周 徐 方东旭 廖 亚

（中国移动通信集团重庆有限公司，重庆 400000）

1 5G 时代基站功耗

随着5G 商用进程加速，5G 基站开始规模部署。5G 网络在提供更大带宽、更低时延、更广连接的同时，更高的能耗却给运营商带来了巨大的挑战。目前行业普遍认为，5G 网络能耗约为4G 的2～3 倍，5G 网络总能耗可能为4G 的4～9倍[1]。如图1 所示，5G 单个基站的功率相对4G 增长了65%。截至2021 年3 月，全国已建成5G 基站超79 万个，估算1年的电费将超500 亿。电费已经成为运营商主要的OPEX 支出，如何开展5G 基站节能工作已成为5G 网络商用中不得不考虑的一个棘手问题。

图1 不同基站功耗

2 现有的5G 基站节能方案

目前5G 节能技术方案主要分为设备级、站点级和网络级节能。其中，设备级节能方案主要从器件、硬件设计以及芯片材料和新型能源上考虑，从源头降低能耗；站点级节能方案主要是通过基站特性功能，从功率控制、射频控制以及设备控制等方面进行节能；网络级节能方案则重点考虑多个网络进行协同节能。

2.1 5G 设备级节能技术

设备级节能主要措施包括在整个通信系统的供电链中采用更高工艺制程的芯片、更节能的器件材料，引进更科学的散热方法，通信系统的供电链见表1。

表1 通信系统供电链

7nm 工艺制程已经成为高速高性能芯片设计的主流工艺，单位面积下的晶体管密度越大，芯片上就可以达到更多的核心数和更高的频率，就会带来更强大的性能[2]。

氮化镓（GaN）作为新一代半导体材料，具有宽禁带、高电子迁移率、大饱和电子速度、高击穿电场等优点，满足高电压、大电流、高功率密度的需求，非常适用于大功率和高效率微波功率放大器。

液冷散热是一种适用于高功率电力电子设备，利用液态冷却介质的大比热容量特性，快速带走设备热量的冷却技术。

2.2 5G 站点级节能技术

站点级节能方案主要是在保证网络质量和用户体验的前提下，通过对基站射频进行控制，实现精细化的节能。主要措施包括符号关断、通道关断、小区关断、AAU 深度休眠等[3]。

符号关断：基站通过监测当前驻留在网络中的用户，评估当前用户的业务使用情况，在满足当前用户业务需求符号的情况下，对剩下的没有信息传输的符号进行临时控制，关闭功率放大器等射频硬件，降低静态功耗[4]。

通道关断：当小区处于低负荷状态时，可以将AAU 使用通道数目从64 降到48，甚至降低至16 通道，以此实现节能目标。

小区关断：对具有多个频段的多层结构网络，当覆盖层小区处于低负荷状态时，可以考虑关闭容量层小区，实现节能效果。

深度休眠：在当前小区中完全没有5G 用户时，可以考虑关闭AAU 中的所有可关闭器件，例如数字中频、功放等，只保留用于唤醒的数字电路接口，使AAU 进入深度休眠状态，最大程度地降低功耗。

2.3 5G 网络级节能技术

网络级节能主要是通过对多种网络制式进行融合控制，可根据网络无线环境的差异，在网管侧进行数据采集、数据处理和小区关断和唤醒状态的控制。其协作系统应包括3 个功能模块：数据采集模块、策略制定模块和命令执行模块。数据采集模块负责网络基础数据采集和清洗存储；策略制定模块负责进行数据统计分析，并根据设定的算法进行小区节能场景识别、节能时间识别和节能方式制定等；命令执行模块主要负责指令下发，包括执行休眠和唤醒命令等。

3 5G 基站节能现状

5G 网络覆盖已基本成型，新设备替换难度大。目前5G网络建设已初具规模，想要采用新材料、新散热、新工艺制程进行设备级节能的方法困难重重，且不说新材料存在工艺不成熟、散热与封装挑战大等问题，运营商也不会考虑如此频繁地更换基站设备，所以设备级的节能方案只是一种理想，仅适用于在网络增补或者下一代网络中。

设备厂家节能特性功能使用效果优异，但是需要额外付费。站点级节能技术已成熟运用，节能效果很好，同时在基站侧进行参数控制，能够在节能状态和普通状态之间进行智能转换，控制对网络用户的影响。但是，由于站点级节能属于设备厂家功能，设备厂家通过License 进行控制，运营商需要花钱购买才能使用，而且并非所有的运行小区都适合开启节能特性，所以对运营商来说站点级节能也并非完美的节能解决方案。

所以，在设备级节能技术和站点级节能技术均不能够满足运营商需求时，节能工作的重点就放在网络级节能上。随着人工智能技术的发展，通过打造人工智能节能平台，实现多制式、多频段协作的动态节能，为基于人工智能技术的网络级节能技术的广泛应用提供了可能。

4 5G 基站智能节能解决方法研究

4.1 智能节能思路

基于人工智能技术的网络级的多网协作节能方案，需要解决以下几个问题。

如何评估哪些区域的小区该节能？

哪些层级的网络该节能？

哪些时间段进行节能？

采样何种方式进行节能？

4.2 节能区域识别

普遍认为，一些特定的场景具有特定的功能，在人流量发展趋势上存在一定的规律性，例如政企单位、商务办公区、工业园区、工厂企业等，都具有一定的潮汐效应，即工作时间人员流动密集，休闲时间人流量相对较少；再例如广场公园、游乐场、游玩景区等都具有一定的周期性，即周末时间人流密集，工作日时人流较少[5]。

根据基站本身的历史信息，如无限资源利用率、环境天气情况、流量人数以及各时段基站负载等，使用相关性和聚类模型，确立几种典型的基站节能场景，以便采取不同的节能策略。当新加入基站或者基站周围场景变化时，可自动判别所处场景[6]。

通过网络爬虫，可以获取POI 物业点的边界经纬度、高度、面积、场景分类等信息，然后与网络MDT 采样点数据进行结合，可以得到每个小区覆盖了多少个POI 物业点，以及相应的采样点占比情况，再根据POI 物业点的分类信息和小区在每个物业点的采样点占比，就能对小区的覆盖场景属性进行识别，其实施流程图如图2 所示。

图2 节能区域识别流程图

4.3 节能层级划分

移动运营商经过多年的发展，目前已拥有多个频段进行容量和覆盖补充。中国移动通信集团目前拥有2.6GHz 频谱中的160MHz 用于建设5G，而4G 拥有D 频段、F 频段、E频段、FDD1800、FDD900 等，2G 拥有GSM900 和GSM1800，频率资源十分丰富[5]。

因此，针对各个制式以容量层和覆盖层进行区分，而相对低阶制式，高阶制式又可以看作是低阶制式的容量层，所以在小区业务负荷较低时，制定小区关闭顺序如图3 所示，优先关闭容量层，再关闭基础覆盖层。

图3 服务小区的关闭顺序

4.4 节能时间识别

自回归模型（Autoregressive Model，简称AR 模型）是最常见和应用最为广泛的平稳时间序列模型之一，是统计上一种处理时间序列的方法，用同一变数例如x的之前各期，即x1至xt-1来预测本期xt的表现，并假设它们为一线性关系。其表达式如下：

式中：序列值xt可由前p个时刻的序列值导出，i 为常数，xt-i为前一时刻序列值。c 是常数项，被假设为平均数等于0，标准差等于σ的随机误差值，σ被假设为对任何的t都不变。P表示P阶自回归，φi是自相关系数，如果自相关系数小于0.5，则不宜采用，否则预测结果极不准确。εt为系统随机干扰误差。

AR 模型是一种线性预测，利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。即已知N个数据，可由模型推出第N点前面或后面的数据（设推出P点），所以其本质类似于插值，其目的都是增加有效数据，只是AR 模型是由N点递推，而插值是由2 点（或少数几点）去推导多点，所以AR 模型要比插值方法效果更好。

一般地，笔者认为终端对小区的使用情况包括3 个方面的内容：小区连接用户数、小区业务量以及小区切换次数。而小区的负荷状态遵循自然规则，所以可以用自回归模型来预测小区的业务负荷情况，从而确定小区的节能时间。

4.5 节能方式选择

不同的节能方式所针对的小区负荷状态不同，符号关断能够适用于中度负荷，通道关断适用于轻度负荷，小区关断适用于极低负荷，而深度休眠只适用于无用户的情况。针对不同的小区，运营商可以采用不同的节能方式，所以运营商只需要购买少量的站点级节能特性，然后以智能动态调度的方式进行调整。整体流程如图4 所示，通过对小区进行场景识别、层级划分、节能时间识别，采用智能启闭模型以及场景策略模型，得到最佳推荐节能策略，应用于无线基站。

图4 节能方式选择模型

5 结语

该文对传统基站节能技术进行研究，抓住运营商目前节能策略和方法上的一些痛点，提出5G 基站智能节能策略方案。将POI 物业点与MDT 数据进行结合，实现节能小区的场景识别，然后对目标网络进行层级划分，再以自回归算法进行节能时间预测，最后通过智能化平台将所有步骤进行融合，实现5G 基站节能的智能调度和控制。只需要运营商从设备厂商购买少量的节能特性License，即可实现全网级别的智能节能调度。有效地提高了5G 无线网络能效，降低了5G 网络OPEX，为5G 网络部署与运营保驾护航。