基于階梯式評估的5G基站智能關(guān)斷方法分析

肖清華（華信咨詢設(shè)計(jì)研究院有限公司，浙江杭州 310014）

1 概述

目前，能源緊張已經(jīng)成為全球不可避免和日益尖銳的社會問題。在移動通信領(lǐng)域［1］，隨著用戶對通信質(zhì)量和服務(wù)要求的提高，技術(shù)更替升級的節(jié)奏越來越快。以5G［2］為代表的寬帶多場景技術(shù)能夠更加適應(yīng)當(dāng)前數(shù)據(jù)流量高速增長和行業(yè)應(yīng)用不斷變化的趨勢。但同時(shí)，關(guān)于5G 基站的綠色節(jié)能［3］也越來越成為一個(gè)約束性目標(biāo)。畢竟，相比4G 而言，實(shí)現(xiàn)相同面積的覆蓋，5G 需要部署2～3 倍以上數(shù)量的基站。此外，由于5G天線采用Massive MIMO［4］天線陣列，單站功耗是4G的3 倍左右。因此，深入分析5G 基站的節(jié)能技術(shù)，不僅有助于降低基站能耗，其經(jīng)濟(jì)與社會價(jià)值也非常高［5］。

黃春紅［6］從人工智能的角度介紹了5G 基站的相關(guān)節(jié)能技術(shù)，但深度稍顯不足。帥農(nóng)村等人［7］提出了一種5G零碳基站的配置模型，涉及光伏組件和儲能等配置，有一定的借鑒意義，但技術(shù)推廣受區(qū)域的限制較強(qiáng)。戴瑩［8］比較系統(tǒng)性地闡述了相關(guān)節(jié)能基站的智能關(guān)斷技術(shù)和節(jié)能設(shè)計(jì)，但方案的準(zhǔn)確度取決于樣本數(shù)據(jù)的精確性。閆震等人［9］則基于二次指數(shù)平滑預(yù)測的方法研究了關(guān)于5G基站的節(jié)能方案，是一種概率模型，深受現(xiàn)網(wǎng)話務(wù)的影響。楊拓等人［10］則另辟蹊徑地分析了5G 終端環(huán)節(jié)的節(jié)能技術(shù)。實(shí)際上，實(shí)現(xiàn)5G 基站基礎(chǔ)節(jié)能的方案有很多種［11］，包括符號關(guān)斷、通道關(guān)斷、載波關(guān)斷和深度休眠等方案，不外乎硬節(jié)能和軟節(jié)能。文獻(xiàn)［12］也從保障業(yè)務(wù)的角度出發(fā)，結(jié)合差異化的業(yè)務(wù)屬性，提出了一種優(yōu)化5G能耗的方式——GSIC，但GSIC 仍然存在以下問題：其一，現(xiàn)實(shí)中的業(yè)務(wù)基本為混合業(yè)務(wù)，純Non-GBR 業(yè)務(wù)很少；其二，沒有考慮資源塊的實(shí)際使用效率；其三，沒有進(jìn)一步考慮低負(fù)載GBR業(yè)務(wù)的轉(zhuǎn)移場景。為此，本文從克服GSIC的缺陷出發(fā)，提出一種基于階梯式評估的5G基站智能關(guān)斷方法（Stepwise Evaluation based 5G gNB Intelligently Closing Algorithm，SEIC），對5G 小區(qū)負(fù)載構(gòu)建階梯式的評估機(jī)制，借用物理資源塊效用因子來表達(dá)資源塊的使用效率，針對差異化的負(fù)載，累計(jì)篩選出滿足條件的關(guān)斷候選基站，進(jìn)而根據(jù)鄰區(qū)集可承接負(fù)載的能力，有條件地實(shí)施分批遷移，實(shí)現(xiàn)低價(jià)值、低負(fù)載基站的關(guān)斷，從而達(dá)到優(yōu)化能耗的目標(biāo)。

2 SEIC模型

2.1 目標(biāo)基站

同GSIC 類似，為了敘述方便，假設(shè)有n個(gè)基站gNBtar={gNB1，gNB2，…，gNBn}，每個(gè)基站的物理資源塊總量分別是{Prt1，Prt2，…，Prtn}，相應(yīng)的負(fù)載為{Cld1，Cld2，…，Cldn}，當(dāng)前小區(qū)吞吐量為{Thr1，Thr2，…，Thrn}。

2.2 核算物理資源塊的使用效率

將5G 基站物理資源塊的使用效率采取效用因子指標(biāo)來表示。

計(jì)算gNBtar={gNB1，gNB2，…，gNBn}中的每個(gè)基站gNBi已分配的物理資源塊數(shù)量：

其中，ceil(?)表示天花板函數(shù)。

計(jì)算基站gNBi的物理資源塊效用因子：

計(jì)算所有基站的物理資源塊效用因子之和：

2.3 基于負(fù)載的階梯式評估

階梯1：對于每個(gè)基站gNBi，若其負(fù)載滿足條件：

其中，TCldlow表示設(shè)定的負(fù)載評估低門限；

則將該基站gNBi納入關(guān)斷候選集gNBtclose中，

階梯2：對于每個(gè)基站gNBj，若其負(fù)載滿足條件：

其中，TCldmid表示設(shè)定的負(fù)載評估中門限；

則篩選出其中資源塊效用因子滿足下列條件的所有基站{gNBj}：

其中，TEftlow表示設(shè)定的資源塊效用因子低門限；將{gNBj}納入關(guān)斷候選集gNBtclose中：

階梯3：對于每個(gè)基站gNBk，若其負(fù)載滿足條件：

其中，TCld?ig?表示設(shè)定的負(fù)載評估高門限；

則篩選出其中資源塊效用因子滿足下列條件的所有基站{gNBk}：

其中，TEft?ig?表示設(shè)定的資源塊效用因子高門限；將{gNBk}納入關(guān)斷候選集gNBtclose中：

2.4 關(guān)斷候選集預(yù)處理

對于關(guān)斷候選集gNBtclose中的首個(gè)基站gNBt（t∈［1，n］）及其所有的鄰區(qū)集合NGSt，計(jì)算其關(guān)斷鄰區(qū)集：

對于TNGSt中的每個(gè)基站gNBtx，計(jì)算其負(fù)載空間：

其中，VCelt?表示設(shè)定的5G 基站容量門限，max(?)表示最大值函數(shù)；

計(jì)算TNGSt中所有基站的負(fù)載空間之和：

2.5 智能關(guān)斷實(shí)施

對于關(guān)斷候選集gNBtclose中的基站gNBt，若滿足條件：

則將該基站移出gNBtclose，即取消本次對基站gNBt的關(guān)斷行為：

否則計(jì)算其關(guān)轉(zhuǎn)鄰區(qū)集：

其中，基站gNBty滿足條件：

核算目標(biāo)關(guān)斷基站gNBt往gNBtz上轉(zhuǎn)移的負(fù)載量：

更新gNBtz負(fù)載：

待完成關(guān)轉(zhuǎn)鄰區(qū)集TNZSt中所有的鄰區(qū)操作，則執(zhí)行對gNBt的關(guān)斷，并更新：

依次循環(huán)2.4～2.5節(jié)中的步驟，直到gNBtclose為空。

3 仿真

3.1 仿真環(huán)境

本文采取Matlab 工具對SEIC 和GSIC 算法進(jìn)行對比仿真，SEIC具體參數(shù)如表1和表2所示（GSIC參數(shù)詳見原文）。

表1 仿真參數(shù)

表2 各基站基礎(chǔ)信息

3.2 仿真結(jié)果與分析

3.2.1 單站關(guān)斷

由6 個(gè)5G 基站組成的基站簇互配鄰區(qū)，對其中任意的5G 單基站進(jìn)行關(guān)斷仿真，GSIC 仍然針對AR 和直播下行流等Non-GBR 業(yè)務(wù)，所得的仿真結(jié)果如圖1 所示。

圖1 單基站關(guān)斷

從圖1可以看出，在算法關(guān)閉的情況下，單站功耗始終維持在3 000～3 500 W 的高位運(yùn)行，而在SEIC 和GSIC 算法打開后，由于部分業(yè)務(wù)轉(zhuǎn)移，功耗下降至2 600～3 000 W 的低位區(qū)間，下降比率約為15%。但由于SEIC 采取階梯式的關(guān)斷處理，對低負(fù)載業(yè)務(wù)比GSIC 更敏感，也更容易觸發(fā)關(guān)斷措施，功耗下降比GSIC 更快，算法效率更高。當(dāng)然，功耗不是一成不變的，它也隨著小區(qū)的環(huán)境（如信噪比、誤碼率等指標(biāo)）而波動。一般來說，小區(qū)吞吐率越大，或維持相應(yīng)用戶感知而RSRP越低的情況下，功耗也會越大。

3.2.2 簇關(guān)斷

對仿真數(shù)據(jù)表中的6 個(gè)基站執(zhí)行條件判斷，所得的仿真結(jié)果如圖2所示。

圖2 基站簇關(guān)斷仿真

對仿真基站簇進(jìn)行關(guān)斷仿真，統(tǒng)計(jì)相應(yīng)的功耗峰值。在執(zhí)行算法時(shí)，GSIC 功耗平均峰值約為19.5 kW，SEIC 功耗平均峰值約為19 kW，比GSIC 下降約2.5%。SEIC對過低負(fù)載的GBR業(yè)務(wù)，若其資源塊效用因子不高，同樣對其進(jìn)行關(guān)斷，但對負(fù)載轉(zhuǎn)移比GSIC 做了更有保障性的措施而不影響客戶感知。因此，對于基站簇的總體功耗下降，SEIC 比GSIC 更明顯，更有效地達(dá)到了節(jié)能減排的目的。

4 結(jié)束語

5G 節(jié)能是響應(yīng)國家實(shí)現(xiàn)碳中和政策的一個(gè)重要方面，在優(yōu)化5G 基站性能的同時(shí)，應(yīng)從軟硬結(jié)合的角度出發(fā)，更優(yōu)地實(shí)現(xiàn)節(jié)能減排。本文針對GSIC節(jié)能算法的不足，有針對性地根據(jù)資源塊的使用效率進(jìn)行了優(yōu)化，能夠結(jié)合負(fù)載進(jìn)行階梯式評估，從而提高5G 基站關(guān)斷的節(jié)能效率，并兼顧無線網(wǎng)絡(luò)的相關(guān)KPI指標(biāo)。但對于更細(xì)顆粒度的符號和通道關(guān)斷等方面，以及引入人工智能對話務(wù)自適應(yīng)等場景，仍然缺乏研究，希望在今后的工作中繼續(xù)研究。