薛龙来，夏伟，李轲，刘明勇

（1.河南省信息咨询设计研究有限公司，河南 郑州 450000；2.中国联合网络通信有限公司洛阳分公司，河南 洛阳 471000）

0 引言

通信网络节能方案可以划分为基站设备节能方案和网络级节能方案。基站设备节能方案主要考虑从设备硬件、软件特性等方面优化设备能耗，而网络级节能方案考虑多制式网络之间协作实现全网能耗最优的效果。基站设备节能方案主要有两种节能方式，即硬件节能方案和软件节能，硬件节能通过优化设备硬件设计、提高关键芯片的性能与集成度来降低基站设备的基础功耗，它对工艺要求更高，如7 nm/5 nm 技术[1]。软件节能从业务运营角度出发对硬件资源进行合理调配，让基站设备更高效运行。

软件节能通常包括符号关断、通道关断、载波关断、小区关断/ 深度休眠。网络级节能包括多制式网络之间协作以及提高前期规划设计水平，打造宏微协同、室内外结合的立体异构网络。

通信业务一般具有较明显的业务特征，例如，按时间段分为业务忙和业务闲时，软件节能技术可根据业务在时间上的分布特征，以及网络负荷的变化，在保证预定指标的前提下，通过调整基站软件功能配置对硬件资源进行合理调配，从而达到节约基站能耗的目的。

对于基站来讲，应针对不同的场景选取不同的节能策略。根据节能场景识别模型及网格化业务量预测，基站可以针对不同的节能场景采取不同的软件节能策略，最大限度地节能降耗。

两步聚类模型是一种分层聚类算法（Herarchical Algorithms），其算法适合任何尺度的变量。两步聚类分析主要是利用距离测度假设聚类模型的变量均为自变量，即假设连续型变量为正态分布，分类变量为多项式，使用经验内部检验方法稳定自变量假设及分布假设的干扰。两步聚类分析可以产生不同的聚类判别信息、最终聚类的聚类频数和描述性统计量，而且可以产生聚类频数的条形图和变量的重要性图。其有以下几个特点：一是可以处理分类变量和连续型变量，二是自动选择聚类数，三是有效地分析大样本数据。

两步聚类算法通过预聚类和聚类两个步骤完成。预聚类（pre-clustering）阶段。采用了BIRCH（Balanced Iterative Reducing and Clustering using Hierarchies）算法中CF（Clustering Feature Tree）树生长的思想，逐个读取数据集中数据点，在生成CF 树的同时，预先聚类密集区域的数据点，形成诸多的小的子簇（sub-cluster）。

聚类（clustering）阶段。以预聚类阶段的结果子簇为对象，在得到CF 树之后，通过继续使用对数似然距离度量方法，根据距离最小原则将预处理的聚类进行合并，从而得到数量合适的聚类集合。

由此考虑通信业务的时间、空间特征，提取网络KPI，将具有相似业务特征的基站小区聚为一类，再根据其覆盖场景、网络负荷预测变化情况、网络结构、共站情况、载波配置情况等作为前置条件，选择合适的节能策略。本文充分分析基站基础数据及网络KIP 数据，结合基站小区覆盖场景，提出了将节能场景识别、网格化基站小区流量预测和三个节能策略判决条件相结合的5G 基站节能策略。

1 5G基站节能场景分析

1.1 业务理解

通信业务存在明显的潮汐效应，不同时段网络负荷波动很大，而大部分基站设备均为24 小时不间断运行状态，无法根据网络负荷和覆盖目标场景进行智能节能，从而增加能耗成本。通过收集历史时间空间数据，分析PRB 资源利用率等KPI 的变化规律，利用聚类算法对覆盖小区的网络KPI进行分析和评估，根据运营商策略与覆盖场景，给出恰当的节能策略（如小区关断/深度休眠时间等），从而在保障网络性能的同时，降低基站能耗，减少运行成本[2]。

对某一批基站小区，提取一段时间内24 小时的某些特定业务指标，对数据进行预处理，并按照凌晨00～07 点，白天08～19 点，夜晚20～23 点三个时间段切分。采用两步聚类法，分别对上述时间段的数据聚类得到具体的聚类结果，并对三个时间段所聚类的每种类型与每个基站小区做出映射关系，以三个时间段所有聚类分类组合为对象求出其所对应的集合Set，Set 中元素个数即为聚类组合个数N。

1.2 数据准备

（1）设备信息

基站小区基础信息：室分/ 宏站、小区标识、统计时间、频段、经度、纬度。

（2）网络层数据

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）业务层数据

空口上行业务流量、空口下行业务流量、RRC 连接最大数、RRC 连接平均数。

（4）用户感知数据

RRC 连接建立成功率、E-RAB 建立成功率。

1.3 数据预处理

（1）数据集成与转换

将相似属性字段进行取舍，选取代表性的字段。由于不同指标单位和量级不一样，导致聚类结果不合理，在聚类前采用0-1 标准化对数据进行标准化处理，转换公式如下：。

（2）数据清洗

采用数据审核节点对数据的完整性进行检查，删除数据中存在字段信息的错误值或无效值，并采用分类回归树（C&RT）算法对空值进行缺失值差补。

1.4 数据建模

数据预处理后的信息如表1 所示。接着分别对凌晨时段、白天时段、夜晚时段等三个时间段所属的数据进行两步聚类。首先进行预聚类，得到聚类数目的一个粗略估计值J。接着在预聚类基础上进行聚类，确定J的最终值。将三个时间段得到的J的最终值J1、J2、J3，与每个小区相对应，对三个聚类结果合并去重，并将三个时间段聚类分类进行组合，输出聚类结果。如表2 所示，凌晨聚类-4 表示为凌晨时间段第四种分类。

表1 处理后的网络KPI数据示例

表2 聚类结果及聚类组合示例

1.5 聚类结果分析

对某一批基站小区数量为S的聚类结果分析如表3所示。轮廓系数通常作为聚类质量好坏的评估指标，轮廓系数的取值区间为[-1,1]。-1 代表分类效果差，1 代表分类效果好。0 代表聚类重叠，没有很好地划分聚类。可以看到该两步聚类的轮廓系数为0.6、0.8，说明聚类质量较高，结果较为理想。

表3 聚类结果分析示例

根据对聚类输入参数变量重要性的预测结果，选出最能反映出基站小区“繁忙程度”的分时段RRC 连接平均数、空口下行业务流量、下行PRB 平均利用率三项指标，通过以下原则判断该小区是否为节能场景。

具体思路是，对于按照三个时间段切分的网络KIP 数据，假设在三个时间段下等到的聚类个数结果分别是J1，J2，J3。分别在J1，J2，J3下，求出每个聚类分类的三项指标均值，通过归一化处理，并采用熵权法，得到每个聚类分类下三项指标的值，若该值大于0.5 定义为“高”，否则定义为“低”。则对于某一聚类组合Jx1/Jx2/Jx3，若存在高低不同的情况，则该聚类组合即为节能场景聚类组合。

（1）采用0-1 标准化对以上三个字段数据分时段进行归一化处理，处理方法如式(1)、式(2)：

例如在某时间段下第i个聚类分类的第j个指标是xij，归一化后为x'ij。若指标为正向指标，则选用式(1)，若指标为负向指标，则选用式(2)。接着对上述分时段的三个指标，采用熵权法计算各指标的权重。

1）由如下信息熵公式计算三项指标各自的信息熵：

其中，第i个聚类分类的第j个指标的比重，定义如果pij=0，则。

2）计算第j个指标的权重如式(4)：

（2）对数量为S的基站小区，如表2 所示的每个小区对应的聚类组合，即小区与聚类组合之间的映射，以所有聚类组合为对象求出其所对应的集合Set。

（3）以Set 内每种聚类组合为对象，求出三个时间段下每种聚类的三项指标均值ERRC连接平均数、E´空口下行业务流量、E下行PRB平均利用率，并将其归一化处理，分别记为E´RRC连接平均数、E´空口下行业务流量、E´下行PRB平均利用率。

（4）在上述三个时间段下，分别将E´RRC连接平均数、E´空口下行业务流量、E´下行PRB平均利用率乘以相对应的Wj，按式(5)求出该时段下综合归一化值Z：

（5）分别对凌晨、白天、夜晚三个时段按照其Z值的大小进行判断，大于0.5 判断为“高”值，否则为“低”值。

（6）最后进行节能场景判断，将凌晨、白天、夜晚三个时段的Z值全为“低”的定义为低效能小区；Z值全为“高”的定义为高效能小区；其它的各种组合形式均为存在节能场景的基站小区，如表4 所示。

表4 节能场景分析示例

（7）对于存在节能场景的基站小区，定义节能时段的节能指数，其值取值范围在[0,1]之间，值越大代表其在该时段内此基站小区优先选取合适的节能策略进行节能，节能指数的计算方法是分时段提取分析小区级该时段内RRC 连接平均数、空口下行业务流量、下行PRB 平均利用率，求出上述三项指标的小时均值，同时对该三项指标按照归一化处理，公式为，其中。对数量为S的基站小区，经过上述处理后的结果如表5 所示。

表5 节能指数分析示例

2 网格化基站小区流量预测

本文基于移动数据流量居住区和工作区的空间迁移特性，以及流量时间分布上基于时间段的分布特性，通过基站在不同时段的历史流量负载数据预测未来某段时间流量负载[3]。每个网格处的流量由式(6) 给出[4]：

按照上述方法，结合基站扇区方位角等参数，进而得到单扇区i的覆盖区域，通过该区域内包含网格数量多少可以计算扇区i下一天12 个时段内扇区i覆盖区域的流量Li，以上即完成数学模型搭建。该方法计算复杂度较小，基于历史数据预测未来时段流量负载，与实际流量负载的空间分布一致，可通过编写程序即可完成。

以某一大型商业批发市场为例，如图1 所示，基站1主覆盖该区域，为便于分析，将该区域划分为50×50 m 精度网格，通过上述流量预测算法，得到不同时段的流量地图，图中颜色越靠近红色表示流量负载越大，越靠近蓝色表示流量负载越小。可见在凌晨2～4 点两个小时内，该区域流量值较低，流量仅为2.3 GB/h；在白天7～9 点两个小时内，商户陆续开门营业，人流量逐渐增大，流量持续上升，为9.2 GB/h；而在白天9～11 点两个小时内，人流量持续增大，流量继续上升，达到16.6 GB/h。这些流量地图清晰地反映了移动数据流量在时间和空间上的变化。

图1 网格化流量预测示例

3 节能场景的节能策略推荐

本文所涉及的节能策略主要包括符号关断、通道关断、载波关断、小区关断/深度休眠。

根据上述计算得到的节能场景聚类结果及小区节能指数，将节能小区与现网小区覆盖场景进行关联，实现更详细的业务场景划分。如地铁、高铁车站、5A 级景区、三甲及以上医院、高校校园等。同时针对重要场景设定白名单机制，如重要机关单位、VIP、重要大客户等，申请建立黑白名单机制，针对黑名单小区采取谨慎操作的策略[6]。具体来说，结合基站所覆盖区域的场景属性关联匹配相应的节能方案，下面对一些重点区域的节能场景策略说明如下：

（1）交通枢纽

高铁车站，是口碑型场景，一般为室分覆盖，可进行符号关断，夜晚用户较少时容量层可进行载波关断，凌晨无列车运行，车站一般关闭，无用户时可开启小区关断/深度休眠。

（2）商业购物区

大型商业购物区，是口碑型场景，一般为室分覆盖，可进行符号关断，不宜开启通道关断。该类场景潮汐效应明显，夜晚用户较少时容量层可进行载波关断，凌晨无用户时可开启小区关断/深度休眠。

（3）学校校园

高校多为多层网，存在室外宏站覆盖和室分覆盖，在教学楼和宿舍之间存在潮汐效应。可进行符号关断和通道关断，夜间宿舍里用户较多，可进行载波关断或调整小区关断时间，对于教学楼可凌晨可开启小区关断/深度休眠。

（4）地铁

地铁是口碑型场景，白天可进行符号关断和通道关断，凌晨地铁无运营期间可对所有地铁小区开启小区关断/深度休眠。

对于白名单基站小区不进行任何节能操作，否则进一步判断节能场景的推荐策略是否包含载波关断或者小区关断/深度休眠，若不包含则按照覆盖场景匹配的节能策略执行。若包含则对该基站小区进行网格化流量预测，再结合节能场景的节能时段（凌晨、白天、夜晚）确定具体的节能时间，节能时间与流量预测的时间颗粒度相同均为2 小时。

4 节能判决条件

根据基站小区覆盖场景结合网络负荷预测变化情况，本文将网络结构、4G/5G 共站情况、载波配置情况、流量负载与频带资源的等效关系、PRB 利用率等作为前置条件，选择合适的节能策略，由此引入三个判决条件：

4.1 判决条件一

采用基于MR（Measurement Report）邻区对的同覆盖小区判决方法[7]，“是”表示某区域存在5G 覆盖层小区和5G 容量层小区，“否”表示某区域只存在5G 覆盖层小区，MR 邻区对的共覆盖判决方法：

首先，假设有A、B 两个小区，采集邻区对A-B 和B-A的MR，在前的是主服务小区，在后的是邻小区。

然后，在邻区对的1 个采样点中，若邻区的电平高于-105 dBm，或邻区的电平小于-105 dBm 且比主服务小区的电平大-3 dB 以上，则该采样点是好点。统计邻区对内好点的数量，比上邻区对总采样点的数量，记为好点比例。

最后，若A-B 邻区对的好点比例高于80%，而B-A邻区对的好点比例低于80%，则认为B 是A 的容量层；若两个邻区对的好点比例均高于80%，则A、B 小区可减容好点比例高的那个小区；若两个邻区对的好点比例均低于80%，则A、B 小区均不可减容；若B-A 邻区对的好点比例高于80%，而A-B 邻区对的好点比例低于80%，则认为A 是B 的容量层。

4.2 判决条件二

采用流量负载与频带资源等效方法[8]，是表示与某5G扇区同覆盖下的4G 扇区的频带资源在满足原有4G 流量负载需求的前提下，能满足新增频带资源的需求，否表示不能。

由香农公式，扇区i下用户的平均数据传输速率为Ci=Wlog(1+S/N)，为信号与噪声的功率之比，是无量纲单位，其中基站间干扰同样可以考虑为高斯白噪声，其中gi是扇区i下用户接收信号的平均路径损耗，gi可通过Uma 信道模型给出，分为PLUMa-LOS和PLUMa-NLOS。信号衰减的因素主要包括信道衰落和瑞利衰减；W为信道带宽；di为扇区i下用户与扇区i的平均距离，dim为扇区i下用户与可接受到信号的邻居扇区m的平均距离；pi为基站j的传输功率，σ0为高斯白噪声。在实际工程应用中可用SINR信噪比代替S/N，由于SINR以分贝（dB）为单位，且二者之间的换算关系为：

因此扇区i下用户的平均数据传输速率为Ci可变为公式。公式中的SINR 均为下行SINR，由于MR 数据中无法直接提取下行SINR，但该值可由MR 提取的RSRQ（Reference Signal Receiving Quality）通过一定的换算关系等效得到，换算公式为，其中X为基站小区用户使用的RB 数量，N是全带宽的RB 数目，SINR 值还可通过DT（Drive Test）和CQT（Call Quality Test）可进一步加以验证，并修正该值。

假设在某节能时间段T内预测5G 扇区i5G覆盖区域下的负载为Li，则此时间段内的平均数据传输速率Ci=Li/T，由此可得在该时间段内的扇区下i5G覆盖区域所需频带资源为，若此时与该5G 扇区i5G同覆盖下的4G 扇区i4G的频带资源在满足原有4G流量负载需求的前提下，仍可满足新增频带资源Wi5G的需求，且5G 接入用户较少或无接入用户，此时可将5G 扇区i5G的AAU 进行深度休眠[9]。

4.3 判决条件三

采用15 分钟颗粒度提取小区PRB 利用率，根据实际分析需要也可采用其他时间颗粒度。是表示小区PRB 利用率小于40%，否表示小区PRB 利用率大于等于40%。

5 节能策略推荐流程

如图2 所示，为最终的基站节能策略推荐流程[10]，现对部分关键流程简要说明如下：

图2 基站节能策略推荐流程

首先进行数学模型搭建，包括提取历史网络数据，使用两步聚类法进行节能场景识别与节能指数计算，同时进行网格化流量模型搭建。

接着对于节能场景的基站小区关联覆盖场景匹配的节能策略，然后判断是否为白名单基站小区，对于白名单基站小区不进行任何节能操作，否则进一步判断节能场景的推荐策略是否包含载波关断或者小区关断/ 深度休眠，若不包含则按照覆盖场景匹配的节能策略执行，若包含则对该基站小区进行网格化流量预测。

然后对该基站小区是否为4G/5G 共站进行判断，若为是，则用判决条件一进行判断，若满足条件一则对5G容量层小区进行节能操作，5G 容量层小区又分为5G 容量层单载波小区和5G 容量层多载波小区，对于5G 容量层单载波小区则直接采用深度休眠策略，对于5G 容量层多载波小区则先采用载波关断节能策略，达到一定时间后进一步采用判决条件三进行判决，若满足条件三则采用深度休眠策略，否则结束载波关断状态。

同理我们也可应用三个判决条件得出其他策略选择流程的判断过程。

6 结论

通过选取全网华为区8 148 个小区，其中存在节能场景的1 372 个，占比约16.84%，节能时段约占全天1/2～2/3，节能效果相当可观。

本文系统性地将分析得到的基站小区节能场景及其节能策略推荐模型、流量预测、流量负载与频带资源等效方法、小区共覆盖判决等，生成三个判决条件作为前置条件，根据前置条件将常用的几种节能方式有机地结合起来，最终生成智能节能技术流程模型图该技术流程模型图将基站级节能与网络级节能以及基站小区节能场景的节能策略模型充分结合起来，根据实际的网络覆盖情况和业务侧数据预测情况智能、动态地进行节能策略的选择切换，从而较为科学合理地进行5G 基站节能降耗。