基于人工智能的通信基站智能新風及空調節能系統應用

李 慧，陸南昌，吳寶棟，張 姣，張 悅

（中國移動通信集團廣東有限公司，廣東 廣州 510623）

0 引 言

“十三五”規劃提出，未來五年，單位國內生產總值（Gross Domestic Product，GDP）能耗、二氧化碳排放量和用水量分別下降15%、18%、23%。為實現這一目標，需要在“十二五”的工作基礎上繼續深入推進，保留并發揚前期有效做法，并在“十三五”時期進行開拓創新。中國移動明確提出，到2025 年單位電信業務綜合能耗和碳排放等指標的降幅全面超過20%[1]。積極參與碳核查、碳披露和碳交易活動，助力生態鏈整體綠色轉型，爭取在2060 年前實現“碳中和”目標[2]。

1 能源消耗現狀

隨著5G 網絡傳輸效率和性能的提升，人們對網絡傳輸量和傳輸速率的要求日益提高。為實現5G 網絡的全覆蓋，5G 基站的建設數量大幅增加。由于5G基站建設的特殊性，設備運行時耗電量較大。隨著5G 技術的快速發展和應用場景的需求變化，運營商面臨著嚴峻的能耗挑戰。5G 基站的耗電量是4G 基站的3 ～5 倍。為維持基站內的溫度，基站空調幾乎需要24 h 不間斷運行，能耗非常大，約占整個基站能耗的49%。因此，降低空調用能是通信機房節能改造的重點之一[3]。機房設備能源消耗情況如圖1所示。

圖1 通信機房設備能源消耗情況

2 通信基站傳統節能策略

2.1 空調節能

為避免基站專用空調設備頻繁啟停，延長其使用壽命，根據實際需求，設置相對廣泛的啟停溫度上下限，以實現節能。

2.2 新風+空調獨立調控聯動節能

部分基站以節能為目的增加新風系統。新風系統包括風機、過濾器、加熱器及加濕器等，利用風機吸入室外空氣，經過處理后輸送至室內。當室外溫度較低時，關閉空調，開啟新風系統降溫；當室外溫度過高時，開啟空調。

3 智能新風系統及空調系統聯動節能方案

由于傳統節能策略無法達到最佳的節能減排效果，需要聯合調控新風系統和空調系統，實現更好的節能效果。通過智能化控制算法和預測模型，可以精確控制室內溫度和濕度等參數，減少能源消耗，提高室內舒適度。結合人工智能技術學習算法分析大量數據，提取數據間的規律。在新風系統和空調系統的聯動節能中，以歷史數據為基礎建立預測模型，預測室內溫度和濕度等參數的變化情況，從而調整新風系統和空調系統的運行策略。

3.1 站點選取原則

為達到預定效果，在選擇站點和機房時需遵循移動自有物業機房、集中化無線接入網（Centralized Radio Access Network，C-RAN）機房、重要（Very Important Personal，VIP）基站、堡壘機房以及免租物業機房等原則。近年來，對于無搬遷風險和極簡化改造的機房，優先選擇地理環境為山區、丘陵、平原的機房作為站點。機房結構分為簡易機房和磚混機房，要求機房面積大于20 m2，空調數量不低于2 臺，主設備室內基帶處理單元（Building Baseband Unit，BBU）數量大于10，機房日用電量大于200 kW·h。

3.2 站點改造方案

方案包含空調數量、聯動節能終端和聯動控制系統等。根據機房面積和主設備數量確定增加的新風機數量，預計2 ～4 臺空調安裝聯動節能終端和聯動控制系統。整體系統架構如圖2 所示。

圖2 整體系統架構

4 基于人工智能的新風系統及空調系統聯動節能策略

利用新風系統節能改造基站，通過對環境溫度和空調系統的聯動控制，實時監測基站的室內外溫度，實現新風系統及空調系統的自動啟停與運行模式之間的自動切換，減少空調制冷時間并降低能耗，實現節能最大化。

4.1 數據采集與解析

抽樣各試點機房，通過省內填報和爬取氣象網等方式，采集20 項相關指標共15 萬條數據。逐個篩選機房數據，編碼離散數據，分析連續數據的周期性波動情況，并提取特征。通過統計模型篩選輸入特征，提取室內外溫差、室外溫度、空調類型、機房面積、板卡溫度方差、板卡溫度最大值、圍擋類型、蓄電池類型及歷史氣象等9 大主要影響因素作為模型的最終輸入。

4.2 場景聚類與溫控設置

根據9大主要影響因素，通過擬層次化聚類算法，將現網機房分為24 個子場景，以提升后續生成策略的精度。聚合運算每個子場景下的所有策略，將具有代表性的策略作為該子場景對應的最終輸出策略，并得出各場景能夠保證機房內板卡和蓄電池等設備正常運行的室內溫度上下限。

4.3 基于人工智能溫度預測的策略生成

根據輸入9 大主要影響因素的歷史數據，選取t時刻到t+n時刻的數據作為輸入模型所需的數據結構，即時序數據序列。選取部分站點歷史溫度數據的80%作為訓練集，剩下20%作為測試集，另一部分站點用于跨站驗證。

建立基于深度神經網絡的時序預測模型，提取上一個時序的神經元輸出的抽象信息，通過門控裝置篩選信息，與當前時序共同輸入下一個神經元，最終輸出結果[4]。對于輸入時序數據序列，每一時刻的數據均為9 維特征向量，通過嵌入網絡編碼數據，將編碼后的結果傳入搭建的時序記憶網絡模型，利用誤差反向傳播（Error Back Propagation，BP）算法聯合訓練嵌入網絡和時序記憶網絡，如長短期記憶網絡（Long Short-Term Memory，LSTM）和門循環單元（Gate Recurrent Unit，GRU）等[5]。

經過跨站驗證，結果與實際溫度平均誤差為3%，同一時段誤差在-0.6 ～0.5 ℃波動。這表明模型準確性較高，用其預測溫度可以減小誤差。預測溫度與實際溫度對比如圖3 所示。

圖3 預測溫度與實際溫度對比

4.4 下發策略與調整適配

根據室內環境的實時變化情況，調整新風系統和空調系統的聯動控制策略。例如，通過機房預測室外溫度值，結合傳統新風空調聯動設置策略，輸出新風系統和空調系統的實時運行策略。

4.5 節能收益和后續評估

在廣東某地選取1 個5G 機房站點進行試點，通過改造新風系統和空調系統，利用人工智能溫度控制策略，實現新風系統及空調系統的自動啟停和運行模式的自動切換。

對比4 個試驗組開啟前后的數據，發現最高綜合節電率達到35.71%，最低綜合節電率達到27.80%，有效降低了用電量。測試時間為24 h，改造前后機房節能比例如表1 所示。

表1 改造前后機房節能比例

5 結 論

新風系統和空調系統的人工智能聯動是一種有效的節能技術，通過聯合調控新風系統和空調系統，使節能效果達到最優，精確控制機房溫度，從而減少能源消耗，降低碳排放。該技術的關鍵是智能化控制算法和預測模型，通過構建機房溫度預測模型，制定智能化控制策略，實現對機房溫度的精確控制。為更好地應用這種技術，需要考慮多方面因素，包括機房結構、設備布局、供電系統及通風系統等；機房內部環境的影響因素，如人員數量、設備功率和外界氣溫等。實際應用中需要調整和優化控制策略進行能效評估和優化，從而提高節能效果。