肖清华（华信咨询设计研究院有限公司，浙江杭州 310014）

1 概述

目前，能源紧张已经成为全球不可避免和日益尖锐的社会问题。在移动通信领域［1］，随着用户对通信质量和服务要求的提高，技术更替升级的节奏越来越快。以5G［2］为代表的宽带多场景技术能够更加适应当前数据流量高速增长和行业应用不断变化的趋势。但同时，关于5G 基站的绿色节能［3］也越来越成为一个约束性目标。毕竟，相比4G 而言，实现相同面积的覆盖，5G 需要部署2～3 倍以上数量的基站。此外，由于5G天线采用Massive MIMO［4］天线阵列，单站功耗是4G的3 倍左右。因此，深入分析5G 基站的节能技术，不仅有助于降低基站能耗，其经济与社会价值也非常高［5］。

黄春红［6］从人工智能的角度介绍了5G 基站的相关节能技术，但深度稍显不足。帅农村等人［7］提出了一种5G零碳基站的配置模型，涉及光伏组件和储能等配置，有一定的借鉴意义，但技术推广受区域的限制较强。戴莹［8］比较系统性地阐述了相关节能基站的智能关断技术和节能设计，但方案的准确度取决于样本数据的精确性。闫震等人［9］则基于二次指数平滑预测的方法研究了关于5G基站的节能方案，是一种概率模型，深受现网话务的影响。杨拓等人［10］则另辟蹊径地分析了5G 终端环节的节能技术。实际上，实现5G 基站基础节能的方案有很多种［11］，包括符号关断、通道关断、载波关断和深度休眠等方案，不外乎硬节能和软节能。文献［12］也从保障业务的角度出发，结合差异化的业务属性，提出了一种优化5G能耗的方式——GSIC，但GSIC 仍然存在以下问题：其一，现实中的业务基本为混合业务，纯Non-GBR 业务很少；其二，没有考虑资源块的实际使用效率；其三，没有进一步考虑低负载GBR业务的转移场景。为此，本文从克服GSIC的缺陷出发，提出一种基于阶梯式评估的5G基站智能关断方法（Stepwise Evaluation based 5G gNB Intelligently Closing Algorithm，SEIC），对5G 小区负载构建阶梯式的评估机制，借用物理资源块效用因子来表达资源块的使用效率，针对差异化的负载，累计筛选出满足条件的关断候选基站，进而根据邻区集可承接负载的能力，有条件地实施分批迁移，实现低价值、低负载基站的关断，从而达到优化能耗的目标。

2 SEIC模型

2.1 目标基站

同GSIC 类似，为了叙述方便，假设有n个基站gNBtar={gNB1，gNB2，…，gNBn}，每个基站的物理资源块总量分别是{Prt1，Prt2，…，Prtn}，相应的负载为{Cld1，Cld2，…，Cldn}，当前小区吞吐量为{Thr1，Thr2，…，Thrn}。

2.2 核算物理资源块的使用效率

将5G 基站物理资源块的使用效率采取效用因子指标来表示。

计算gNBtar={gNB1，gNB2，…，gNBn}中的每个基站gNBi已分配的物理资源块数量：

其中，ceil(∙)表示天花板函数。

计算基站gNBi的物理资源块效用因子：

计算所有基站的物理资源块效用因子之和：

2.3 基于负载的阶梯式评估

阶梯1：对于每个基站gNBi，若其负载满足条件：

其中，TCldlow表示设定的负载评估低门限；

则将该基站gNBi纳入关断候选集gNBtclose中，

阶梯2：对于每个基站gNBj，若其负载满足条件：

其中，TCldmid表示设定的负载评估中门限；

则筛选出其中资源块效用因子满足下列条件的所有基站{gNBj}：

其中，TEftlow表示设定的资源块效用因子低门限；将{gNBj}纳入关断候选集gNBtclose中：

阶梯3：对于每个基站gNBk，若其负载满足条件：

其中，TCldℎigℎ表示设定的负载评估高门限；

则筛选出其中资源块效用因子满足下列条件的所有基站{gNBk}：

其中，TEftℎigℎ表示设定的资源块效用因子高门限；将{gNBk}纳入关断候选集gNBtclose中：

2.4 关断候选集预处理

对于关断候选集gNBtclose中的首个基站gNBt（t∈［1，n］）及其所有的邻区集合NGSt，计算其关断邻区集：

对于TNGSt中的每个基站gNBtx，计算其负载空间：

其中，VCeltℎ表示设定的5G 基站容量门限，max(∙)表示最大值函数；

计算TNGSt中所有基站的负载空间之和：

2.5 智能关断实施

对于关断候选集gNBtclose中的基站gNBt，若满足条件：

则将该基站移出gNBtclose，即取消本次对基站gNBt的关断行为：

否则计算其关转邻区集：

其中，基站gNBty满足条件：

核算目标关断基站gNBt往gNBtz上转移的负载量：

更新gNBtz负载：

待完成关转邻区集TNZSt中所有的邻区操作，则执行对gNBt的关断，并更新：

依次循环2.4～2.5节中的步骤，直到gNBtclose为空。

3 仿真

3.1 仿真环境

本文采取Matlab 工具对SEIC 和GSIC 算法进行对比仿真，SEIC具体参数如表1和表2所示（GSIC参数详见原文）。

表1 仿真参数

表2 各基站基础信息

3.2 仿真结果与分析

3.2.1 单站关断

由6 个5G 基站组成的基站簇互配邻区，对其中任意的5G 单基站进行关断仿真，GSIC 仍然针对AR 和直播下行流等Non-GBR 业务，所得的仿真结果如图1 所示。

图1 单基站关断

从图1可以看出，在算法关闭的情况下，单站功耗始终维持在3 000～3 500 W 的高位运行，而在SEIC 和GSIC 算法打开后，由于部分业务转移，功耗下降至2 600～3 000 W 的低位区间，下降比率约为15%。但由于SEIC 采取阶梯式的关断处理，对低负载业务比GSIC 更敏感，也更容易触发关断措施，功耗下降比GSIC 更快，算法效率更高。当然，功耗不是一成不变的，它也随着小区的环境（如信噪比、误码率等指标）而波动。一般来说，小区吞吐率越大，或维持相应用户感知而RSRP越低的情况下，功耗也会越大。

3.2.2 簇关断

对仿真数据表中的6 个基站执行条件判断，所得的仿真结果如图2所示。

图2 基站簇关断仿真

对仿真基站簇进行关断仿真，统计相应的功耗峰值。在执行算法时，GSIC 功耗平均峰值约为19.5 kW，SEIC 功耗平均峰值约为19 kW，比GSIC 下降约2.5%。SEIC对过低负载的GBR业务，若其资源块效用因子不高，同样对其进行关断，但对负载转移比GSIC 做了更有保障性的措施而不影响客户感知。因此，对于基站簇的总体功耗下降，SEIC 比GSIC 更明显，更有效地达到了节能减排的目的。

4 结束语

5G 节能是响应国家实现碳中和政策的一个重要方面，在优化5G 基站性能的同时，应从软硬结合的角度出发，更优地实现节能减排。本文针对GSIC节能算法的不足，有针对性地根据资源块的使用效率进行了优化，能够结合负载进行阶梯式评估，从而提高5G 基站关断的节能效率，并兼顾无线网络的相关KPI指标。但对于更细颗粒度的符号和通道关断等方面，以及引入人工智能对话务自适应等场景，仍然缺乏研究，希望在今后的工作中继续研究。