文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.190909
中文引用格式： 張志榮,，許曉航,，朱雪田，等. 基于AI的5G基站節(jié)能技術研究[J].電子技術應用,，2019，45(10)：1-4.
英文引用格式： Zhang Zhirong,，Xu Xiaohang,，Zhu Xuetian，et al. Research on energy saving technology of 5G base station based on AI[J]. Application of Electronic Technique,，2019,，45(10)：1-4.
0 引言
隨著5G時代的到來,，設備連接向海量連接的發(fā)展速度逐步加快，不斷推動移動數據流量的爆發(fā)式增長,。為了滿足未來5G業(yè)務及數據流量的需求,，5G需要使用更多的頻譜資源以及更大的系統帶寬。5G基站數量的成倍增長,，大規(guī)模多輸入多輸出(Massive Multiple Input Multiple Output,，Massive MIMO)技術的引進使得5G能耗大幅增加，5G耗電量預計將是4G的3~5倍[1],。為應對全球能源短缺與環(huán)境保護所面臨的挑戰(zhàn),、響應國家節(jié)能減排號召、建設資源節(jié)約型社會,，節(jié)能降耗必然成為通信行業(yè)不可忽視的首要需求,因此針對基站的節(jié)能技術研究勢在必行[2],。
在基站能耗中，主設備功耗占基站功耗的50%以上,，而有源天線單元(Active Antenna Unit,，AAU)又占到主設備功耗的80%，因此節(jié)能技術主要面向于AAU部分,。目前,，可以通過7 nm、砷化鎵等新工藝以及符號關斷等技術降低功耗,。但是,，已有的傳統基站節(jié)能技術屬于通用模型，無法做到實時對網絡環(huán)境的自適應,，難以滿足5G網絡規(guī)?；渴鸬母咝Ч?jié)能需求。而人工智能(Artificial Intelligence,，AI)技術則可以令基站節(jié)能技術更加智能化,，通過AI模型的計算，可以在保障用戶體驗的前提條件下,，找到基站節(jié)能的最優(yōu)解,，達到全網運行效率最優(yōu)、綜合節(jié)能效率最優(yōu)的節(jié)能目標,。因此,，引入AI智能化節(jié)能技術的趨勢不可阻擋,。本文將分析傳統的基站節(jié)能技術，并在這些技術的基礎上引入AI技術,，從而實現基站節(jié)能自動化,，達到更好的節(jié)能效果。
1 傳統的基站節(jié)能技術
傳統的基站節(jié)能技術主要有兩種方案：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功耗,，軟件節(jié)能以業(yè)務運營為出發(fā)點，系統對硬件資源進行合理調配,，從而使得基站設備更高效運行[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)化設備硬件設計、改進設備的集成度和生產工藝等手段來降低基站的基礎功耗和提高基站設備的能源利用率,。目前,，基站硬件節(jié)能方案主要考慮以下幾個方面：
(1)加快半導體新工藝的使用，例如：最新的7 nm工藝,，以此優(yōu)化集成電路(Integrated Circuit,，IC)設計，能夠達到大幅提高5G系統性能和進一步降低基站設備功耗的目標,。
(2)在保證系統性能的情況下提高AAU硬件系統的集成度,，特別是基帶處理單元(Building Base band Unite，BBU),、數字中頻模塊和功放射頻鏈路等關鍵器件,。同時，加快專用集成電路(Application Specific Integrated Circuit,，ASIC)的研發(fā)進程,，從而提高設備的集成度以降低基站功耗。
(3)加快與5G基站節(jié)能相關的新材料,、新工藝的技術創(chuàng)新和產品應用,，例如：半導體新襯底材料GaN的使用將不斷優(yōu)化AAU設備的功放效率。
降低硬件功耗是5G基站節(jié)能的關鍵指標之一,，但當前硬件設計技術并不是很成熟,，仍需要一段時間去探索。
1.2 基站軟件節(jié)能
軟件節(jié)能技術根據通信業(yè)務特征以及網絡負荷的變化,，在保證性能不受損的前提下,，通過調整基站軟件配置對硬件資源進行合理調配，從而達到基站節(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)符號關斷
符號關斷是在網絡負荷較低時,，通過在無業(yè)務數據和系統消息塊(SystemInformation Blocks,，SIB)的空閑正常下行子幀的下行符號(無導頻,、物理下行控制信道(Physical Downlink Control Channel，PDCCH),、輔同步信號,、物理廣播信道)上，以及無業(yè)務數據的特殊子幀的下行符號(無導頻,、PDCCH,、主同步信號)上，關閉射頻部分中功放模塊的發(fā)射功率來實現節(jié)能的目的,，具體如圖1所示,。
該方案適用于時延不敏感的場景，基站能根據業(yè)務量的變化,，數據鏈路層實現集中調度(集中調度會導致時延有少許增加),，AAU判斷子幀是否有數據發(fā)送，無數據發(fā)送時,，關斷射頻通道,。對于必要的控制信道和信號，基站仍保持原有的發(fā)射周期和功率,。從而,，當基站業(yè)務量恢復到正常時，符號關斷功能終止,，功放模塊能夠立即進入工作狀態(tài),，保證了5G網絡性能不受影響。
(2)通道關斷
5G標準引入了大規(guī)模多輸入多輸出(Massive MIMO)技術,，故而可以在夜間業(yè)務閑時場景考慮關閉部分射頻通道來達到基站節(jié)能效果,。具體地說，通道關斷開關打開,，在設置的節(jié)能時間段內監(jiān)測當前上行/下行資源塊(Resource Block,，RB)利用率，如果滿足條件,，觸發(fā)執(zhí)行通道關斷操作,，參數控制選擇關閉通道的策略。當不滿足條件或到達節(jié)能結束時間時退出通道節(jié)能狀態(tài),。
該方案適用于夜間低負荷場景,，并且小區(qū)遠點用戶很少的情況下。此外,，基站實施通道關斷時,，一方面需要考慮發(fā)射功率的降低對網絡關鍵性能指標(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)務負荷的情況,。因此,，可以分開考慮上下行通斷關斷功能，以達到更好的5G性能,。
(3)載波關斷
針對雙載波或多載波同覆蓋的組網場景,，在網絡較閑、小區(qū)業(yè)務量較低的情況下,，可以通過載波關斷技術實現基站節(jié)能目標,。具體地說，一個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)形成一個同覆蓋小區(qū)組。當同覆蓋小區(qū)組的RB占用率小于載波關斷門限并滿足遲滯時間后,，通過負載均衡機制觸發(fā)用戶從容量小區(qū)切換到覆蓋小區(qū),，然后關斷容量小區(qū)的載波。當同覆蓋小區(qū)組的RB占用率回升,，大于載波開啟門限并滿足遲滯時間后,，開啟容量小區(qū)的載波，并啟動負載均衡機制,，使得容量小區(qū)和覆蓋小區(qū)的負荷恢復到節(jié)能前的水平,。這樣可以在閑時階段減少天線發(fā)射功率，從而達到基站節(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覆蓋分布式皮站(Pico Radio Remote Unit，pRRU),，特別是商場,、地鐵等典型潮汐場景。在業(yè)務空閑時,，pRRU設備進入深度休眠模式,，數字器件大部分功能關閉不再提供服務，或者直接下電,，當業(yè)務量增加并超過預定門限,，則通過 BBU 設備激活pRRU設備，靈活實現基站設備節(jié)能功能,。具體地說,，設定深度休眠的啟動時間和停止時間，以及檢測周期(如15 min),，檢測是否有終端駐留和發(fā)起業(yè)務,。如果到達節(jié)能啟動時間，pRRU下無業(yè)務且無終端駐留，則啟動深度休眠(pRRU掉電或低功率運行),；如果有業(yè)務或有終端駐留,，則下一個周期再執(zhí)行檢測；如果到達節(jié)能停止時間點,，則BBU觸發(fā)pRRU恢復到正常工作狀態(tài)。
目前,，上述4種關斷技術是最普遍的基站節(jié)能技術,，能夠起到一定的節(jié)能作用，但是存在節(jié)能效果有限,、自動化程度低等問題,，需要進一步克服。
2 基于AI的基站節(jié)能技術
傳統的節(jié)能技術主要還是依賴簡單的模型或人工設定好的門限來決定開關與否,，其參數設置相對保守,，導致節(jié)能效果有限。所有參數都是由基站統一設置,，并不能很好地適應如今復雜多變的環(huán)境,，無法解決不同環(huán)境下各基站節(jié)能策略的獨立選擇性問題，難以在用戶體驗和節(jié)能效果間達到平衡,。利用AI技術,，通過歷史數據學習構建模型，同時引入實時數據不斷訓練修正模型,，進而能夠在當前環(huán)境下進行節(jié)能場景的識別,、負荷的智能預測、節(jié)能策略的智能推薦,，在保證用戶體驗的條件下,，基站能達到智慧節(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,。
2.1 基站節(jié)能的AI模型
2.1.1 節(jié)能場景識別
對于基站來講,，應針對不同的場景選取不同的節(jié)能策略。利用AI技術可以使基站自主識別所處場景,，從而選擇合適的節(jié)能策略,，無需人工干預。
模型主要是根據基站本身的歷史信息,，如無限資源利用率,、環(huán)境天氣情況、流量人數以及各時段基站負載等,，使用AI中的相關性和聚類模型,，確立幾種典型的基站節(jié)能場景，以便采取不同的節(jié)能策略。當新加入基站或者基站周圍場景變化時,，可根據模型自動判別所處場景,，采取相應的節(jié)能策略，從而達到智慧節(jié)能,。
根據節(jié)能場景識別模型,，基站可以依據業(yè)務使用量的潮汐情況，適配各個場景,。例如：當模型識別某場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,，模型可能將該場景識別為商場,。從而，基站可以針對該場景采取深度休眠甚至基站關閉的節(jié)能策略,。
2.1.2 業(yè)務流量預測
對于基站節(jié)能來說,，如果能提前預知未來的業(yè)務流量走勢，就能提前采取相應的措施[5],。具體地說,，如果預測出未來業(yè)務流量加大，則需適當關閉一些節(jié)能手段,，提升業(yè)務負載性能,，保障用戶體驗；如果預測出未來業(yè)務流量變小,，則可以采取開啟部分節(jié)能功能,，以達到提前節(jié)能的效果。相比于傳統的根據實時數據進行節(jié)能策略配置的方法,，該技術能有更長的節(jié)能時間,。因此，業(yè)務流量預測模型可以在保障用戶體驗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)務流量模型根據歷史的KPI值,、其他相關小區(qū)信息以及環(huán)境因素等特征，利用神經網絡找出這些特征值和業(yè)務模型的映射關系,，確定權重矩陣和偏執(zhí)矩陣,，構建業(yè)務流量預測神經網絡。
(2)將實時的KPI項,、其他相關小區(qū)的信息等數據輸入到業(yè)務流量預測神經網絡中,，即可得到本小區(qū)未來業(yè)務流量的預測值。
(3)將真實的業(yè)務流量值作為反饋項反向傳遞給神經網絡,，用以修正神經網絡,，使其后續(xù)預測更加準確,，模型如圖3所示。
2.1.3 節(jié)能策略推薦
傳統的節(jié)能策略只能根據閾值選擇,，而各策略之間并沒有進行相互的關聯與協作,，基于AI的策略選擇模型則可以結合上述幾種模型的預測結果，進行最優(yōu)節(jié)能策略的推薦,。節(jié)能策略推薦模型使用的AI技術是強化學習,，具體來說，根據不同條件,，基站初步選擇相應策略后,，系統會將反饋數據輸入獎勵函數R中，計算得出一個獎勵值,，經過多次迭代累加，能夠得到該策略的獎勵Q值,，從而根據Q值的大小比較進行最優(yōu)策略的推薦,。
整體流程如圖4所示，小區(qū)信息,、節(jié)能場景識別以及業(yè)務流量預測結果作為模型輸入值,，經由智能啟閉模型以及場景策略模型，得到最佳推薦節(jié)能策略,，將其應用于基站,。基站負荷,，用戶感知數據以及節(jié)約能耗數作為負反饋項,，從而達到對模型的進一步強化。
2.2 基于AI的基站協同節(jié)能技術
上述AI技術僅考慮了獨立基站的自動化節(jié)能方法,，實際現網中則需考慮到基站之間協同工作的問題,，使節(jié)能技術的實現變得更加復雜。本小節(jié)將介紹考慮基站協同工作下的節(jié)能技術,，包括基于空間合作關系的基站節(jié)能以及4G/5G基站協同節(jié)能[6],。
首先介紹基于空間合作關系基站的節(jié)能，最基礎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,，進行聯合模型預測,，使得預測結果更精準。其代表的方法有基于相鄰小區(qū)流量信息的基站流量預測,，該方法可以提高流量預測的準確性,。然而此方法的問題在于可能不僅僅是相鄰基站，距離較遠的基站也可能因為人流移動等原因而與當前基站產生關聯,，如果將更多的基站加入預測模型,，會使模型計算復雜度大幅上升。因此，可以先對基站進行格蘭杰因果關系檢測,，得到強因果關系的合作基站,，再將這些合作基站數據輸入到AI模型中進行建模[7]。這樣在大幅減少運算量的情況下,，能夠有效地提高預測的準確性和穩(wěn)定性,。
4G/5G基站協同節(jié)能主要是基于測量報告(Measurement Report，MR)的站間共覆蓋智能判斷,，基于多頻多網協同節(jié)能以及網絡AI節(jié)能等多重舉措,，達到多網協同節(jié)能。如果能在不影響用戶體驗的情況下將5G網下業(yè)務性能需求只有4G的業(yè)務遷移至4G,，即可達到節(jié)能的效果,，但何時切換需要AI模型進行預測。此外多重網絡覆蓋下載波關斷技術也需要AI模型進行評估計算何時使用關斷,。
用AI做基站協同節(jié)能,，另一個好處是可以進行全網的性能評估，防止每個基站因自我的最優(yōu)策略都開啟節(jié)能功能,，從而導致全網的性能下降和用戶的體驗受損,。目前此技術的難點在于：(1)基礎AI節(jié)能模型目前還處于試驗階段，需等基礎節(jié)能模型成熟再開始搭建AI基站協同節(jié)能,；(2)若協同的基站為不同廠家,，各自基站設備的能耗性能不同，傳統節(jié)能手段也不盡相同,，需要AI節(jié)能模型大規(guī)模學習各廠家基站節(jié)能手段,。因此基于AI的基站協同節(jié)能技術能夠實現很好的節(jié)能成效，但仍需很長時間去探索,。
3 結論
5G已在路上,，基站功耗問題將成為5G網絡部署的“攔路虎”，本文在傳統基站節(jié)能基礎上,，進一步提出基于AI的基站節(jié)能新技術,，利用AI算法對歷史數據進行訓練，找出規(guī)律,，提出節(jié)能模型,，實現業(yè)務場景識別、業(yè)務流量預測,、多種模型策略推薦以及4G/5G基站協同等,，在保證不影響網絡性能指標KPI前提下，實現了5G基站能耗自動化,、智能化管理,，提高了5G無線網絡能效,，降低了5G網絡OPEX，為5G網絡部署與運營保駕護航,。
參考文獻
[1] 陳龍泉,，王歡.基于基站機房的能耗數據采集與分析[J].計測技術，2016,，36(4)：5-10.
[2] 劉思怡.綠色無線移動通信技術的創(chuàng)新思考[J].科學技術創(chuàng)新,，2017(33)：100-101.
[3] 中國聯通.5G智能節(jié)能技術白皮書[EB/OL].(2019-06-xx)[2019-08-12].https://club.mscbsc.com/t703024p1.html.
[4] 余丹娟.通信移動基站節(jié)能技術介紹與研究[J].電腦與電信，2016(7)：59-60.
[5] 胡錚,，袁浩,，朱新寧.面向5G需求的人群流量預測模型研究[J].通信學報，2019,，40(2)：5-14.
[6] 劉嬌.面向5G超密集網絡基站協同節(jié)能關鍵技術研究[D].北京：北京交通大學,，2018.
[7] 彭鐸，周建國,，羿舒文,，等.基于空間合作關系的基站流量預測[J].計算機應用，2019,，39(1)：154-159.
作者信息:
張志榮，許曉航,，朱雪田,，夏 旭
(中國電信股份有限公司智能網絡與終端研究院，北京102209)