5G基站智能节能解决方案

詹 勇 唐 雪

中兴通讯股份有限公司 深圳 518055

引言

2018年，全球温室气体排放达到了创纪录的375亿吨。如果不做改变，2030年这个数值将达到475亿吨，进而造成一系列灾难性的后果[1]。基于上述共识，目前已有77个主要经济体承诺2050年实现碳中和，中国政府也于2021年9月22日发布了《国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》，明确了2030年碳达峰，2060年碳中和的实现路径[2]。

在走向碳中和的过程中，移动通信网络承担着重要角色。一方面，5G网络帮助推进“智慧绿色”城市建设，5G使能更便捷的线上沟通可以帮助减少商务旅行和人员流动，5G赋能“绿色智能”千行百业提升生产效率等都能间接推动全球碳中和进程。另一方面，根据预测，2025年ICT(Information and Communications Technology，信息通信技术)行业耗能将占全球总耗能30%[3]，因此ICT行业走向“绿色”能直接降低全球温室气体排放。但是，考虑到5G更加密集的基站，更大的带宽，更多的天线数和用户数以及海量增加的数据需求等，在缺乏高效节能措施的情况下，单位面积5G耗能实际会显著超过4G[4]。因此，从碳中和目标以及5G运营成本来看，减少5G能耗迫在眉睫。

文献[5]指出，移动通信网络最耗能的部分是基站，其能耗占整个移动通信网络总能耗的57%。进一步分解基站的能耗，会发现其射频部分耗能65%，制冷系统耗能17.5%，数字信号和基带处理单元耗能10%，AC-DC转换器耗能7.5%[6](如图1所示)。因此，5G移动通信网络节能的关键在于5G基站节能，而5G基站节能的关键则在于减少射频部分的能耗。考虑到5G负荷普遍存在时间和空间的多变性/多样性，在适当的时间让5G基站进入休眠模式，从而关闭其射频，甚至关闭制冷、数字信号和基带处理以及AC-DC转换单元，是减少5G基站能耗最行之有效的方法。

图1 基站能耗拆解

显而易见，让越多基站在更长时间休眠更多组件能带来越大的节能收益。但是，这也会带来以下问题/挑战。

1)符号级基站休眠(即非连续发送[7])会带来SE(Spectrum Efficiency，频谱效率)和容量的下降；同时为了确保基站能实现微秒级唤醒，休眠过程仅能休眠部分基站组件(比如功放)，从而降低节能效果。

2)Slot/毫秒级基站休眠会导致部分用户被延迟调度，从而拉长其时延；同时为了确保基站能实现毫秒级唤醒，休眠过程仍无法关闭全部高功耗组件，从而降低节能效果。

3)长期(最少秒级)基站休眠能带来最大程度的节能收益[8]。但是，它会使得基站在休眠过程中广播信号断发，因此会显著改变其所在区域无线覆盖，可能造成覆盖空洞。此外，这种休眠模式下唤醒基站所需的时间往往也是秒级及以上，因此无法及时响应突发的业务需求，从而带来用户感知下降。最后，考虑到基站唤醒过程中也需要消耗能源同时无法提供任何服务，因此频繁的长期休眠—唤醒会带来大量能源浪费。

上述问题/挑战归根结底指向了如何在5G基站能耗和5G用户感知之间取得更好的平衡，这需要基站在恰当的时间选择恰当的节能策略。为了确保长期休眠基站不会造成覆盖空洞，本文提出了一种覆盖模型，基于该模型可以确保仅在不造成覆盖空洞的情况下才允许基站进入长期休眠。为了避免频繁长期休眠—唤醒基站造成的能源浪费，本文提出了一种负荷模型，使用该模型基站可以结合当前负荷和未来的负荷预测选择更恰当的休眠方式。为了实现最大限度的节能，本文提出了一种基站能耗模型，通过该模型可以计算出任一时刻任一场景下基站采用任一节能策略所能带来的节能收益。为了避免因为基站节能造成显著的用户感知下降，本文提出了一种体验模型，利用该模型基站可以对用户体验进行预测/度量。最终，结合上述4个模型，可以将5G基站智能节能建模成一个INLP(Integer Non-Linear Programming，整数非线性规划)问题，通过求解该问题即可获得最优节能策略，即能取得5G基站能耗和5G用户感知最佳平衡的策略。图2总结了5G基站智能解决方案包含的主要步骤。

图2 5G基站智能节能解决方案流程图

1 覆盖模型

本文将基站节能策略分为3种：1)符号级基站休眠，此种休眠模式下基站继续为用户提供数据服务，但频谱效率会显著下降；2)Slot/毫秒级基站休眠，此种模式下休眠时段基站不为用户提供数据服务，但基站覆盖维持原状；3)长期基站休眠，此种模式下休眠时段基站不再提供无线覆盖，同时恢复该基站覆盖需要一段时间。构建覆盖模型的目的就是为了确保基站进入长期休眠状态时，不会造成覆盖空洞。

约束条件(1)～(4)共同定义了覆盖模型。

其中，约束(1)表示任意时间任一用户仅能附着在一个基站上。约束(1)和(2)结合表示任意时间任一用户仅能附着在一个和该用户兼容的且在时间具有有效覆盖的基站。约束(3)表示任意时间任一用户能接收到其附着基站的信号强度不弱于。约束(4)表示和都是二进制变量。

考虑到长期休眠需要较长时间唤醒基站，基站节能决策会对未来网络的覆盖形态产生显著影响。因此，5G基站在选择节能策略时需要同时考虑当前和未来时刻用户和基站的属性状态信息。同时，频繁让用户进行信号强度测量和上报用来获取当前值既浪费终端电量也会消耗大量无线资源。为了解决上述问题，我们可以根据历史统计信息生成无线指纹知识库，从而利用该知识库来获取用户在当前和未来时刻信息。图3提供了一个例子，图中1个点代表1个用户，我们将一个网络覆盖区域按照物理分布划分成400个栅格，每个栅格维护了2个知识：1)基于历史上位于该栅格用户统计平均结果获得对落在该区域用户的粗估值/预测值；2)基于历史上各个栅格用户数统计平均结果获得对未来该栅格用户占比的预测值。更进一步，考虑到用户分布可能存在显著的时变特性，在图3例子中我们为一个网络分别构建了“工作日忙时”“工作日闲时”“假期忙时”和“假期闲时”4个无线指纹知识库，分别对应图3(a)、3(b)、3(c)和3(d)。在当前时刻，首先确定对应无线指纹知识库，接下来通过任意定位手段确定用户栅格归属，最后利用对应无线指纹知识库即可获得用户粗估值，而无需让用户进行同频/异频测量，减少信息获取代价。在进行未来指定时间用户分布预测时，首先判断该时间归属于哪种场景，再基于对应无线指纹知识库生成用户预测值。举个例子，假设我们需要预测2022年1月18日0时0分0秒slot 0用户预测值，首先通过预定规则确定该时段属于“工作日闲时”，接下来对该时段网络用户总数进行预测(对应方法在下一章节介绍)，之后基于图3(b)所示无线指纹知识库获取每个栅格用户占比预测值。结合上述2个值即可获取预测时刻每个栅格用户数，之后再利用对应栅格知识为每个用户分配对应预测值。

图3 粗估/预测示例

很明显，一个网络根据用户分布时变特性细分无线指纹知识库越多，一个无线指纹知识库划分栅格越多，粗估值可能越精确，但商用部署时算力开销也越大。5G网络运营商可以根据网络实际算力情况确定一个网络无线指纹知识库数量以及每个无线指纹知识库栅格划分数量。

2 负荷模型

约束条件(5)～(8)定义了负荷模型。

约束条件(5)用来约束任意时刻任意基站承载的用户数都不能超过其承载上限。公式(6)和(7)分别定义了基站c在t时刻需要为用户提供的上下行RB个数。需要注意的是，本文定义的符号级基站休眠以及slot/毫秒级基站休眠都仅考虑了下行。也就是说，对于TDD(Time Division Duplex，时分双工)系统，我们仅在下行slot执行符号级基站休眠或slot/毫秒级基站休眠；对于FDD(Frequency Division Duplex，频分双工)系统，我们仅对基站信号发送相关组件执行符号级基站休眠或slot/毫秒级基站休眠。此外，本文仅考虑了一种符号级基站休眠的方式，如果实际操作系统中存在多种符号级休眠的方式，仅需将和拆分成对应多种符号级休眠方式即可。约束条件(8)说明是一个二进制变量。

从负荷模型(5)～(8)可以看出，我们需要明确每个基站能承载的用户数上限，该值可以通过读取基站配置获取。此外，利用常见的负荷预测模型，包括时间序列法(比如ARIMAX[9])、回归方法[10]、神经网络(比如LSTM[11]、PROPHET[12])等，我们可以对未来网络总用户数进行精准的预测。接下来，符号级状态下基站SE的折算因子可以通过理论计算得到。最后，要计算/预测用户RB需求，我们需要知道基站设置的上下行目标BLER值，它们都可以从基站配置信息中直接获取。同时，我们还需要知道每个用户能获得的上下行频谱效率和以及上下行吞吐量需求和。当前时刻和信息很容易获取，未来时期和的值可以采用第1章节所述的无线指纹知识库算法获取。

3 能耗模型

公式(9)～(11)定义了基站能耗模型[13]。

公式(9)提供了5G基站能耗的计算公式，约束(10)明确了一个基站在一个时刻只能使能一种休眠模式，约束(11)则表示是一个二进制变量。需要注意，本文简单假设基站在长期休眠唤醒过程中单位时间能耗和无负荷状态运行时一样。

4 体验模型

为了简化复杂度，本文中体验模型仅考虑了用户的上下行吞吐量，公式(12)定义了用户体验模型，即用户体验效用计算公式。

图4 效用函数参数取值示例

5 5G基站智能节能解决方案

结合上文提出的覆盖模型、负荷模型、能耗模型和体验模型，问题(13)对5G基站智能节能问题进行了完整建模，它是一个典型的INLP问题。其中，代表用户体验效用的权重因子，为一个非负实数，它取值越大代表运营商越看重用户体验。通过求解问题(13)，可以获得实现基站能效和用户体验最优平衡的用户导引策略以及5G基站节能策略、和。

需要注意的是，问题(13)中时间索引t的单位是slot。5G网络中一个slot时长和配置的SCS(Sub-Carrier Spacing，子载波间隔)直接相关，表1提供了SCS和slot时长的对应关系。考虑到INLP问题求解的复杂度，在商用网络中可能无法在一个slot完成问题(13)的求解。这种情况下，可以在长时间粒度上仅决策长期基站休眠策略，此后在基站未长期休眠时基于实时负荷按照专家定义策略决策是否进入slot/毫秒级基站休眠或符号级基站休眠。一个最简单的专家定义策略即是当基站负荷低于指定门限1且该slot无必发的信息(比如广播信号)时，当前slot让基站进入slot/毫秒级基站休眠；如果上述条件不满足但当前基站负荷低于指定门限2时，当前slot让基站进入符号级基站休眠。其中，门限1取值小于门限2。

表1 SCS和slot时长对应关系

为了适配上文所探讨的场景，我们对问题(13)进行简化，得到新的INLP问题(14)。其中问题(14)中时间索引的单位可以按照运营商要求灵活设置，通常是在秒级以上。简化后的问题(14)仅用来求解长时间粒度的用户导引策略和长期基站休眠策略。这样网络运营商就有足够长的时间来求解问题(14)。对INLP问题的求解可以参考文献[15-16]，也可以使用蚁群这类优化算法进行迭代求解[17]。整体5G基站智能节能解决方案流程可参见图2。

6 结束语

为了帮助5G网络运营商实现基站能效和用户体验的最优平衡，本文设计并提出了4个模型：1)覆盖模型，用于确保长期休眠基站不会造成覆盖空洞；2)负荷模型，用于避免频繁长期休眠—唤醒基站造成能源浪费；3)能耗模型，用于实现最大限度节能；4)体验模型，用于避免因为基站节能造成显著的用户体验下降。最后，结合上述4个模型，本文将5G基站智能节能建模成一个INLP问题，通过对该问题的高效求解，即可获得能实现基站能效和用户体验最优平衡的用户导引策略和基站节能策略。