标准与产业推进委员会：2020年智能化基站节能研究（35页）.pdf

《标准与产业推进委员会：2020年智能化基站节能研究（35页）.pdf》由会员分享，可在线阅读，更多相关《标准与产业推进委员会：2020年智能化基站节能研究（35页）.pdf（35页珍藏版）》请在三个皮匠报告上搜索。

1、传统的节能方式参数手工配置，效率低，节能参数无差异化。智能化节能系统采用自动化多模节能策略协同，可实现多制式多频段协同，频段内跨制式协同关断，频段间多载波关断，并可实现小区级自动化节能参数差异配置，无需人工参与。通过预测出未来一段时间的小区/小区簇/区域负荷情况，同时匹配合适的节能方式（载波关断、通道关断、符号关断等），并确定该范围内小区中针对不同节能方式的最佳节能时间。自动化节能方案流程如图 5 所示，系统会自动基于流量预测及强化学习，寻优关断门限，并在线迭代优化，保证 KPI 无损。对网络中大量小区的历史数据：诸如时间、负荷信息、邻区关系，以及其他外部因素如天气、特定事件等多维度的数据作为

2、输入，以小区/小区簇/区域级别进行 AI 建模， 预测出未来一段时间的小区/小区簇/区域负荷情况。在预测建模中，还需要监测网络关键指标的 KPI，根据 KPI 的变化情况对当前使用的预测模型进行反馈，以进一步迭代预测模型，最终同时达到节能和系统性能的最优点。节能效果监测属于人工智能闭环反馈的需求环节。通过监测基站能耗和用户感知，特别是用户在关闭基站前后感知到的变化，调整基站节能策略。数据收集是人工智能数据训练的基础，在节能之前需要收集数据，包括但不限于：a) 无线端负载数据采集：PRB 利用率、RRC 连接数、负载流量、CPU 利用率等；b) 无线端感知数据采集：RRC 成功率、E-RAB 成

3、功率、CQI、延时等；c) 无线端基本数据采集：经纬度、方向角、发射功率、波束参数、服务场景等；d) 从端到端的感知数据收集：TCP 延迟，视频流量；e) 终端覆盖数据采集：信号强度、信噪比、经纬度等。目前负荷预测模型主要考虑的因素：a) 服务小区和邻区：负荷（PRB、用户数），容量（流量、调度用户数）；b) 环境因素：天气、特殊日期、特殊事件。多因素的权重依赖于逻辑关系的建立和采用的学习算法。比如服务小区和邻区关系的多因素可以采用神经网络进行权值的训练，也可以基于一定的业务逻辑建立普通的回归模型确定权值。在 AI 节能方案中在流量负荷预测的效果和准确度对于节能效果评价起到关键作用。负荷预测中经常使用到两种方案，一种是基于序列特征的预测方法，包括 Arima、Prophet 等时间序列算法，常用的几种经典的时间序列预测模型的特点如表 1 所示。这类算法基于时间序列本身的特点，通常来说时间序列一般由长期或趋势性变化以及周期性变化等部分组成，将序列分解为周期性、趋势性、随机扰动几部分，从而进行建模和预测。时间序列分解图如图 6 所示，从上面开始第一条曲线为原始流量图，第二条曲线为分解的趋势图，第三条曲线为分解的周期特性图，第四条曲线是分解的随机扰动图。