間所選區域未出現網絡感知明顯波動，未發生相關感知投訴，節電指令關閉與開啟未出現異常。智能節電系統試點前后節電時長對比見表2，本文所提算法在該區域的節電量為試點前凌晨下電方案的1.5倍。

表2 智能節電系統試點前后節電時長對比

5 結束語

本文描述了一種基于通過動態時間規整算法和SARIMA分覆蓋場景構建預測節電的方法，相較于傳統在低能耗時段一刀切下電的方法，本文所提的智能節電系統一方面可以準確地預測節電時間窗，節電量是傳統方法的1.5倍，區域節電效率平均可達9.24%站/日，最大程度地挖掘了基站節電潛能；另一方面，通過構建從數據拉取、制定策略、指令下發、監控反饋的全流程自助閉環系統，監控同期客服投訴情況作為輔助評估，有效降低了節電對用戶感知的影響。本文所述方法已在某沿海×省成功試點，實時性及準確性均較高，可有效降低人工成本，具有良好的推廣性與復制性。