0 引言

    隨著5G時(shí)代的到來，設(shè)備連接向海量連接的發(fā)展速度逐步加快，不斷推動(dòng)移動(dòng)數(shù)據(jù)流量的爆發(fā)式增長(zhǎng)。為了滿足未來5G業(yè)務(wù)及數(shù)據(jù)流量的需求，5G需要使用更多的頻譜資源以及更大的系統(tǒng)帶寬。5G基站數(shù)量的成倍增長(zhǎng)，大規(guī)模多輸入多輸出(Massive Multiple Input Multiple Output，Massive MIMO)技術(shù)的引進(jìn)使得5G能耗大幅增加，5G耗電量預(yù)計(jì)將是4G的3~5倍^[1]。為應(yīng)對(duì)全球能源短缺與環(huán)境保護(hù)所面臨的挑戰(zhàn)、響應(yīng)國(guó)家節(jié)能減排號(hào)召、建設(shè)資源節(jié)約型社會(huì)，節(jié)能降耗必然成為通信行業(yè)不可忽視的首要需求,因此針對(duì)基站的節(jié)能技術(shù)研究勢(shì)在必行^[2]。

    在基站能耗中，主設(shè)備功耗占基站功耗的50%以上，而有源天線單元(Active Antenna Unit，AAU)又占到主設(shè)備功耗的80%，因此節(jié)能技術(shù)主要面向于AAU部分。目前，可以通過7 nm、砷化鎵等新工藝以及符號(hào)關(guān)斷等技術(shù)降低功耗。但是，已有的傳統(tǒng)基站節(jié)能技術(shù)屬于通用模型，無法做到實(shí)時(shí)對(duì)網(wǎng)絡(luò)環(huán)境的自適應(yīng)，難以滿足5G網(wǎng)絡(luò)規(guī)?；渴鸬母咝Ч?jié)能需求。而人工智能(Artificial Intelligence，AI)技術(shù)則可以令基站節(jié)能技術(shù)更加智能化，通過AI模型的計(jì)算，可以在保障用戶體驗(yàn)的前提條件下，找到基站節(jié)能的最優(yōu)解，達(dá)到全網(wǎng)運(yùn)行效率最優(yōu)、綜合節(jié)能效率最優(yōu)的節(jié)能目標(biāo)。因此，引入AI智能化節(jié)能技術(shù)的趨勢(shì)不可阻擋。本文將分析傳統(tǒng)的基站節(jié)能技術(shù)，并在這些技術(shù)的基礎(chǔ)上引入AI技術(shù)，從而實(shí)現(xiàn)基站節(jié)能自動(dòng)化，達(dá)到更好的節(jié)能效果。

1 傳統(tǒng)的基站節(jié)能技術(shù)

    傳統(tǒng)的基站節(jié)能技術(shù)主要有兩種方案：硬件節(jié)能和軟件節(jié)能。硬件節(jié)能旨在降低基站的基礎(chǔ)功耗，軟件節(jié)能以業(yè)務(wù)運(yùn)營(yíng)為出發(fā)點(diǎn)，系統(tǒng)對(duì)硬件資源進(jìn)行合理調(diào)配，從而使得基站設(shè)備更高效運(yùn)行^[3]。

1.1 基站硬件節(jié)能

    基站硬件節(jié)能方案主要通過優(yōu)化設(shè)備硬件設(shè)計(jì)、改進(jìn)設(shè)備的集成度和生產(chǎn)工藝等手段來降低基站的基礎(chǔ)功耗和提高基站設(shè)備的能源利用率。目前，基站硬件節(jié)能方案主要考慮以下幾個(gè)方面：

    (1)加快半導(dǎo)體新工藝的使用，例如：最新的7 nm工藝，以此優(yōu)化集成電路(Integrated Circuit，IC)設(shè)計(jì)，能夠達(dá)到大幅提高5G系統(tǒng)性能和進(jìn)一步降低基站設(shè)備功耗的目標(biāo)。

    (2)在保證系統(tǒng)性能的情況下提高AAU硬件系統(tǒng)的集成度，特別是基帶處理單元(Building Base band Unite，BBU)、數(shù)字中頻模塊和功放射頻鏈路等關(guān)鍵器件。同時(shí)，加快專用集成電路(Application Specific Integrated Circuit，ASIC)的研發(fā)進(jìn)程，從而提高設(shè)備的集成度以降低基站功耗。

    (3)加快與5G基站節(jié)能相關(guān)的新材料、新工藝的技術(shù)創(chuàng)新和產(chǎn)品應(yīng)用，例如：半導(dǎo)體新襯底材料GaN的使用將不斷優(yōu)化AAU設(shè)備的功放效率。

    降低硬件功耗是5G基站節(jié)能的關(guān)鍵指標(biāo)之一，但當(dāng)前硬件設(shè)計(jì)技術(shù)并不是很成熟，仍需要一段時(shí)間去探索。

1.2 基站軟件節(jié)能

    軟件節(jié)能技術(shù)根據(jù)通信業(yè)務(wù)特征以及網(wǎng)絡(luò)負(fù)荷的變化，在保證性能不受損的前提下，通過調(diào)整基站軟件配置對(duì)硬件資源進(jìn)行合理調(diào)配，從而達(dá)到基站節(jié)能減耗的目的^[4]。目前，主要的基站軟件節(jié)能方案如下：

    (1)符號(hào)關(guān)斷

    符號(hào)關(guān)斷是在網(wǎng)絡(luò)負(fù)荷較低時(shí)，通過在無業(yè)務(wù)數(shù)據(jù)和系統(tǒng)消息塊(SystemInformation Blocks，SIB)的空閑正常下行子幀的下行符號(hào)(無導(dǎo)頻、物理下行控制信道(Physical Downlink Control Channel，PDCCH)、輔同步信號(hào)、物理廣播信道)上，以及無業(yè)務(wù)數(shù)據(jù)的特殊子幀的下行符號(hào)(無導(dǎo)頻、PDCCH、主同步信號(hào))上，關(guān)閉射頻部分中功放模塊的發(fā)射功率來實(shí)現(xiàn)節(jié)能的目的，具體如圖1所示。

    該方案適用于時(shí)延不敏感的場(chǎng)景，基站能根據(jù)業(yè)務(wù)量的變化，數(shù)據(jù)鏈路層實(shí)現(xiàn)集中調(diào)度(集中調(diào)度會(huì)導(dǎo)致時(shí)延有少許增加)，AAU判斷子幀是否有數(shù)據(jù)發(fā)送，無數(shù)據(jù)發(fā)送時(shí)，關(guān)斷射頻通道。對(duì)于必要的控制信道和信號(hào)，基站仍保持原有的發(fā)射周期和功率。從而，當(dāng)基站業(yè)務(wù)量恢復(fù)到正常時(shí)，符號(hào)關(guān)斷功能終止，功放模塊能夠立即進(jìn)入工作狀態(tài)，保證了5G網(wǎng)絡(luò)性能不受影響。

    (2)通道關(guān)斷

    5G標(biāo)準(zhǔn)引入了大規(guī)模多輸入多輸出(Massive MIMO)技術(shù)，故而可以在夜間業(yè)務(wù)閑時(shí)場(chǎng)景考慮關(guān)閉部分射頻通道來達(dá)到基站節(jié)能效果。具體地說，通道關(guān)斷開關(guān)打開，在設(shè)置的節(jié)能時(shí)間段內(nèi)監(jiān)測(cè)當(dāng)前上行/下行資源塊(Resource Block，RB)利用率，如果滿足條件，觸發(fā)執(zhí)行通道關(guān)斷操作，參數(shù)控制選擇關(guān)閉通道的策略。當(dāng)不滿足條件或到達(dá)節(jié)能結(jié)束時(shí)間時(shí)退出通道節(jié)能狀態(tài)。

    該方案適用于夜間低負(fù)荷場(chǎng)景，并且小區(qū)遠(yuǎn)點(diǎn)用戶很少的情況下。此外，基站實(shí)施通道關(guān)斷時(shí)，一方面需要考慮發(fā)射功率的降低對(duì)網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)(Key Performance Indicators，KPI)的影響，另一方面還需要考慮上行接受性能以避免誤估業(yè)務(wù)負(fù)荷的情況。因此，可以分開考慮上下行通斷關(guān)斷功能，以達(dá)到更好的5G性能。

    (3)載波關(guān)斷

    針對(duì)雙載波或多載波同覆蓋的組網(wǎng)場(chǎng)景，在網(wǎng)絡(luò)較閑、小區(qū)業(yè)務(wù)量較低的情況下，可以通過載波關(guān)斷技術(shù)實(shí)現(xiàn)基站節(jié)能目標(biāo)。具體地說，一個(gè)載波配置為覆蓋小區(qū)，其他載波為容量小區(qū)，這些小區(qū)形成一個(gè)同覆蓋小區(qū)組。當(dāng)同覆蓋小區(qū)組的RB占用率小于載波關(guān)斷門限并滿足遲滯時(shí)間后，通過負(fù)載均衡機(jī)制觸發(fā)用戶從容量小區(qū)切換到覆蓋小區(qū)，然后關(guān)斷容量小區(qū)的載波。當(dāng)同覆蓋小區(qū)組的RB占用率回升，大于載波開啟門限并滿足遲滯時(shí)間后，開啟容量小區(qū)的載波，并啟動(dòng)負(fù)載均衡機(jī)制，使得容量小區(qū)和覆蓋小區(qū)的負(fù)荷恢復(fù)到節(jié)能前的水平。這樣可以在閑時(shí)階段減少天線發(fā)射功率，從而達(dá)到基站節(jié)能的目的，具體如圖2所示。

    (4)深度休眠

    深度休眠功能主要用于室內(nèi)覆蓋分布式皮站(Pico Radio Remote Unit，pRRU)，特別是商場(chǎng)、地鐵等典型潮汐場(chǎng)景。在業(yè)務(wù)空閑時(shí)，pRRU設(shè)備進(jìn)入深度休眠模式，數(shù)字器件大部分功能關(guān)閉不再提供服務(wù)，或者直接下電，當(dāng)業(yè)務(wù)量增加并超過預(yù)定門限，則通過 BBU 設(shè)備激活pRRU設(shè)備，靈活實(shí)現(xiàn)基站設(shè)備節(jié)能功能。具體地說，設(shè)定深度休眠的啟動(dòng)時(shí)間和停止時(shí)間，以及檢測(cè)周期(如15 min)，檢測(cè)是否有終端駐留和發(fā)起業(yè)務(wù)。如果到達(dá)節(jié)能啟動(dòng)時(shí)間，pRRU下無業(yè)務(wù)且無終端駐留，則啟動(dòng)深度休眠(pRRU掉電或低功率運(yùn)行)；如果有業(yè)務(wù)或有終端駐留，則下一個(gè)周期再執(zhí)行檢測(cè)；如果到達(dá)節(jié)能停止時(shí)間點(diǎn)，則BBU觸發(fā)pRRU恢復(fù)到正常工作狀態(tài)。

    目前，上述4種關(guān)斷技術(shù)是最普遍的基站節(jié)能技術(shù)，能夠起到一定的節(jié)能作用，但是存在節(jié)能效果有限、自動(dòng)化程度低等問題，需要進(jìn)一步克服。

2 基于AI的基站節(jié)能技術(shù)

    傳統(tǒng)的節(jié)能技術(shù)主要還是依賴簡(jiǎn)單的模型或人工設(shè)定好的門限來決定開關(guān)與否，其參數(shù)設(shè)置相對(duì)保守，導(dǎo)致節(jié)能效果有限。所有參數(shù)都是由基站統(tǒng)一設(shè)置，并不能很好地適應(yīng)如今復(fù)雜多變的環(huán)境，無法解決不同環(huán)境下各基站節(jié)能策略的獨(dú)立選擇性問題，難以在用戶體驗(yàn)和節(jié)能效果間達(dá)到平衡。利用AI技術(shù)，通過歷史數(shù)據(jù)學(xué)習(xí)構(gòu)建模型，同時(shí)引入實(shí)時(shí)數(shù)據(jù)不斷訓(xùn)練修正模型，進(jìn)而能夠在當(dāng)前環(huán)境下進(jìn)行節(jié)能場(chǎng)景的識(shí)別、負(fù)荷的智能預(yù)測(cè)、節(jié)能策略的智能推薦，在保證用戶體驗(yàn)的條件下，基站能達(dá)到智慧節(jié)能的效果。下面介紹分析了幾種基于AI的基站節(jié)能技術(shù)。

2.1 基站節(jié)能的AI模型

2.1.1 節(jié)能場(chǎng)景識(shí)別

    對(duì)于基站來講，應(yīng)針對(duì)不同的場(chǎng)景選取不同的節(jié)能策略。利用AI技術(shù)可以使基站自主識(shí)別所處場(chǎng)景，從而選擇合適的節(jié)能策略，無需人工干預(yù)。

    模型主要是根據(jù)基站本身的歷史信息，如無限資源利用率、環(huán)境天氣情況、流量人數(shù)以及各時(shí)段基站負(fù)載等，使用AI中的相關(guān)性和聚類模型，確立幾種典型的基站節(jié)能場(chǎng)景，以便采取不同的節(jié)能策略。當(dāng)新加入基站或者基站周圍場(chǎng)景變化時(shí)，可根據(jù)模型自動(dòng)判別所處場(chǎng)景，采取相應(yīng)的節(jié)能策略，從而達(dá)到智慧節(jié)能。

    根據(jù)節(jié)能場(chǎng)景識(shí)別模型，基站可以依據(jù)業(yè)務(wù)使用量的潮汐情況，適配各個(gè)場(chǎng)景。例如：當(dāng)模型識(shí)別某場(chǎng)景白天晚間流量很大，但夜間無流量，且周末相比工作日流量增大，模型可能將該場(chǎng)景識(shí)別為商場(chǎng)。從而，基站可以針對(duì)該場(chǎng)景采取深度休眠甚至基站關(guān)閉的節(jié)能策略。

2.1.2 業(yè)務(wù)流量預(yù)測(cè)

    對(duì)于基站節(jié)能來說，如果能提前預(yù)知未來的業(yè)務(wù)流量走勢(shì)，就能提前采取相應(yīng)的措施^[5]。具體地說，如果預(yù)測(cè)出未來業(yè)務(wù)流量加大，則需適當(dāng)關(guān)閉一些節(jié)能手段，提升業(yè)務(wù)負(fù)載性能，保障用戶體驗(yàn)；如果預(yù)測(cè)出未來業(yè)務(wù)流量變小，則可以采取開啟部分節(jié)能功能，以達(dá)到提前節(jié)能的效果。相比于傳統(tǒng)的根據(jù)實(shí)時(shí)數(shù)據(jù)進(jìn)行節(jié)能策略配置的方法，該技術(shù)能有更長(zhǎng)的節(jié)能時(shí)間。因此，業(yè)務(wù)流量預(yù)測(cè)模型可以在保障用戶體驗(yàn)的前提下獲取更多的能耗節(jié)約。具體模型搭建步驟如下：

    (1)業(yè)務(wù)流量模型根據(jù)歷史的KPI值、其他相關(guān)小區(qū)信息以及環(huán)境因素等特征，利用神經(jīng)網(wǎng)絡(luò)找出這些特征值和業(yè)務(wù)模型的映射關(guān)系，確定權(quán)重矩陣和偏執(zhí)矩陣，構(gòu)建業(yè)務(wù)流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)。

    (2)將實(shí)時(shí)的KPI項(xiàng)、其他相關(guān)小區(qū)的信息等數(shù)據(jù)輸入到業(yè)務(wù)流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中，即可得到本小區(qū)未來業(yè)務(wù)流量的預(yù)測(cè)值。

    (3)將真實(shí)的業(yè)務(wù)流量值作為反饋項(xiàng)反向傳遞給神經(jīng)網(wǎng)絡(luò)，用以修正神經(jīng)網(wǎng)絡(luò)，使其后續(xù)預(yù)測(cè)更加準(zhǔn)確，模型如圖3所示。

2.1.3 節(jié)能策略推薦

    傳統(tǒng)的節(jié)能策略只能根據(jù)閾值選擇，而各策略之間并沒有進(jìn)行相互的關(guān)聯(lián)與協(xié)作，基于AI的策略選擇模型則可以結(jié)合上述幾種模型的預(yù)測(cè)結(jié)果，進(jìn)行最優(yōu)節(jié)能策略的推薦。節(jié)能策略推薦模型使用的AI技術(shù)是強(qiáng)化學(xué)習(xí)，具體來說，根據(jù)不同條件，基站初步選擇相應(yīng)策略后，系統(tǒng)會(huì)將反饋數(shù)據(jù)輸入獎(jiǎng)勵(lì)函數(shù)R中，計(jì)算得出一個(gè)獎(jiǎng)勵(lì)值，經(jīng)過多次迭代累加，能夠得到該策略的獎(jiǎng)勵(lì)Q值，從而根據(jù)Q值的大小比較進(jìn)行最優(yōu)策略的推薦。

    整體流程如圖4所示，小區(qū)信息、節(jié)能場(chǎng)景識(shí)別以及業(yè)務(wù)流量預(yù)測(cè)結(jié)果作為模型輸入值，經(jīng)由智能啟閉模型以及場(chǎng)景策略模型，得到最佳推薦節(jié)能策略，將其應(yīng)用于基站?；矩?fù)荷，用戶感知數(shù)據(jù)以及節(jié)約能耗數(shù)作為負(fù)反饋項(xiàng)，從而達(dá)到對(duì)模型的進(jìn)一步強(qiáng)化。

2.2 基于AI的基站協(xié)同節(jié)能技術(shù)

    上述AI技術(shù)僅考慮了獨(dú)立基站的自動(dòng)化節(jié)能方法，實(shí)際現(xiàn)網(wǎng)中則需考慮到基站之間協(xié)同工作的問題，使節(jié)能技術(shù)的實(shí)現(xiàn)變得更加復(fù)雜。本小節(jié)將介紹考慮基站協(xié)同工作下的節(jié)能技術(shù)，包括基于空間合作關(guān)系的基站節(jié)能以及4G/5G基站協(xié)同節(jié)能^[6]。

    首先介紹基于空間合作關(guān)系基站的節(jié)能，最基礎(chǔ)的方法是將相鄰基站的歷史信息加入到上述介紹的AI模型中，進(jìn)行聯(lián)合模型預(yù)測(cè)，使得預(yù)測(cè)結(jié)果更精準(zhǔn)。其代表的方法有基于相鄰小區(qū)流量信息的基站流量預(yù)測(cè)，該方法可以提高流量預(yù)測(cè)的準(zhǔn)確性。然而此方法的問題在于可能不僅僅是相鄰基站，距離較遠(yuǎn)的基站也可能因?yàn)槿肆饕苿?dòng)等原因而與當(dāng)前基站產(chǎn)生關(guān)聯(lián)，如果將更多的基站加入預(yù)測(cè)模型，會(huì)使模型計(jì)算復(fù)雜度大幅上升。因此，可以先對(duì)基站進(jìn)行格蘭杰因果關(guān)系檢測(cè)，得到強(qiáng)因果關(guān)系的合作基站，再將這些合作基站數(shù)據(jù)輸入到AI模型中進(jìn)行建模^[7]。這樣在大幅減少運(yùn)算量的情況下，能夠有效地提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

    4G/5G基站協(xié)同節(jié)能主要是基于測(cè)量報(bào)告(Measurement Report，MR)的站間共覆蓋智能判斷，基于多頻多網(wǎng)協(xié)同節(jié)能以及網(wǎng)絡(luò)AI節(jié)能等多重舉措，達(dá)到多網(wǎng)協(xié)同節(jié)能。如果能在不影響用戶體驗(yàn)的情況下將5G網(wǎng)下業(yè)務(wù)性能需求只有4G的業(yè)務(wù)遷移至4G，即可達(dá)到節(jié)能的效果，但何時(shí)切換需要AI模型進(jìn)行預(yù)測(cè)。此外多重網(wǎng)絡(luò)覆蓋下載波關(guān)斷技術(shù)也需要AI模型進(jìn)行評(píng)估計(jì)算何時(shí)使用關(guān)斷。

    用AI做基站協(xié)同節(jié)能，另一個(gè)好處是可以進(jìn)行全網(wǎng)的性能評(píng)估，防止每個(gè)基站因自我的最優(yōu)策略都開啟節(jié)能功能，從而導(dǎo)致全網(wǎng)的性能下降和用戶的體驗(yàn)受損。目前此技術(shù)的難點(diǎn)在于：(1)基礎(chǔ)AI節(jié)能模型目前還處于試驗(yàn)階段，需等基礎(chǔ)節(jié)能模型成熟再開始搭建AI基站協(xié)同節(jié)能；(2)若協(xié)同的基站為不同廠家，各自基站設(shè)備的能耗性能不同，傳統(tǒng)節(jié)能手段也不盡相同，需要AI節(jié)能模型大規(guī)模學(xué)習(xí)各廠家基站節(jié)能手段。因此基于AI的基站協(xié)同節(jié)能技術(shù)能夠?qū)崿F(xiàn)很好的節(jié)能成效，但仍需很長(zhǎng)時(shí)間去探索。

3 結(jié)論

    5G已在路上，基站功耗問題將成為5G網(wǎng)絡(luò)部署的“攔路虎”，本文在傳統(tǒng)基站節(jié)能基礎(chǔ)上，進(jìn)一步提出基于AI的基站節(jié)能新技術(shù)，利用AI算法對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練，找出規(guī)律，提出節(jié)能模型，實(shí)現(xiàn)業(yè)務(wù)場(chǎng)景識(shí)別、業(yè)務(wù)流量預(yù)測(cè)、多種模型策略推薦以及4G/5G基站協(xié)同等，在保證不影響網(wǎng)絡(luò)性能指標(biāo)KPI前提下，實(shí)現(xiàn)了5G基站能耗自動(dòng)化、智能化管理，提高了5G無線網(wǎng)絡(luò)能效，降低了5G網(wǎng)絡(luò)OPEX，為5G網(wǎng)絡(luò)部署與運(yùn)營(yíng)保駕護(hù)航。

參考文獻(xiàn)

[1] 陳龍泉，王歡.基于基站機(jī)房的能耗數(shù)據(jù)采集與分析[J].計(jì)測(cè)技術(shù)，2016，36(4)：5-10.

[2] 劉思怡.綠色無線移動(dòng)通信技術(shù)的創(chuàng)新思考[J].科學(xué)技術(shù)創(chuàng)新，2017(33)：100-101.

[3] 中國(guó)聯(lián)通.5G智能節(jié)能技術(shù)白皮書[EB/OL].(2019-06-xx)[2019-08-12].https://club.mscbsc.com/t703024p1.html.

[4] 余丹娟.通信移動(dòng)基站節(jié)能技術(shù)介紹與研究[J].電腦與電信，2016(7)：59-60.

[5] 胡錚，袁浩，朱新寧.面向5G需求的人群流量預(yù)測(cè)模型研究[J].通信學(xué)報(bào)，2019，40(2)：5-14.

[6] 劉嬌.面向5G超密集網(wǎng)絡(luò)基站協(xié)同節(jié)能關(guān)鍵技術(shù)研究[D].北京：北京交通大學(xué)，2018.

[7] 彭鐸，周建國(guó)，羿舒文，等.基于空間合作關(guān)系的基站流量預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2019，39(1)：154-159.

作者信息:

張志榮，許曉航，朱雪田，夏  旭

(中國(guó)電信股份有限公司智能網(wǎng)絡(luò)與終端研究院，北京102209)