基于AI大数据的无线基站节能系统的设计与应用

罗鹏举 王彪 闫林 施清启

摘要：为应对2G/3G/4G无线基站在运营商日常运营中高能耗开销及不断上升的电费支出问题，文章提出了一种基于AI大数据技术的无线RAN基站节能系统。该系统旨在针对全网各种场景和不同设备，通过对现有网络配置的深入梳理与调整优化，以及节能功能的智能部署和优化，并对现网站点的建模寻找最优门限值，最后通过AI大数据的持续优化迭代，持续提升节能效益，增强系统的稳定性。在满足用户业务需求的前提下，不断优化无线基站的节能功能，从而显著降低设备功耗，大幅度降低运营商的节能支出。通过实验结果表明，該系统部署到运营商网络中的节能效果十分明显，相比部署该系统之前功耗降幅接近12%，远远高于传统节能手段的增益效果。

关键词：无线基站；AI大数据；用户感知；智能节能系统

doi：10.3969/J.ISSN.1672-7274.2024.03.036

中图分类号：TN 929.5          文献标志码：B           文章编码：1672-7274（2024）03-0-04

0   引言

随着网络建设规模的不断扩大和设备的更新换代日益频繁，众多运营商开始关注点聚焦于设备在运营支出（OPEX）方面的开销。随着网络规模的增长，站点对能耗的需求也在不断上升[1，2]，这为运营商带来巨大的成本压力。如何在确保运营商收益和用户体验不变的前提下[3，4-6]，将设备的能耗需求和OPEX费用降至最低，成为未来网络建设中极具关注价值的课题。本文着重介绍一种基于AI大数据技术的新型无线2G/3G/4G基站节能系统设计，以期能够为未来无线基站的可持续发展提供有益的参考。

1   无线基站节能系统的框架

这套系统设计聚焦于目前无线站点的配置，通过对网络配置调整、节能功能部署等方面的深入分析和调整，结合AI大数据对现有的站点进行迭代优化，持续降低无线基站的能耗开销，从而减轻运营商的财务负担，实现能源的有效利用和节约。

无线基站的节能系统（如图1所示）主要内容包括：站点配置数据分析、配置组网结构优化[7-8]、节能功能部署[9]、节能门限的优化、节能生效分析，最后将节能功能和最优门限通过AI大数据平台以任务形式部署到运营商网络中。

2   AI大数据节能系统实现的思路

2.1 混模场景的配置自动化调整

首先自动化对无线2G/3G/4G基站的RRU的功率配置进行现网站点的配置数据分析，然后根据每个设备上的功率分配进行评估和配置优化。自动化配置调整有以下两个原则。

原则一是静态配置需要尽可能少地使用射频的通道；原则二是采用多制式节能应减少相互影响。以一个现网站点为例，功率配置梳理的结果如表1所示。

以图2来说明原则一。静态配置需要尽可能少地使用射频通道的方法和原理，该站点在900 MHz设备上的配置为每个通道上都有1个20 W的GSM载频（如图2所示）。所以配置优化的目的是将GSM的载频自动调整到单通道上。

多频设备上的配置根据发射通道的不同有不同的设备，设备1上的配置为FDD小区的功率分别是40 W和30 W，且1通道上还有40 W的GSM载频，10 W的GSM载频在4通道上，4通道上还有40 W的UMTS载波。设备2上的配置为FDD小区功率为

40 W和30 W，1通道和2通道上各有一个20 W的GSM载频，3通道和4通道上配置的UMTS载波功率为40 W（如图3所示）。

设备1和设备2这两款设备具有不同的设计机制和原理，所以做节能配置调整的时候需要分别考虑不同的频段在不同的通道上的配置。

按照目前的配置可以将该站点的配置做如下的优化：将GSM上的配置迁移到其中某一个通道上，另外使一个通道上空出来节省Opex，在配置无法调整的情况下，对FDD1和FDD2的小区参数进行调整，调整的目的是为了让LTE的节能更容易生效。

2.2 节能功能的部署及门限优化

针对不同的网络场景，如何有效地使用节能手段，需要制定统一的策略来管理。无线2G/3G/4G基站功耗主要是集中在RRU侧，因此提升RRU的PA效率，通过各种技术手段来降低RRU的功耗，是整个无线基站节能系统的重点。目前实现节能的主要技术手段包括智能符号关断、智能通道关断、智能载波关断和功放调压。

通过自组织网络可以实现如下策略控制：一是基于时间段的策略来控制节能；二是基于系统负荷来控制节能；三是节能小区唤醒条件。

根据目前的节能技术，在现网站点中部署了相关节能功能，针对不同的场景确定不的定标门限，对现网1 000个站点15分钟粒度的DL PRB利用率和节能基站1分钟的PRB利用率做对比分析：当PRB利用率定标为20%时，1分钟的PRB利用率很多采样点的PRB利用率超过了40%，这充分说明了节能基站的判断是基于每30秒的采样速率进行的，而网管统计的指标是基于15分钟的平均值。此外，均值和瞬时值之间存在较大的偏差，因为基站端的判断级别是秒级的，因此在进行PRB门限定标时需要适当提高PRB的瞬时影响，放开PRB利用率的门限，方法是通过RRC平均用户数去判断该小区是否可以进入节能。

PRB的门限确定首先预估小区的节能生效时间。在实验室模拟现网站点小区的节能生效预计时间是12小时，此时对一个的小区负荷最高点是PRB利用率最高值为40%。则设置进入门限为60%，退出门限为40%。

计算公式为

PRB进入门限＝max（节能时间段小区粒度PRB）×1.5

PRB退出门限＝通道关断进入门限—20%

对于载波关断功能，载波关断的门限定标主要是与基础覆盖小区的带宽、用户数、IP Throughput相关，载波关断的关断门限需要保证小区关断时IP Throughput不低于10 Mbps，低于此速率会严重影响用户感知。

在定标RRC用户数和站点的话务模型的关系，RRC用户数与用户的DL IP Throughput体验时，分别通过采用不同的业务模型进行分析，得到最终的门限值。

业务模型举例：设备1 VS设备2平均RRC用户数和payload之间的关系

提取现网设备1的站点数，通过通道关断生效后设备的发射通道从多通道降秩，分析两者在payload上的表象，可以得到当设备1和设备2在同样的RRC时，通道关断策略都时生效的，且两者的payload基本是无差异的。

对比1 800 Mbps的20 Mbps带宽小区和2 100 Mbps的15 Mbps带宽小区，综合分析随着PRB增加，业务量增加，IPThrouput降低，无拐点，4T和2T拐点在RRC等于23左右，所以30个RRC对业务无损，当IP Throuput不低于10 Mbps时，可以确定小区关断和唤醒的RRC。

通过对不同的话务模型进行充分评估，可以得出不同的话务模型评估所得到的RRC的定标门限。对设备1和设备2定标的用户的DL IP Throughput的影响，需要在RRC用户数上得到一个平衡，基于这个原则，可以从建立的话务模型得到一个定标的门限，使RRC平均用户数、PRB利用率、用户的DL IP Throughput三者之间达到一个平衡。基于现网的站点场景，需要区分三种不同的场景：Urban、Sub_Urban、Rural，在这三个场景下，分析设备1和设备2的站点，分别得到一组定标门限。

2.3 AI大数据智能节能全流程

基站侧建议统一门限配置，减少人工配置的复杂度，AI大数据侧建议按业务场景进行拆分：一是通道关断可以针对天线数进行小区任务的拆分；二是载波关断针对不同的负荷区域进行业务拆分，如按城区，郊区和农村场景等。

对于AI大数据智能节能门限的设定有个前置门限，AI大数据智能节能加入了“载波关断/深度休眠/自动启停门限必须小于通道关断”这一限制。如果使用过程中采用“载波关断/深度休眠/自动启停”且开启了“载波关断”，则通道关断的门限的设定值一定要高于“载波关断/深度休眠可调整的门上限”。

AI大数据智能节能的全流程分为数据采集、门限制定、前台配置核查、任务创建和效果统计与KPI分析5个模块。

3   节能门限定标后的验证

根据上文的节能功能部署后的模型定标和最终的门限值，随机选取现网一个cluster共计76个站点作为trial区域进行该门限定标后的验证，通过将该策略部署到基站配置数据上，我们得到了一组部署后的增益和KPI监控结果（如图4所示）。

图4 门限部署后的KPI监控和节能收益

从上述的验证结果可以看到，最后一次调整定标门限后的能耗数据从原始的2015 W降到了1895 W，直接能耗增益为120 W，增益接近6%。

另外从KPI的监控结果可以看出，主要KPI的监控结果都显示正常，RRC用户数、payload、DL PRB利用率、掉话率等都无异常表象。DL IP Throughput在闲时有一定的下降，这主要因为发射通道在闲时出现了降秩，关闭了其中两个通道，所以用户的DL IP Throughput在节能时段出现下降。但是，忙时的DL Throughput没有任何异常。

4   AI大数据智能节能系统的接入

系统首先需要创建节能任务，且该任务是需要设置为基于LTE的自适应节能模式。按照场景创建分组，设置节能（通道、载波关断）等PRB利用率、RRC用户数等上下限、迭代步长等，实现小区的节能策略差异化部署，将其部署到不同的场景下不同的设备上（如图5所示），得到不同的收益。

5   性能分析

根据外场站点分布的位置分别对应Rural、Urban、 Sub-Urban三个场景下的设备1和设备2，将上述对应的各门限定标值部署到AI大数据节能系统上后，系统会根据门限的定标进行自优化和自我迭代，不断地迭代，最终的门限将会趋于设计的定标门限值。部署节能策略后的节能收益和整体KPI的监控结果如图5所示。

图5 AI大数据部署后的整体KPI监控结果

从图5的KPI结果可以明显看出，在针对不同的场景和设备进行AI大数据自适应节能策略的部署后，节能增益达到了近12%，节能效果显著提升。主要的KPI指标方面未出现明显的损失，这表明基于AI大数据的自适应节能策略是一套高度成熟的方案，能够在全网范围内部署并实现节能优化。

6   结束语

通过本文介绍的AI大数据智能节能系统，该系统对运营商网络站点配置梳理，配置优化，节能功能的部署和门限优化，最终通过AI大数据将节能功能和最优门限以不同的任务下发到基站上，我们对基于AI大数据无线基站节能系统进行了测试验证，验证结果表明，该系统能够达到预期的负荷要求。根据各个场景下不同设备的门限值，我们将优化后的方案部署到全网，实现了能耗增益的最大化。KPI结果显示，负荷预期得到满足，没有出现明显的恶化和波动现象。该系统显著降低了网络设备的能耗，大幅提升了节能效益，减少了运营商在能耗方面的开支，为运营商未来的发展指明了方向。这也满足了新一代通信系统的发展需求，对未来通信网络发展具有重要意义。

参考文献

[1] 卜寅，孙宏，周瑜，陶永峰，毛北航，朱天成．基于AI+大数据的4G/5G无线基站智能协同节能系统的研究和应用[J]．邮电设计技术，2023（01）：1-6.

[2] 倪舜锋，罗键英．关于无线基站节能减排技术的研究[J]．通讯世界，2016（24）：61-62.

[3] 周承明．中国移动无线基站节能减排技术应用研究[J]．通讯世界，2018（05）：35.

[4] 赵飞．浅谈无线基站节能减排的有效措施[J]．信息通信，2014（07）：243.

[5] 陳嘉灿．无线基站的节能技术与应用探析[J]．中国新通信，2013，15（16）：48-49.

[6] 丰雷，焦卫平，李勉，高峰．无线基站节能减排技术综述[J]．数据通信，2011（01）：51-54.

[7] 林玉龙．无线基站节能减排技术的应用[J]．广东通信技术，2011，31（04）：28-30.

[8] 刘磊，徐大凯．GSM无线基站节能减排方法综述[J]．邮电设计技术，2010（02）：71-75.

[9] 林擎．无线基站智能节能技术研究[J]．数字技术与应用，2014（07）：59.