5G基站節(jié)能策略*

薛龍來，夏偉，李軻，劉明勇

（1.河南省信息咨詢設計研究有限公司，河南 鄭州 450000；2.中國聯(lián)合網(wǎng)絡通信有限公司洛陽分公司，河南 洛陽 471000）

0 引言

通信網(wǎng)絡節(jié)能方案可以劃分為基站設備節(jié)能方案和網(wǎng)絡級節(jié)能方案?；驹O備節(jié)能方案主要考慮從設備硬件、軟件特性等方面優(yōu)化設備能耗，而網(wǎng)絡級節(jié)能方案考慮多制式網(wǎng)絡之間協(xié)作實現(xiàn)全網(wǎng)能耗最優(yōu)的效果?；驹O備節(jié)能方案主要有兩種節(jié)能方式，即硬件節(jié)能方案和軟件節(jié)能，硬件節(jié)能通過優(yōu)化設備硬件設計、提高關鍵芯片的性能與集成度來降低基站設備的基礎功耗，它對工藝要求更高，如7 nm/5 nm 技術[1]。軟件節(jié)能從業(yè)務運營角度出發(fā)對硬件資源進行合理調(diào)配，讓基站設備更高效運行。

軟件節(jié)能通常包括符號關斷、通道關斷、載波關斷、小區(qū)關斷/ 深度休眠。網(wǎng)絡級節(jié)能包括多制式網(wǎng)絡之間協(xié)作以及提高前期規(guī)劃設計水平，打造宏微協(xié)同、室內(nèi)外結合的立體異構網(wǎng)絡。

通信業(yè)務一般具有較明顯的業(yè)務特征，例如，按時間段分為業(yè)務忙和業(yè)務閑時，軟件節(jié)能技術可根據(jù)業(yè)務在時間上的分布特征，以及網(wǎng)絡負荷的變化，在保證預定指標的前提下，通過調(diào)整基站軟件功能配置對硬件資源進行合理調(diào)配，從而達到節(jié)約基站能耗的目的。

對于基站來講，應針對不同的場景選取不同的節(jié)能策略。根據(jù)節(jié)能場景識別模型及網(wǎng)格化業(yè)務量預測，基站可以針對不同的節(jié)能場景采取不同的軟件節(jié)能策略，最大限度地節(jié)能降耗。

兩步聚類模型是一種分層聚類算法（Herarchical Algorithms），其算法適合任何尺度的變量。兩步聚類分析主要是利用距離測度假設聚類模型的變量均為自變量，即假設連續(xù)型變量為正態(tài)分布，分類變量為多項式，使用經(jīng)驗內(nèi)部檢驗方法穩(wěn)定自變量假設及分布假設的干擾。兩步聚類分析可以產(chǎn)生不同的聚類判別信息、最終聚類的聚類頻數(shù)和描述性統(tǒng)計量，而且可以產(chǎn)生聚類頻數(shù)的條形圖和變量的重要性圖。其有以下幾個特點：一是可以處理分類變量和連續(xù)型變量，二是自動選擇聚類數(shù)，三是有效地分析大樣本數(shù)據(jù)。

兩步聚類算法通過預聚類和聚類兩個步驟完成。預聚類（pre-clustering）階段。采用了BIRCH（Balanced Iterative Reducing and Clustering using Hierarchies）算法中CF（Clustering Feature Tree）樹生長的思想，逐個讀取數(shù)據(jù)集中數(shù)據(jù)點，在生成CF 樹的同時，預先聚類密集區(qū)域的數(shù)據(jù)點，形成諸多的小的子簇（sub-cluster）。

聚類（clustering）階段。以預聚類階段的結果子簇為對象，在得到CF 樹之后，通過繼續(xù)使用對數(shù)似然距離度量方法，根據(jù)距離最小原則將預處理的聚類進行合并，從而得到數(shù)量合適的聚類集合。

由此考慮通信業(yè)務的時間、空間特征，提取網(wǎng)絡KPI，將具有相似業(yè)務特征的基站小區(qū)聚為一類，再根據(jù)其覆蓋場景、網(wǎng)絡負荷預測變化情況、網(wǎng)絡結構、共站情況、載波配置情況等作為前置條件，選擇合適的節(jié)能策略。本文充分分析基站基礎數(shù)據(jù)及網(wǎng)絡KIP 數(shù)據(jù)，結合基站小區(qū)覆蓋場景，提出了將節(jié)能場景識別、網(wǎng)格化基站小區(qū)流量預測和三個節(jié)能策略判決條件相結合的5G 基站節(jié)能策略。

1 5G基站節(jié)能場景分析

1.1 業(yè)務理解

通信業(yè)務存在明顯的潮汐效應，不同時段網(wǎng)絡負荷波動很大，而大部分基站設備均為24 小時不間斷運行狀態(tài)，無法根據(jù)網(wǎng)絡負荷和覆蓋目標場景進行智能節(jié)能，從而增加能耗成本。通過收集歷史時間空間數(shù)據(jù)，分析PRB 資源利用率等KPI 的變化規(guī)律，利用聚類算法對覆蓋小區(qū)的網(wǎng)絡KPI進行分析和評估，根據(jù)運營商策略與覆蓋場景，給出恰當?shù)墓?jié)能策略（如小區(qū)關斷/深度休眠時間等），從而在保障網(wǎng)絡性能的同時，降低基站能耗，減少運行成本[2]。

對某一批基站小區(qū)，提取一段時間內(nèi)24 小時的某些特定業(yè)務指標，對數(shù)據(jù)進行預處理，并按照凌晨00～07 點，白天08～19 點，夜晚20～23 點三個時間段切分。采用兩步聚類法，分別對上述時間段的數(shù)據(jù)聚類得到具體的聚類結果，并對三個時間段所聚類的每種類型與每個基站小區(qū)做出映射關系，以三個時間段所有聚類分類組合為對象求出其所對應的集合Set，Set 中元素個數(shù)即為聚類組合個數(shù)N。

1.2 數(shù)據(jù)準備

（1）設備信息

基站小區(qū)基礎信息：室分/ 宏站、小區(qū)標識、統(tǒng)計時間、頻段、經(jīng)度、緯度。

（2）網(wǎng)絡層數(shù)據(jù)

上行PRB 平均利用率、上行PRB 利用率最大值、下行PRB 平均利用率、下行PRB 利用率最大值。

（3）業(yè)務層數(shù)據(jù)

空口上行業(yè)務流量、空口下行業(yè)務流量、RRC 連接最大數(shù)、RRC 連接平均數(shù)。

（4）用戶感知數(shù)據(jù)

RRC 連接建立成功率、E-RAB 建立成功率。

1.3 數(shù)據(jù)預處理

（1）數(shù)據(jù)集成與轉換

將相似屬性字段進行取舍，選取代表性的字段。由于不同指標單位和量級不一樣，導致聚類結果不合理，在聚類前采用0-1 標準化對數(shù)據(jù)進行標準化處理，轉換公式如下：。

（2）數(shù)據(jù)清洗

采用數(shù)據(jù)審核節(jié)點對數(shù)據(jù)的完整性進行檢查，刪除數(shù)據(jù)中存在字段信息的錯誤值或無效值，并采用分類回歸樹（C&RT）算法對空值進行缺失值差補。

1.4 數(shù)據(jù)建模

數(shù)據(jù)預處理后的信息如表1 所示。接著分別對凌晨時段、白天時段、夜晚時段等三個時間段所屬的數(shù)據(jù)進行兩步聚類。首先進行預聚類，得到聚類數(shù)目的一個粗略估計值J。接著在預聚類基礎上進行聚類，確定J的最終值。將三個時間段得到的J的最終值J1、J2、J3，與每個小區(qū)相對應，對三個聚類結果合并去重，并將三個時間段聚類分類進行組合，輸出聚類結果。如表2 所示，凌晨聚類-4 表示為凌晨時間段第四種分類。

表1 處理后的網(wǎng)絡KPI數(shù)據(jù)示例

表2 聚類結果及聚類組合示例

1.5 聚類結果分析

對某一批基站小區(qū)數(shù)量為S的聚類結果分析如表3所示。輪廓系數(shù)通常作為聚類質(zhì)量好壞的評估指標，輪廓系數(shù)的取值區(qū)間為[-1,1]。-1 代表分類效果差，1 代表分類效果好。0 代表聚類重疊，沒有很好地劃分聚類?？梢钥吹皆搩刹骄垲惖妮喞禂?shù)為0.6、0.8，說明聚類質(zhì)量較高，結果較為理想。

表3 聚類結果分析示例

根據(jù)對聚類輸入?yún)?shù)變量重要性的預測結果，選出最能反映出基站小區(qū)“繁忙程度”的分時段RRC 連接平均數(shù)、空口下行業(yè)務流量、下行PRB 平均利用率三項指標，通過以下原則判斷該小區(qū)是否為節(jié)能場景。

具體思路是，對于按照三個時間段切分的網(wǎng)絡KIP 數(shù)據(jù)，假設在三個時間段下等到的聚類個數(shù)結果分別是J1，J2，J3。分別在J1，J2，J3下，求出每個聚類分類的三項指標均值，通過歸一化處理，并采用熵權法，得到每個聚類分類下三項指標的值，若該值大于0.5 定義為“高”，否則定義為“低”。則對于某一聚類組合Jx1/Jx2/Jx3，若存在高低不同的情況，則該聚類組合即為節(jié)能場景聚類組合。

（1）采用0-1 標準化對以上三個字段數(shù)據(jù)分時段進行歸一化處理，處理方法如式(1)、式(2)：

例如在某時間段下第i個聚類分類的第j個指標是xij，歸一化后為x'ij。若指標為正向指標，則選用式(1)，若指標為負向指標，則選用式(2)。接著對上述分時段的三個指標，采用熵權法計算各指標的權重。

1）由如下信息熵公式計算三項指標各自的信息熵：

其中，第i個聚類分類的第j個指標的比重，定義如果pij=0，則。

2）計算第j個指標的權重如式(4)：

（2）對數(shù)量為S的基站小區(qū)，如表2 所示的每個小區(qū)對應的聚類組合，即小區(qū)與聚類組合之間的映射，以所有聚類組合為對象求出其所對應的集合Set。

（3）以Set 內(nèi)每種聚類組合為對象，求出三個時間段下每種聚類的三項指標均值ERRC連接平均數(shù)、E′空口下行業(yè)務流量、E下行PRB平均利用率，并將其歸一化處理，分別記為E′RRC連接平均數(shù)、E′空口下行業(yè)務流量、E′下行PRB平均利用率。

（4）在上述三個時間段下，分別將E′RRC連接平均數(shù)、E′空口下行業(yè)務流量、E′下行PRB平均利用率乘以相對應的Wj，按式(5)求出該時段下綜合歸一化值Z：

（5）分別對凌晨、白天、夜晚三個時段按照其Z值的大小進行判斷，大于0.5 判斷為“高”值，否則為“低”值。

（6）最后進行節(jié)能場景判斷，將凌晨、白天、夜晚三個時段的Z值全為“低”的定義為低效能小區(qū)；Z值全為“高”的定義為高效能小區(qū)；其它的各種組合形式均為存在節(jié)能場景的基站小區(qū)，如表4 所示。

表4 節(jié)能場景分析示例

（7）對于存在節(jié)能場景的基站小區(qū)，定義節(jié)能時段的節(jié)能指數(shù)，其值取值范圍在[0,1]之間，值越大代表其在該時段內(nèi)此基站小區(qū)優(yōu)先選取合適的節(jié)能策略進行節(jié)能，節(jié)能指數(shù)的計算方法是分時段提取分析小區(qū)級該時段內(nèi)RRC 連接平均數(shù)、空口下行業(yè)務流量、下行PRB 平均利用率，求出上述三項指標的小時均值，同時對該三項指標按照歸一化處理，公式為，其中。對數(shù)量為S的基站小區(qū)，經(jīng)過上述處理后的結果如表5 所示。

表5 節(jié)能指數(shù)分析示例

2 網(wǎng)格化基站小區(qū)流量預測

本文基于移動數(shù)據(jù)流量居住區(qū)和工作區(qū)的空間遷移特性，以及流量時間分布上基于時間段的分布特性，通過基站在不同時段的歷史流量負載數(shù)據(jù)預測未來某段時間流量負載[3]。每個網(wǎng)格處的流量由式(6) 給出[4]：

按照上述方法，結合基站扇區(qū)方位角等參數(shù)，進而得到單扇區(qū)i的覆蓋區(qū)域，通過該區(qū)域內(nèi)包含網(wǎng)格數(shù)量多少可以計算扇區(qū)i下一天12 個時段內(nèi)扇區(qū)i覆蓋區(qū)域的流量Li，以上即完成數(shù)學模型搭建。該方法計算復雜度較小，基于歷史數(shù)據(jù)預測未來時段流量負載，與實際流量負載的空間分布一致，可通過編寫程序即可完成。

以某一大型商業(yè)批發(fā)市場為例，如圖1 所示，基站1主覆蓋該區(qū)域，為便于分析，將該區(qū)域劃分為50×50 m 精度網(wǎng)格，通過上述流量預測算法，得到不同時段的流量地圖，圖中顏色越靠近紅色表示流量負載越大，越靠近藍色表示流量負載越小。可見在凌晨2～4 點兩個小時內(nèi)，該區(qū)域流量值較低，流量僅為2.3 GB/h；在白天7～9 點兩個小時內(nèi)，商戶陸續(xù)開門營業(yè)，人流量逐漸增大，流量持續(xù)上升，為9.2 GB/h；而在白天9～11 點兩個小時內(nèi)，人流量持續(xù)增大，流量繼續(xù)上升，達到16.6 GB/h。這些流量地圖清晰地反映了移動數(shù)據(jù)流量在時間和空間上的變化。

圖1 網(wǎng)格化流量預測示例

3 節(jié)能場景的節(jié)能策略推薦

本文所涉及的節(jié)能策略主要包括符號關斷、通道關斷、載波關斷、小區(qū)關斷/深度休眠。

根據(jù)上述計算得到的節(jié)能場景聚類結果及小區(qū)節(jié)能指數(shù)，將節(jié)能小區(qū)與現(xiàn)網(wǎng)小區(qū)覆蓋場景進行關聯(lián)，實現(xiàn)更詳細的業(yè)務場景劃分。如地鐵、高鐵車站、5A 級景區(qū)、三甲及以上醫(yī)院、高校校園等。同時針對重要場景設定白名單機制，如重要機關單位、VIP、重要大客戶等，申請建立黑白名單機制，針對黑名單小區(qū)采取謹慎操作的策略[6]。具體來說，結合基站所覆蓋區(qū)域的場景屬性關聯(lián)匹配相應的節(jié)能方案，下面對一些重點區(qū)域的節(jié)能場景策略說明如下：

（1）交通樞紐

高鐵車站，是口碑型場景，一般為室分覆蓋，可進行符號關斷，夜晚用戶較少時容量層可進行載波關斷，凌晨無列車運行，車站一般關閉，無用戶時可開啟小區(qū)關斷/深度休眠。

（2）商業(yè)購物區(qū)

大型商業(yè)購物區(qū)，是口碑型場景，一般為室分覆蓋，可進行符號關斷，不宜開啟通道關斷。該類場景潮汐效應明顯，夜晚用戶較少時容量層可進行載波關斷，凌晨無用戶時可開啟小區(qū)關斷/深度休眠。

（3）學校校園

高校多為多層網(wǎng)，存在室外宏站覆蓋和室分覆蓋，在教學樓和宿舍之間存在潮汐效應?？蛇M行符號關斷和通道關斷，夜間宿舍里用戶較多，可進行載波關斷或調(diào)整小區(qū)關斷時間，對于教學樓可凌晨可開啟小區(qū)關斷/深度休眠。

（4）地鐵

地鐵是口碑型場景，白天可進行符號關斷和通道關斷，凌晨地鐵無運營期間可對所有地鐵小區(qū)開啟小區(qū)關斷/深度休眠。

對于白名單基站小區(qū)不進行任何節(jié)能操作，否則進一步判斷節(jié)能場景的推薦策略是否包含載波關斷或者小區(qū)關斷/深度休眠，若不包含則按照覆蓋場景匹配的節(jié)能策略執(zhí)行。若包含則對該基站小區(qū)進行網(wǎng)格化流量預測，再結合節(jié)能場景的節(jié)能時段（凌晨、白天、夜晚）確定具體的節(jié)能時間，節(jié)能時間與流量預測的時間顆粒度相同均為2 小時。

4 節(jié)能判決條件

根據(jù)基站小區(qū)覆蓋場景結合網(wǎng)絡負荷預測變化情況，本文將網(wǎng)絡結構、4G/5G 共站情況、載波配置情況、流量負載與頻帶資源的等效關系、PRB 利用率等作為前置條件，選擇合適的節(jié)能策略，由此引入三個判決條件：

4.1 判決條件一

采用基于MR（Measurement Report）鄰區(qū)對的同覆蓋小區(qū)判決方法[7]，“是”表示某區(qū)域存在5G 覆蓋層小區(qū)和5G 容量層小區(qū)，“否”表示某區(qū)域只存在5G 覆蓋層小區(qū)，MR 鄰區(qū)對的共覆蓋判決方法：

首先，假設有A、B 兩個小區(qū)，采集鄰區(qū)對A-B 和B-A的MR，在前的是主服務小區(qū)，在后的是鄰小區(qū)。

然后，在鄰區(qū)對的1 個采樣點中，若鄰區(qū)的電平高于-105 dBm，或鄰區(qū)的電平小于-105 dBm 且比主服務小區(qū)的電平大-3 dB 以上，則該采樣點是好點。統(tǒng)計鄰區(qū)對內(nèi)好點的數(shù)量，比上鄰區(qū)對總采樣點的數(shù)量，記為好點比例。

最后，若A-B 鄰區(qū)對的好點比例高于80%，而B-A鄰區(qū)對的好點比例低于80%，則認為B 是A 的容量層；若兩個鄰區(qū)對的好點比例均高于80%，則A、B 小區(qū)可減容好點比例高的那個小區(qū)；若兩個鄰區(qū)對的好點比例均低于80%，則A、B 小區(qū)均不可減容；若B-A 鄰區(qū)對的好點比例高于80%，而A-B 鄰區(qū)對的好點比例低于80%，則認為A 是B 的容量層。

4.2 判決條件二

采用流量負載與頻帶資源等效方法[8]，是表示與某5G扇區(qū)同覆蓋下的4G 扇區(qū)的頻帶資源在滿足原有4G 流量負載需求的前提下，能滿足新增頻帶資源的需求，否表示不能。

由香農(nóng)公式，扇區(qū)i下用戶的平均數(shù)據(jù)傳輸速率為Ci=Wlog(1+S/N)，為信號與噪聲的功率之比，是無量綱單位，其中基站間干擾同樣可以考慮為高斯白噪聲，其中gi是扇區(qū)i下用戶接收信號的平均路徑損耗，gi可通過Uma 信道模型給出，分為PLUMa-LOS和PLUMa-NLOS。信號衰減的因素主要包括信道衰落和瑞利衰減；W為信道帶寬；di為扇區(qū)i下用戶與扇區(qū)i的平均距離，dim為扇區(qū)i下用戶與可接受到信號的鄰居扇區(qū)m的平均距離；pi為基站j的傳輸功率，σ0為高斯白噪聲。在實際工程應用中可用SINR信噪比代替S/N，由于SINR以分貝（dB）為單位，且二者之間的換算關系為：

因此扇區(qū)i下用戶的平均數(shù)據(jù)傳輸速率為Ci可變?yōu)楣?。公式中的SINR 均為下行SINR，由于MR 數(shù)據(jù)中無法直接提取下行SINR，但該值可由MR 提取的RSRQ（Reference Signal Receiving Quality）通過一定的換算關系等效得到，換算公式為，其中X為基站小區(qū)用戶使用的RB 數(shù)量，N是全帶寬的RB 數(shù)目，SINR 值還可通過DT（Drive Test）和CQT（Call Quality Test）可進一步加以驗證，并修正該值。

假設在某節(jié)能時間段T內(nèi)預測5G 扇區(qū)i5G覆蓋區(qū)域下的負載為Li，則此時間段內(nèi)的平均數(shù)據(jù)傳輸速率Ci=Li/T，由此可得在該時間段內(nèi)的扇區(qū)下i5G覆蓋區(qū)域所需頻帶資源為，若此時與該5G 扇區(qū)i5G同覆蓋下的4G 扇區(qū)i4G的頻帶資源在滿足原有4G流量負載需求的前提下，仍可滿足新增頻帶資源Wi5G的需求，且5G 接入用戶較少或無接入用戶，此時可將5G 扇區(qū)i5G的AAU 進行深度休眠[9]。

4.3 判決條件三

采用15 分鐘顆粒度提取小區(qū)PRB 利用率，根據(jù)實際分析需要也可采用其他時間顆粒度。是表示小區(qū)PRB 利用率小于40%，否表示小區(qū)PRB 利用率大于等于40%。

5 節(jié)能策略推薦流程

如圖2 所示，為最終的基站節(jié)能策略推薦流程[10]，現(xiàn)對部分關鍵流程簡要說明如下：

圖2 基站節(jié)能策略推薦流程

首先進行數(shù)學模型搭建，包括提取歷史網(wǎng)絡數(shù)據(jù)，使用兩步聚類法進行節(jié)能場景識別與節(jié)能指數(shù)計算，同時進行網(wǎng)格化流量模型搭建。

接著對于節(jié)能場景的基站小區(qū)關聯(lián)覆蓋場景匹配的節(jié)能策略，然后判斷是否為白名單基站小區(qū)，對于白名單基站小區(qū)不進行任何節(jié)能操作，否則進一步判斷節(jié)能場景的推薦策略是否包含載波關斷或者小區(qū)關斷/ 深度休眠，若不包含則按照覆蓋場景匹配的節(jié)能策略執(zhí)行，若包含則對該基站小區(qū)進行網(wǎng)格化流量預測。

然后對該基站小區(qū)是否為4G/5G 共站進行判斷，若為是，則用判決條件一進行判斷，若滿足條件一則對5G容量層小區(qū)進行節(jié)能操作，5G 容量層小區(qū)又分為5G 容量層單載波小區(qū)和5G 容量層多載波小區(qū)，對于5G 容量層單載波小區(qū)則直接采用深度休眠策略，對于5G 容量層多載波小區(qū)則先采用載波關斷節(jié)能策略，達到一定時間后進一步采用判決條件三進行判決，若滿足條件三則采用深度休眠策略，否則結束載波關斷狀態(tài)。

同理我們也可應用三個判決條件得出其他策略選擇流程的判斷過程。

6 結論

通過選取全網(wǎng)華為區(qū)8 148 個小區(qū)，其中存在節(jié)能場景的1 372 個，占比約16.84%，節(jié)能時段約占全天1/2～2/3，節(jié)能效果相當可觀。

本文系統(tǒng)性地將分析得到的基站小區(qū)節(jié)能場景及其節(jié)能策略推薦模型、流量預測、流量負載與頻帶資源等效方法、小區(qū)共覆蓋判決等，生成三個判決條件作為前置條件，根據(jù)前置條件將常用的幾種節(jié)能方式有機地結合起來，最終生成智能節(jié)能技術流程模型圖該技術流程模型圖將基站級節(jié)能與網(wǎng)絡級節(jié)能以及基站小區(qū)節(jié)能場景的節(jié)能策略模型充分結合起來，根據(jù)實際的網(wǎng)絡覆蓋情況和業(yè)務側數(shù)據(jù)預測情況智能、動態(tài)地進行節(jié)能策略的選擇切換，從而較為科學合理地進行5G 基站節(jié)能降耗。