CN113543284A - 节能方法、基站、控制单元及存储介质 - Google Patents

节能方法、基站、控制单元及存储介质 Download PDF

Info

Publication number
CN113543284A
CN113543284A CN202010305598.0A CN202010305598A CN113543284A CN 113543284 A CN113543284 A CN 113543284A CN 202010305598 A CN202010305598 A CN 202010305598A CN 113543284 A CN113543284 A CN 113543284A
Authority
CN
China
Prior art keywords
energy
load
saving
target cell
trend
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010305598.0A
Other languages
English (en)
Inventor
张波
柯雅珠
张晨红
周鹏
王绍江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN202010305598.0A priority Critical patent/CN113543284A/zh
Priority to US17/918,960 priority patent/US20230239784A1/en
Priority to EP21787540.0A priority patent/EP4138466A4/en
Priority to PCT/CN2021/087665 priority patent/WO2021209024A1/zh
Publication of CN113543284A publication Critical patent/CN113543284A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H04W52/0258—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity controlling an operation mode according to history or models of usage information, e.g. activity schedule or time of day
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种节能方法、基站、控制单元及存储介质。该方法包括：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，并按照所述生效时间执行所述节能策略。通过上述技术方案，提高节能的灵活性，有效降低基站能耗。

Description

节能方法、基站、控制单元及存储介质
技术领域
本申请涉及无线通信网络，例如涉及一种节能方法、基站、控制单元及存储介质。
背景技术
在网络运营中，电费是各大运营商支出最大的网络维护成本。随着无线网络系统的快速演进，基站的功耗也大幅度提升，在无线通信网络中占了较大的比重，尤其基站的主设备例如射频拉远模块(Radio Remote Unit，RRU)和室内基带处理单元(BuildingBaseband Unit，BBU)的能耗很高，因此需要通过关闭基站侧的部分网络资源，以降低基站的能耗。
现有方法通常是根据网络情况和人工经验等为基站配置可节能的时间段，当进入此时间段时，认为基站网络侧资源占用率较低，利用一小部分网络侧资源即可满足业务需求，则关闭基站侧部分网络资源，从而节省射频资源和功放能耗。但依据网络情况和人工经验确定的可节能时间段并不准确，所配置的可节能时间段也是固定的，忽略了实际网络环境的多变性，各个基站所覆盖的各个小区可节能的时间段可能不同，难以实现统一高效的节能时间段配置，并且随着网络建设的演进，小区业务数量不断增加、实时变化，规定的配置无法适配大量的业务变化，也无法应对各种突发事件。因此，基站能耗的控制不灵活、效率较低。
发明内容
本申请提供一种节能方法、基站、控制单元及存储介质，以提高节能的灵活性，有效降低基站能耗。
本申请实施例提供一种节能方法，应用于基站，包括：
采集目标小区的能耗影响因素数据；
根据所述能耗影响因素数据预测目标小区的负荷趋势；
根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，并按照所述生效时间执行所述节能策略。
本申请实施例还提供了一种节能方法，应用于控制单元，包括：
采集目标小区的能耗影响因素数据；
根据所述能耗影响因素数据预测目标小区的负荷趋势；
根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；
向基站指示所述节能策略以及所述生效时间。
本申请实施例还提供了一种基站，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的应用于基站的节能方法。
本申请实施例还提供了一种控制单元，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的应用于控制单元的节能方法。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的节能方法。
本申请实施例提供一种节能方法、基站、控制单元及存储介质。该方法包括：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，并按照所述生效时间执行所述节能策略。通过上述技术方案，提高节能的灵活性，有效降低基站能耗。
附图说明
图1为一实施例提供的一种应用于基站的节能方法的流程图；
图2为另一实施例提供的一种应用于基站的节能方法的流程图；
图3为一实施例提供的一种获取邻区负荷信息的示意图；
图4为另一实施例提供的一种获取邻区负荷信息的示意图；
图5为一实施例提供的一种应用于控制单元节能方法的流程图；
图6为一实施例提供的一种节能方法的实现示意图；
图7为再一实施例提供的一种应用于基站节能方法的流程图；
图8为另一实施例提供的一种应用于控制单元节能方法的流程图；
图9为另一实施例提供的一种节能方法的实现示意图；
图10为又一实施例提供的一种应用于基站节能方法的流程图；
图11为一实施例提供的一种节能装置的结构示意图；
图12为另一实施例提供的一种节能装置的结构示意图；
图13为再一实施例提供的一种节能装置的结构示意图；
图14为又一实施例提供的一种节能装置的结构示意图；
图15为又一实施例提供的一种节能装置的结构示意图；
图16为一实施例提供的一种基站的硬件结构示意图；
图17为一实施例提供的一种控制单元的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在本申请实施例中，提供一种应用于基站的节能方法，由基站根据能耗影响因素数据对目标小区的负荷趋势进行预测，根据预测的负荷趋势确定可执行的节能策略以及该策略的生效时间，考虑了网络环境的实际情况，能够灵活地在特定的生效时间执行相应的节能策略，有效降低基站能耗。
图1为一实施例提供的一种应用于基站的节能方法的流程图，如图1所示，本实施例提供的方法包括步骤110-140。
在步骤110中，采集目标小区的能耗影响因素数据。
本实施例中，目标小区是指待预测负荷趋势的小区，或者是可以被设置节能策略的小区，能耗影响因素数据是指对目标小区的能耗具有影响的数据，可用于后续对节能策略的决策，如用户数、吞吐量、天气等因素。如果目标小区在一个时间段内的用户数或吞吐量较高，则为了保证业务服务质量，在该时间段内不采用节能策略；而如果在一个时间段内(例如在工作日的夜间)的用户数或吞吐量低于一定阈值，则可以在该时间段内关闭部分网络侧资源，以实现节能。又如，在周末天气条件不好(如大雨、大雾)的情况下，在居住区域的小区负荷较高，不采用节能策略，而在景点区域的小区负荷较低，可以关闭部分网络侧资源，以实现节能。
目标小区可以为基站覆盖范围内的一个或多个小区，当目标小区包括多个小区时，可以根据能耗影响因素数据对多个小区分组，将能耗影响因素数据相近的小区划分为一个目标小区组，这些小区在未来一段时间内的负荷趋势也是相近的，因此根据目标小区组中各小区的能耗影响因素数据的均值、统计量等可以对该目标小区组进行统一的预测，最终可采用相同的节能策略和生效时间。
在步骤120中，根据所述能耗影响因素数据预测目标小区的负荷趋势。
本实施例中，可以采集目标小区在过去的一段时间(例如一个月)内每个时间粒度(例如每个小时)对应的能耗影响因素数据，通过机器学习模型等可以预测目标小区未来的负荷趋势，例如，根据能耗影响因素数据的周期性特征和发展趋势特征(例如某个因素数据持续平稳上升或下降、加速上升或下降、波动维持在一定范围内、按照一定的周期有规律性的上升或下降等)预测目标小区在未来的一段时间(例如一周)内每个时间粒度(例如每个小时)的负荷因素值。
在步骤130中，根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
本实施例中，根据预测得到的负荷趋势确定最合适的节能策略和相应的生效时间，以达到最大化节能的目的。例如，通过预测目标小区在未来的一段时间(例如一周)内每个时间粒度(例如每个小时)的负荷因素值，可以确定在未来第2天的8:00-12:00负荷因素值低于一定阈值，则可以确定在该时间段内需要执行合适的节能策略以实现节能，并确定在该时间段结束时停止执行节能策略，恢复关闭的网络侧资源以满足业务需求，保证业务服务质量。
在步骤140中，按照所述生效时间执行所述节能策略。
本实施例的节能方法，可基于目标小区(或目标小区组)的历史负荷信息和其它额外信息预测其未来的负荷趋势，再将预测得到的未来的负荷信息应用在节能策略的决策中，从而确定未来可采用的节能策略和相应的生效时间段，在需要节能时执行节能策略，在必要时停止执行节能策略，恢复基站和网络侧的正常工作状态，从而根据目标小区的实际网络情况灵活控制能耗，在保证满足业务服务需求的情况下，能够有效降低能耗。
需要说明的是，上述的节能方法可应用于基站，尤其是在分布式网络结构和框架下，各个基站可以独立地针对其覆盖范围内的目标小区的实际网络情况分别进行决策和能耗控制。在一些实施例中，例如对于集中式网络架构的应用场景，能耗影响因素数据的采集、负荷趋势的预测也可以通过集中式的控制单元实现，该控制单元例如可以为网管设备或移动边缘计算(Mobile Edge Computing,MEC，MEC)数据平台、网元或集中式管理服务器等，这种情况下，控制单元可以采集在其负责区域内的所有基站的覆盖范围内的目标小区的数据，并针对各个基站的目标小区预测负荷趋势(还可以确定节能策略)，然后将负荷趋势(还可以将节能策略)指示给相应的基站，由各个基站按照节能策略分别管理其覆盖范围内的目标小区，实现节能控制。控制单元可以将预测得到的负荷趋势指示给基站，由基站确定节能策略和生效时间并执行，从而综合不同基站的数据，考虑其相互的影响和关联性进行统一的节能和决策。在一些实施例中，也可以由控制单元进行数据采集、负荷趋势预测并确定节能策略和生效时间，然后再将节能策略和生效时间指示给基站，基站直接接收并据此执行即可，在一定程度上降低基站的工作量，进一步提高确定节能策略的执行效率。
在一实施例中，能耗影响因素数据包括以下至少之一：目标小区的负荷信息、邻区负荷信息以及非网络因素信息；其中，邻区负荷信息包括在所述目标小区与邻区之间的业务切换产生的负荷信息。
本实施例中，能耗影响因素数据包括目标小区的各种负荷信息，例如上行或下行物理资源块(Physical Resource Block，PRB)利用率、无线资源控制(Radio ResourceControl，RRC)用户数、吞吐量、用户速率等。
能耗影响因素数据还可以包括邻区负荷信息，其中，邻区是指与目标小区存在负荷影响的小区，可以是与目标小区地理位置接近的小区，或者与目标小区存在业务或用户切换的小区；可以是基站覆盖范围内的小区，也可以是基站覆盖范围外的邻区。对于目标小区，负荷的产生主要包括两部分：第一部分是目标小区内的空闲态用户发起的业务产生的负荷，第二部分是小区与邻区间发生切换的用户产生的负荷，这部分发生切换用户会导致目标小区和邻区的负荷都发生变化。本实施例在对目标小区的负荷趋势进行预测时，考虑了邻区负荷信息，将空间上的信息(即服务小区和其周边邻区的关系及邻区的负荷信息)用于负荷预测和节能决策中，以进一步提高负荷预测的准确性。在一些实施例中，能耗影响因素数据还可以包括目标小区的地理位置、目标小区所属的邻区关系、邻区的地理位置等，这些信息可用于确定目标小区的邻区，与邻区负荷信息可统一归为小区网络规划信息。
能耗影响因素数据还可以包括非网络因素信息，例如天气、特殊事件时间列表、道路交通拥堵状况、特别节假日或重大活动等。在不同的天气、交通情况和节假日时期，网络负荷存在不同的变化趋势和特点。在构建预测模型的过程中将这些因素考虑进来可以提高模型预测的准确性。通过将非网络因素信息用于负荷趋势的预测和节能决策，进一步提高了负荷预测的全面性和节能策略的可靠性。
在一实施例中，还包括：
步骤101：根据与目标小区发生业务切换的次数和/或与所述目标小区的距离对覆盖范围内的小区进行排序，将排在最前的设定数量的小区确定为邻区。
本实施例中，基于一定准则选取对于目标小区的负荷趋势具有影响或者影响最大的邻区，例如，根据与目标小区发生业务切换的次数从大到小对其他小区进行排序，选取业务切换次数最多的5个小区作为目标小区的邻区；或者，根据与目标小区的距离从近到远对其他小区进行排序，选取距离最近的5个小区作为目标小区的邻区；又如，可以根据业务切换次数和距离对其他小区进行排序，可以为业务切换次数和距离设置排序的优先级，或者分别设置权重，综合确定排在最前的设定数量的小区，作为邻区，从而全面有效地预测目标小区的负荷趋势。
在一实施例中，还包括：
步骤102：根据所述目标小区的负荷信息变化频率和负荷信息变化幅度确定预测负荷趋势的时间和/或预测负荷趋势的周期。
本实施例中，根据采集到的能耗影响因素数据，可以判断在过去一段时间内目标小区的负荷信息变化频率和负荷信息变化幅度，如果负荷信息变化频率较高，则可相应增大负荷趋势预测的频率或者缩短预测负荷趋势的周期(例如每天预测一次并更新节能策略和生效时间)，反之，则可以减小负荷趋势预测的频率或者增大预测负荷趋势的周期(例如周预测一次并更新节能策略和生效时间)；如果负荷信息变化幅度较大，则可相应增大负荷趋势预测的频率或者缩短预测负荷趋势的趋势，反之，则可以减小负荷趋势预测的频率或者增大预测负荷趋势的周期；也可以根据负荷信息变化频率和变化幅度共同确定预测负荷趋势的时间和/或预测负荷趋势的周期。在一些实施例中，基站可以在一天中目标小区的负荷最低的时间进行预测和决策，例如在凌晨或者夜间，以避开用户业务量较多的时段，避免预测过程占用过多的计算资源，影响用户业务的正常进行。
在一实施例中，还包括：
步骤103：根据所述能耗影响因素数据的时间特征划分目标小区，所述目标小区包括至少一个小区。
在无线网络中，大量小区的负荷随着时间的变化呈现出类似的趋势。本实施例中，可以将所有待预测的小区分为小区组级或者小区级。如果是对小区组级负荷的预测，则需要将目标小区组内的各个小区的负荷信息按照一定规则进行汇总计算，以表征该目标小区组的负荷特征。具体为针对多个能耗影响因素数据相近的小区进行联合建模和预测，将负荷在时间特性上相似的小区按照一定的策略归成1个类别，从而将覆盖范围中的小区分成多个目标小区组。在些一实施例中，在针对时间特性相似的小区划分目标小区组时，可以采用K-Means等机器学习算法来实现，例如将小区Cell1、Cell2、Cell3划分为组别Category1，将Cell4和Cell5划分为组别Category2等，每个目标小区组包含的目标小区的数量不作限定。通过以目标小区组为单位进行统一预测和决策，降低计算量，避免不必要的工作，提高预测效率。
图2为另一实施例提供的一种应用于基站的节能方法的流程图。如图2所示，所述方法包括步骤210-290。
在步骤210中，采集目标小区的能耗影响因素数据。
本实施例中，能耗影响因素数据包括且不限于以下数据：目标小区的历史负荷信息(例如包括：上下行PRB利用率、RRC用户数、吞吐量、平均速率因素)、邻区负荷信息、天气因素(包括不同天气如雨雪天、晴天等)、道路交通因素(包括不同道路的部署位置及拥堵情况等)、节假日因素(包括工作日、周末以及法定节假日等)、大事件因素(发生的特殊的事件，如举办赛事或出行限制等)。能耗影响因素数据包括过去的一段时间内(例如6个月)的数据，采集的时间粒度可以为1小时等。
需要说明的是，对目标小区进行负荷趋势预测时，选取待预测的负荷因素，例如，预测得到的负荷趋势可以包括以下负荷因素：上行PRB利用率、下行PRB利用率、RRC用户数，这些负荷因素数据作为评判目标小区在未来的一段时间内负荷高低程度的依据。
在步骤220中，对所述能耗影响因素数据进行编码，得到编码数据。
本实施例中，对于能耗影响因素数据进行编码处理，便于提取负荷特征并通过建模进行预测。以基于天气网站抓取到的目标小区在过去一段时间内的历史天气信息为例，针对每个天气数据可以按照表1所示的方式进行编码。
表1能耗影响因素数据中的天气数据的编码
Figure BDA0002455679370000081
在步骤230中，根据所述编码数据提取所述目标小区的负荷特征。
本实施例中，根据能耗影响因素数据的编码数据提取负荷特征(主要指负荷随时间变化的时间序列特征)并据此建模，负荷特征包括且不限于以下特征：是否具备周期性特征；是否具备随时间变化的趋势特征，例如在特定时间段内持续平稳上升或下降、加速上升或下降、波动维持在一定范围内、按照一定的周期有规律性的上升或下降等。
在一实施例中，步骤230具体包括：在目标小区为至少两个的情况下，将各目标小区对应的聚类算法的质心作为所述负荷特征，或者将各目标小区的能耗影响因素数据的均值或中位值作为所述负荷特征。
本实施例中，在目标小区为多个，即针对目标小区组进行预测和节能决策的情况下，采用一定的策略来表征目标小区组的负荷特性。例如，采用聚类算法划分目标小区组，并利用聚类过程中目标小区组对应类别的质心确定目标小区的负荷特征，或者利用该目标小区组内所有目标小区的均值或中位值等确定目标小区的负荷特征。
在步骤240中，根据所述负荷特征建立机器学习预测模型。
本实施例中，针对目标小区的负荷特性，提取其中的时间序列特征，采用不同的预测算法进行建模。
表2为负荷特征与预测模型的映射表。如表2所示，如果目标小区的负荷信息和天气因素的负荷特征满足周期性特征且具有趋势特征(例如负荷特征按照一定周期的稳定上升)，则可建立Prophet模型进行负荷趋势预测。
表2负荷特征与预测模型的映射表
Figure BDA0002455679370000091
在步骤250中，通过所述机器学习预测模型预测所述目标小区的负荷趋势。
本实施例通过所述机器学习预测模型预测目标小区在未来一段时间内的不同时间点的负荷因素值，据此根据负荷的多少判断是否可以开启节能。
在步骤260中，根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
本实施例中，根据预测得到的负荷趋势确定可执行的节能策略以及对应的生效时间。例如，如果负荷因素值在未来的某个时间段内低于第一阈值，则可以确定一种合适的能耗较低的节能策略，并将该时间段作为对应的生效时间；如果负荷因素值在未来的某个时间段内高于第一阈值但小于第二阈值，则可以确定另一种能耗相对较高的节能策略，并将该时间段作为对应的生效时间；如果负荷因素值在未来的某个时间段内高于第二阈值，则不采用节能策略，以满足较高的业务需求等。
在步骤270中，负荷趋势与目标小区在相应时刻的负荷信息之间的偏差大于或等于设定阈值？若是，则执行步骤290，否则执行步骤280。
在步骤280中，根据所述相应时刻的负荷信息更新所述负荷趋势，并返回步骤260，根据更新后的负荷趋势重新确定节能策略和对应的生效时间。
在步骤290中，按照所述生效时间执行所述节能策略。
在本实施例中，还可以通过实时地比较预测得到的负荷趋势与实际的负荷信息的偏差，决定是否需要重新预测和决策，如果预测得到的负荷趋势基本负荷目标小区在该时间段的实际负荷信息，则按照之前确定的节能策略和生效时间执行即可，如果预测得到的负荷趋势与目标小区在该时间段的实际负荷信息偏差较大，说明负荷分布有了变化，则可以实时更新当前时刻的能耗影响因素数据，这种情况下预测模型可以基于新的数据信息进行更新，并重新进行预测和决策。
需要说明的是，在得到预测模型后，根据历史能耗影响因素数据或者实时更新的能耗影响因素数据都可以预测未来的多个时间粒度的负荷趋势。例如，对于实时性要求很高的网络系统，比如时延很小、数据业务为超高可靠低时延(Ultra Reliable Low LatencyCommunication，URLLC)业务、增强移动带宽(Enhanced Mobile Broadband，EMBB)业务、需要进行毫秒级别的符号关断节能策略控制的集中式系统或者基站侧，可采用实时预测的方法，即根据历史能耗影响因素数据和实时得到的能耗影响因素数据预测未来的负荷趋势，可以对较短的一段时间内的负荷趋势进行预测，以提高预测和决策的更新频率，满足实时性要求；而对于实时性要求相对不高的系统，比如有一定时延的集中式系统或者基站侧，则可根据历史能耗影响因素数据预测未来的较长的一段时间内的负荷趋势，以在满足低实时性要求的前提下节省计算量。
在一实施例中，步骤240具体包括以下至少之一：在负荷特征具有周期性且无趋势的情况下，通过平滑类算法建立机器学习预测模型；在负荷特征具有周期性且有无趋势的情况下，通过时间序列算法建立机器学习预测模型；在负荷特征无周期性的情况下，通过回归建模类算法建立机器学习预测模型。
本实施例中，根据提取的不同负荷特征，采用不同的机器学习算法进行建模。表3为负荷特征与建模的机器学习算法的映射表。如表3所示，如果目标小区的负荷特征满足周期性特征且具有趋势特征，则可利用时间序列算法，如Arima、Prophet算法等进行建模。
表3负荷特征与建模的机器学习算法的映射表
负荷特征 建模算法
周期无趋势 平滑类算法，如Holtwinter算法
周期有趋势 时间序列算法，如Arima、Prophet算法
非周期有趋势 回归建模类算法，如LSTM、SVM等
非周期无趋势 回归建模类算法，如LSTM、SVM等
本实施例中，对于具有明显的周期性和/或趋势特征的负荷特征，相对来讲容易较为准确地进行预测，因此可以采用计算实现相对较为简单的机器学习算法，以提升运行效率；而对于不具有明显的周期性和/或趋势特征的负荷特征，相对来讲预测难度较大，因此可以采用预测精度较高的机器学习算法，以获得更好的预测精度以及运行效率的平衡。
在一实施例中，步骤250具体包括：通过所述机器学习预测模型，按照设定的时间粒度预测目标小区在多个时刻对应的负荷因素值。
本实施例中，采集的能耗影响因素数据对应于第一时间段和第一时间粒度，例如采集的是6个月内的每15分钟的能耗影响因素数据；而预测得到负荷趋势对应于第二时间段和第二时间粒度，例如，通过预测模型可以预测得到在未来的一周内的每个小时的负荷因素值等。
在一实施例中，所述负荷趋势包括所述目标小区在多个时刻对应的负荷因素值；步骤260，包括：
步骤261：将所述负荷趋势中各个时刻对应的负荷因素值与相应的节能门限值进行比较；
步骤262：若一个时刻的负荷因素值小于或等于相应的节能门限值，则确定所述目标小区的节能策略，并将所述时刻作为所述节能策略对应的生效时间。
本实施例中，根据预测的负荷趋势，选择最合适的节能策略和节能生效时间。将负荷趋势中的各种负荷因素值和预先设置的节能门限进行比对。如果未来某个时间段某个负荷因素小于预设的门限，则认为在该时间段该因素满足节能的条件，可开启节能；否则认为不满足节能条件，不开启节能。其中，每个时刻或者每个时间粒度对应的节能门限值可以不同，例如，预测的是未来1天内每15分钟的符合因素值，在深夜(例如凌晨0:00-06:00)网络负荷通常很低，则对应的节能门限值也很低；在晚上(例如18:00-21:00)网络负荷通常较高，则对应的节能门限值也较高，从而合理控制能耗，灵活确定节能策略。
在一实施例中，步骤260，具体包括：根据所述负荷趋势中小于或等于相应节能门限值的负荷因素值的时间离散程度以及波动程度确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
本实施例中，具体采用哪种节能策略与负荷趋势中满足节能条件的负荷因素值(即负荷程度较低的负荷因素值)的离散程度以及波动程度有关，以用户速率为例，在1个小时内都比较低且持续稳定在一定范围内、在1个小时内都比较低但波动较大、在1天中只有早上的10分钟和晚上的10分钟比较低(即离散程度大)等情况下，采用的节能策略也各不相同，具有不同的响应速度和节能增益等，从而对于不同实际网络情况进行针对性的空旷感知，提高节能控制的适用性。
在一实施例中，步骤260，具体包括：在负荷趋势中存在多个连续的负荷因素值均小于或等于相应的节能门限值且各负荷因素值的波动程度小于或等于设定程度的情况下，采用第一节能策略；在负荷趋势中不存在连续的多个负荷因素值小于或等于相应的节能门限值的情况下，采用第二节能策略；在负荷趋势中存在多个连续的负荷因素值小于或等于节能门限值且各负荷因素值的波动程度大于设定程度的情况下，采用第三节能策略；其中，第一节能策略的节能响应速度低于第二节能策略的节能响应速度；第一节能策略的节能增益高于第二节能策略的节能增益；第三节能策略为第一节能策略和第二节能策略的组合策略。
本实施例中，针对预测得到的不同的负荷趋势，可以确定并执行不同的节能策略：例如，对于长时间连续时间段满足节能条件(负荷因素值低于节能门限值)且处于稳定低负荷的时间段，可以采用节能响应慢且节能增益更大的策略(例如深度休眠)；对于节能时间点分布离散且连续时间极短的时间段，可以采用节能响应快的节能策略(例如符号关断)，甚至不采用节能策略；对于存在连续满足节能时间段且负荷处于低负荷但有一定波动的时间段，可以采用组合策略(例如载波关断+通道关断+符号关断)。
表4为节能策略和生效时间的映射表。如表4所示，针对预测得到的不同的负荷趋势，可以确定在不同的时间段执行不同的节能策略。
表4节能策略和生效时间的映射表
Figure BDA0002455679370000121
在一实施例中，步骤110或步骤210，具体包括：通过核心网或者与相邻基站之间的通信接口获取邻区的关键绩效指标信息。
本实施例中，在需要获取邻区负荷信息的情况下，如果是基站覆盖范围内的邻区，直接获取数据即可，而如果是基站覆盖范围外的邻区，以分布式网络架构为例，基站可以通过核心网或者通过与其它基站的通信接口来进行负荷信息的交互，以获取邻区负荷信息，并在存在业务切换的情况下，根据邻区负荷信息更新或调整目标小区原本的负荷信息。而对于集中式网络架构，可以由各个基站向控制单元上报各自的关键绩效指标信息，供控制单元预测和决策。
图3为一实施例提供的一种获取邻区负荷信息的示意图。如图3所示，目标小区所属的基站可以通过核心网获取邻区基站发送的邻区负荷信息。
图4为另一实施例提供的一种获取邻区负荷信息的示意图。如图4所示，目标小区所属的基站可以直接通过与邻区基站的通信接口获取邻区基站发送的邻区负荷信息。
需要说明的是，在一些实施例中，尤其是在集中式网络架构下，也可以由集中式的控制单元通过收集其下的各个基站上报的关键绩效指标(Key Performance Indicator，KPI)信息，从而获得目标小区的负荷信息以及邻区负荷信息。
以分布式网络架构为例，以下通过一个实例来描述确定节能策略的过程。
在分布式网络架构下，由基站针对其管辖下的各个目标小区执行数据采集、负荷预测、节能策略决策和执行，以提高目标小区的节能效率。在该基站覆盖范围内共有N个目标小区，表示Cell i，i的取值为1～N。
1)基站采集能耗影响因素数据，并可以确定需要预测的负荷因素。例如，能耗影响因素数据包括上述实施例中的各种负荷信息、小区网络规划信息以及非网络因素信息，采集的是过去7天的能耗影响因素数据，对应的时间粒度为15分钟。
在此过程中，还可以通过对距离和业务切换次数进行排序确定邻区，并通过核心网或与其他基站的通信接口(X2或S1口)获取邻区负荷信息，包括邻区的索引、邻区的负荷数值、邻区的切换次数统计数据等。基于邻区对应的KPI数据，遍历目标小区及其各个邻区，分别计算与每个邻区之间的业务切换次数(包括切换入+切换出)，按照业务切换次数由大到小进行排序，选取排序靠前的N个小区作为邻区。对于基站内邻区，可以直接得到KPI信息；对于基站间邻区，需要通过信息交互获取对应小区的负荷信息。
2)基站根据能耗影响因素数据预测负荷趋势。具体的，根据能耗影响因素数据进行编码处理并提取负荷特性，主要指时间序列特征，包括周期性特征、趋势特征等，采用不同的预测算法进行建模。此外，还可以划分目标小区组，对目标小区组进行统一的预测和决策。
3)基站根据预测模型预测得到未来一段时间内的负荷趋势，包括不同时刻的各负荷因素值。例如，预测未来1天的每15分钟的负荷因素值。预测的时间段越小、时间粒度越小，越能够达到高实时性和准确性的预测效果。
4)基站将预测得到的不同时刻的负荷因素值分别与对应的节能门限值比较，选择最合适的节能策略并确定生效时间。
此外，当网络实际负荷与预测结果偏差较大时，基站可根据实时的数据更新预测模型、重新预测负荷趋势并确定新的节能策略和生效时间。
上述实施例的节能方法，综合考虑了不同的能耗影响因素数据，基于历史能耗影响因素数据和/或实时能耗影响因素数据预测未来不同时间点的负荷因素值，提高预测的全明性和准确性，提高节能的效率，降低基站能耗；根据负荷特征采用不同的机器学习算法建立不同的预测模型，实现了预测效率和预测准确性的平衡；通过比较预测结果与实际网络负荷的偏差更新模型和预测结果、结合历史数据和实时数据进行预测，进一步提高预测的准确性；通过设置不同的节能门限值、根据负荷变化程度选择最合适的节能策略、调整预测的时间和频率等，可动态根据负荷变化情况做出决策，提高节能控制的多样性和灵活性，根据网络实际情况有针对性地、高效地降低能耗确定节能策略和生效时间，。
在本申请实施例中，还提供一种应用于控制单元的节能方法，控制单元是指集中式网络架构下的网管设备、MEC数据平台、网元或集中式管理服务器等。由控制单元根据能耗影响因素数据对目标小区的负荷趋势进行预测，根据预测的负荷趋势确定可执行的节能策略以及该策略的生效时间，并指示给基站由基站来执行，考虑了网络环境的实际情况，能够灵活地控制基站在特定的生效时间执行相应的节能策略，有效降低基站能耗。
图5为一实施例提供的一种应用于控制单元节能方法的流程图。如图5所示，该方法包括步骤310-340。
在步骤310中，采集目标小区的能耗影响因素数据。
在步骤320中，根据所述能耗影响因素数据预测目标小区的负荷趋势。
在步骤330中，根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
在步骤340中，向基站指示所述节能策略以及所述生效时间。
本实施例的节能方法，适用于集中式网络架构的应用场景，能耗影响因素数据的采集、负荷趋势的预测、节能策略和生效时间的决策都是通过集中式的控制单元实现。
图6为一实施例提供的一种节能方法的实现示意图。如图6所示，控制单元可以将节能策略和生效时间按照一定的策略和时间粒度直接发送给基站(如实线所示)，也可以先存储在数据库中，基站可以从数据库中读取最新的节能策略以及生效时间(如虚线所示)，由基站据此执行节能策略，在一定程度上降低基站的工作量，进一步提高确定节能策略的执行效率。
在一实施例中，能耗影响因素数据包括以下至少之一：目标小区的负荷信息、邻区负荷信息以及非网络因素信息；其中，所述邻区负荷信息包括在所述目标小区与邻区之间的业务切换产生的负荷信息。
在一实施例中，还包括：
步骤301：根据与目标小区发生业务切换的次数和/或与目标小区的距离对覆盖范围内的小区进行排序，将排在最前的设定数量的小区确定为邻区。
在一实施例中，步骤320，具体包括：
步骤321：对能耗影响因素数据进行编码，得到编码数据；
步骤322：根据编码数据提取目标小区的负荷特征；
步骤323：根据负荷特征建立机器学习预测模型；
步骤324：通过机器学习预测模型预测目标小区的负荷趋势。
在一实施例中，步骤323，包括以下至少之一：
在负荷特征具有周期性且无趋势的情况下，通过平滑类算法建立机器学习预测模型；
在负荷特征具有周期性且有无趋势的情况下，通过时间序列算法建立机器学习预测模型；
在负荷特征无周期性的情况下，通过回归建模类算法建立机器学习预测模型。
在一实施例中，步骤324，具体包括：
通过机器学习预测模型，按照设定的时间粒度预测目标小区在多个时刻对应的负荷因素值。
在一实施例中，步骤322，具体包括：
在目标小区为至少两个的情况下，将各目标小区对应的聚类算法的质心作为负荷特征，或者将各目标小区的能耗影响因素数据的均值或中位值作为负荷特征。
在一实施例中，还包括：
步骤350：若负荷趋势与目标小区在相应时刻的负荷信息之间的偏差大于或等于设定阈值，则根据相应时刻的负荷信息更新负荷趋势。
在一实施例中，负荷趋势包括目标小区在多个时刻对应的负荷因素值；
步骤330，具体包括：
将负荷趋势中各个时刻对应的负荷因素值与相应的节能门限值进行比较；
若一个时刻的负荷因素值小于或等于相应的节能门限值，则确定目标小区的节能策略，并将时刻作为节能策略对应的生效时间。
在一实施例中，步骤330，具体包括：
根据负荷趋势中小于或等于相应节能门限值的负荷因素值的时间离散程度以及波动程度确定目标小区的节能策略以及节能策略对应的生效时间。
在一实施例中，步骤330，具体包括：
在负荷趋势中存在多个连续的负荷因素值均小于或等于相应的节能门限值且各负荷因素值的波动程度小于或等于设定程度的情况下，采用第一节能策略；
在负荷趋势中不存在连续的多个负荷因素值小于或等于相应的节能门限值的情况下，采用第二节能策略；
在负荷趋势中存在多个连续的负荷因素值小于或等于节能门限值且各负荷因素值的波动程度大于设定程度的情况下，采用第三节能策略；
其中，第一节能策略的节能响应速度低于第二节能策略的节能响应速度；
第一节能策略的节能增益高于第二节能策略的节能增益；
第三节能策略为第一节能策略和第二节能策略的组合策略。
在一实施例中，还包括：
步骤302：根据目标小区的负荷信息变化频率和负荷信息变化幅度确定预测负荷趋势的时间和/或预测负荷趋势的周期。
在一实施例中，还包括：
步骤303：根据能耗影响因素数据的时间特征划分目标小区，目标小区包括至少一个小区。
在一实施例中，步骤310具体包括：接收基站上报的关键绩效指标信息，根据关键绩效指标信息确定能耗影响因素数据。
本实施例中，集中式控制单元可以通过接收目标小区所属的基站上报的KPI获取目标小区的负荷信息，还可以通过邻区的基站上报的KPI获取邻区的负荷信息，根据各基站上报的KPI做出综合的预测和统一的决策，统一规划和管理网络资源，实现对各个基站的节能控制。
需要说明的是，本实施例中，能耗影响因素数据的采集、负荷趋势的预测、节能策略和生效时间的决策，都是由控制单元执行，前述实施例中关于根据能耗影响因素数据预测小区负荷趋势、确定相应的节能策略和生效时间的方案在本实施例中同样适用，控制单元具体的执行方式可以依据上述任意实施例所述的方式实现，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
以集中式网络架构为例，以下通过一个实例来描述确定节能策略的过程。
在集中式网络架构下，由控制单元针对其管辖下的各个目标小区执行数据采集、负荷预测、节能策略决策，由各个基站分别执行。在当前需要进行节能管理的基站覆盖范围内共有N个目标小区，表示Cell i，i的取值为1～N。
1)控制单元采集能耗影响因素数据，并可以确定需要预测的负荷因素。例如，能耗影响因素数据包括上述实施例中的各种负荷信息、小区网络规划信息以及非网络因素信息，采集的是过去7天的能耗影响因素数据，对应的时间粒度为15分钟。
在此过程中，还可以通过对距离和业务切换次数进行排序确定邻区，并通过核心网或与其他基站的通信接口(X2或S1口)获取邻区负荷信息，包括邻区的索引、邻区的负荷数值、邻区的切换次数统计数据等。基于邻区对应的KPI数据，遍历目标小区及其各个邻区，分别计算与每个邻区之间的业务切换次数(包括切换入+切换出)，按照业务切换次数由大到小进行排序，选取排序靠前的N个小区作为邻区。对于基站内邻区，可以直接得到KPI信息；对于基站间邻区，需要通过信息交互获取对应小区的负荷信息。
2)控制单元根据能耗影响因素数据预测负荷趋势。具体的，根据能耗影响因素数据进行编码处理并提取负荷特性，主要指时间序列特征，包括周期性特征、趋势特征等，采用不同的预测算法进行建模。此外，控制单元还可以划分目标小区组，对目标小区组进行统一的预测和决策。
3)控制单元根据预测模型预测得到未来一段时间内的负荷趋势，包括不同时刻的各负荷因素值。例如，预测未来1天的每15分钟的负荷因素值。预测的时间段越小、时间粒度越小，越能够达到高实时性和准确性的预测效果。
4)控制单元将预测得到的不同时刻的负荷因素值分别与对应的节能门限值比较，选择最合适的节能策略并确定生效时间，然后指示给基站，由基站执行。
此外，当网络实际负荷与预测结果偏差较大时，控制单元可根据实时的数据更新预测模型、重新预测负荷趋势并确定新的节能策略和生效时间。
在本申请实施例中，还提供一种应用于基站的节能方法，基站接收控制单元指示的节能策略和生效时间，按照生效时间去执行节能策略，能够适应不同的网络环境的实际情况，灵活调整节能策略，提高节能的灵活性，降低能耗。
图7为再一实施例提供的一种应用于基站节能方法的流程图。如图7所示，该方法包括步骤410和步骤420。
在步骤410中，接收指示信息，所述指示信息包括目标小区的节能策略以及所述节能策略对应的生效时间。
在步骤420中，按照所述生效时间执行所述节能策略。
本实施例的节能方法，适用于集中式网络架构的应用场景，能耗影响因素数据的采集、负荷趋势的预测、节能策略和生效时间的决策都是通过集中式的控制单元实现，基站负责执行节能策略，实现过程可参考图6。
在一实施例中，还包括步骤430：
向控制单元上报关键绩效指标信息，关键绩效指标信息中包含能耗影响因素数据。
需要说明的是，本实施例中，能耗影响因素数据的采集、负荷趋势的预测、节能策略和生效时间的决策，都是由控制单元执行，前述实施例中关于根据能耗影响因素数据预测小区负荷趋势、确定相应的节能策略和生效时间的方案在本实施例中同样适用，控制单元具体的执行方式都可以依据上述任意实施例所述的方式实现；对于基站，前述实施例中关于在不同的生效时间执行不同的节能策略的方案在本实施例中同样适用，基站的具体执行方式可依据上述任意实施例所述的方式实现，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
在本申请实施例中，还提供一种应用于控制单元的节能方法，控制单元是指集中式网络架构下的网管设备、MEC数据平台、网元或集中式管理服务器等。由控制单元根据能耗影响因素数据对目标小区的负荷趋势进行预测，并将预测得到的负荷趋势指示给基站，由基站进一步确定节能策略以及生效时间并按此执行，考虑了网络环境的实际情况，能够灵活地控制基站在特定的生效时间执行相应的节能策略，有效降低基站能耗。
图8为另一实施例提供的一种应用于控制单元节能方法的流程图。如图8所示，该方法包括步骤510-530。
在步骤510中，采集目标小区的能耗影响因素数据。
在步骤520中，根据所述能耗影响因素数据预测目标小区的负荷趋势。
在步骤530中，向所述基站指示所述负荷趋势。
本实施例的节能方法，适用于集中式网络架构的应用场景，能耗影响因素数据的采集和负荷趋势的预测都是通过集中式的控制单元实现，控制单元向基站发送负荷趋势的指示信息，由基站进行节能策略和生效时间的决策与执行。
图9为另一实施例提供的一种节能方法的实现示意图。如图9所示，控制单元可以将预测得到的负荷趋势按照一定的策略和时间粒度直接发送给基站(如实线所示)，也可以先存储在数据库中，基站可以从数据库中读取最新的负荷趋势(如虚线所示)并据此确定节能策略和生效时间(如虚线所示)，然后执行节能策略，进一步提高确定节能策略的执行效率。
在一实施例中，步骤510具体包括：接收基站上报的关键绩效指标信息，根据关键绩效指标信息确定能耗影响因素数据。
本实施例中，集中式控制单元可以通过接收目标小区所属的基站上报的KPI获取目标小区的负荷信息，还可以通过邻区的基站上报的KPI获取邻区的负荷信息，根据各基站上报的KPI做出综合的预测和统一的决策，统一规划和管理网络资源，实现对各个基站的节能控制。
需要说明的是，本实施例中，能耗影响因素数据的采集、负荷趋势的预测、都是由控制单元执行，前述实施例中关于根据能耗影响因素数据预测小区负荷趋势的方案在本实施例中同样适用，控制单元具体的执行方式都可以依据上述任意实施例所述的方式实现，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
在本申请实施例中，还提供一种应用于基站的节能方法，基站接收控制单元指示的符合趋势并据此确定节能策略和生效时间，按照生效时间去执行节能策略，能够适应不同的网络环境的实际情况，灵活调整节能策略，提高节能的灵活性，降低能耗。
图10为又一实施例提供的一种应用于基站节能方法的流程图。如图10所示，该方法包括步骤610-630。
在步骤610中，接收指示信息，所述指示信息包括目标小区的负荷趋势。
在步骤620中，根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
在步骤630中，按照所述生效时间执行所述节能策略。
本实施例的节能方法，适用于集中式网络架构的应用场景，能耗影响因素数据的采集、负荷趋势的预测都是通过集中式的控制单元实现，基站根据控制单元的指示可以确定节能策略和生效时间，并执行节能策略，实现过程可参考图9。
在一实施例中，还包括步骤640：
向控制单元上报关键绩效指标信息，关键绩效指标信息中包含能耗影响因素数据。
需要说明的是，本实施例中，能耗影响因素数据的采集、负荷趋势的预测、都是由控制单元执行，前述实施例中关于根据能耗影响因素数据预测小区负荷趋势的方案在本实施例中同样适用，控制单元具体的执行方式都可以依据上述任意实施例所述的方式实现；对于基站，前述实施例中关于根据负荷趋势确定节能策略和生效时间、在不同的生效时间执行不同的节能策略的方案在本实施例中同样适用，基站的具体执行方式可依据上述任意实施例所述的方式实现，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
本申请实施例还提供一种节能装置。图11为一实施例提供的一种节能装置的结构示意图。如图11所示，所述节能装置包括：数据采集模块11、预测模块12、决策模块13和执行模块14。
数据采集模块11，设置为采集目标小区的能耗影响因素数据；
预测模块12，设置为根据所述能耗影响因素数据预测目标小区的负荷趋势；
决策模块13，设置为根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；
执行模块14，设置为按照所述生效时间执行所述节能策略。
本实施例的节能装置，通过根据能耗影响因素数据对目标小区的负荷趋势进行预测，根据预测的负荷趋势确定可执行的节能策略以及该策略的生效时间，考虑了网络环境的实际情况，能够灵活地在特定的生效时间执行相应的节能策略，有效降低基站能耗。
在一实施例中，所述能耗影响因素数据包括以下至少之一：
所述目标小区的负荷信息、邻区负荷信息以及非网络因素信息；
其中，所述邻区负荷信息包括在所述目标小区与邻区之间的业务切换产生的负荷信息。
在一实施例中，还包括：
邻区确定模块，设置为根据与所述目标小区发生业务切换的次数和/或与所述目标小区的距离对覆盖范围内的小区进行排序，将排在最前的设定数量的小区确定为所述邻区。
在一实施例中，预测模块12，包括：
编码单元，设置为对所述能耗影响因素数据进行编码，得到编码数据；
特征提取单元，设置为根据所述编码数据提取所述目标小区的负荷特征；
建模单元，设置为根据所述负荷特征建立机器学习预测模型；
预测单元，设置为通过所述机器学习预测模型预测所述目标小区的负荷趋势。
在一实施例中，建模单元，具体设置为以下至少之一：
在所述负荷特征具有周期性且无趋势的情况下，通过平滑类算法建立机器学习预测模型；
在所述负荷特征具有周期性且有无趋势的情况下，通过时间序列算法建立机器学习预测模型；
在所述负荷特征无周期性的情况下，通过回归建模类算法建立机器学习预测模型。
在一实施例中，预测单元，具体设置为：
通过所述机器学习预测模型，按照设定的时间粒度预测所述目标小区在多个时刻对应的负荷因素值。
在一实施例中，特征提取单元，具体设置为：
在所述目标小区为至少两个的情况下，将各所述目标小区对应的聚类算法的质心作为所述负荷特征，或者将各所述目标小区的能耗影响因素数据的均值或中位值作为所述负荷特征。
在一实施例中，还包括：
更新模块，设置为若所述负荷趋势与所述目标小区在相应时刻的负荷信息之间的偏差大于或等于设定阈值，则根据所述相应时刻的负荷信息更新所述负荷趋势。
在一实施例中，，所述负荷趋势包括所述目标小区在多个时刻对应的负荷因素值；
决策模块13，具体包括：
比较单元，设置为将所述负荷趋势中各个时刻对应的负荷因素值与相应的节能门限值进行比较；
决策单元，设置为若一个时刻的负荷因素值小于或等于相应的节能门限值，则确定所述目标小区的节能策略，并将所述时刻作为所述节能策略对应的生效时间。
在一实施例中，决策模块13，具体设置为：
根据所述负荷趋势中小于或等于相应节能门限值的负荷因素值的时间离散程度以及波动程度确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
在一实施例中，决策模块13，具体设置为：
在所述负荷趋势中存在多个连续的负荷因素值均小于或等于相应的节能门限值且各负荷因素值的波动程度小于或等于设定程度的情况下，采用第一节能策略；
在所述负荷趋势中不存在连续的多个负荷因素值小于或等于相应的节能门限值的情况下，采用第二节能策略；
在所述负荷趋势中存在多个连续的负荷因素值小于或等于节能门限值且各负荷因素值的波动程度大于设定程度的情况下，采用第三节能策略；
其中，所述第一节能策略的节能响应速度低于所述第二节能策略的节能响应速度；
所述第一节能策略的节能增益高于所述第二节能策略的节能增益；
所述第三节能策略为所述第一节能策略和所述第二节能策略的组合策略。
在一实施例中，数据采集模块11，具体设置为：
通过核心网或者与相邻基站之间的通信接口获取邻区的关键绩效指标信息。
在一实施例中，还包括：
预测管理模块，设置为根据所述目标小区的负荷信息变化频率和负荷信息变化幅度确定预测负荷趋势的时间和/或预测负荷趋势的周期。
在一实施例中，还包括：
分组模块，设置为根据所述能耗影响因素数据的时间特征划分目标小区，所述目标小区包括至少一个小区。
本实施例提出的节能装置与上述实施例提出的应用于基站的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于基站的节能方法相同的有益效果。
本申请实施例还提供一种节能装置。图12为另一实施例提供的一种节能装置的结构示意图。如图12所示，所述节能装置包括：数据采集模块21、预测模块22、决策模块23和策略指示模块24。
数据采集模块21，设置为采集目标小区的能耗影响因素数据；
预测模块22，设置为根据所述能耗影响因素数据预测目标小区的负荷趋势；
决策模块23，设置为根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；
策略指示模块24，设置为向基站指示所述节能策略以及所述生效时间。
本实施例的节能装置，根据能耗影响因素数据对目标小区的负荷趋势进行预测，根据预测的负荷趋势确定可执行的节能策略以及该策略的生效时间，并进行指示，考虑了网络环境的实际情况，能够灵活地控制基站在特定的生效时间执行相应的节能策略，有效降低基站能耗。
在一实施例中，所述能耗影响因素数据包括以下至少之一：
所述目标小区的负荷信息、邻区负荷信息以及非网络因素信息；
其中，所述邻区负荷信息包括在所述目标小区与邻区之间的业务切换产生的负荷信息。
在一实施例中，还包括：
邻区确定模块，设置为根据与所述目标小区发生业务切换的次数和/或与所述目标小区的距离对覆盖范围内的小区进行排序，将排在最前的设定数量的小区确定为所述邻区。
在一实施例中，预测模块22，包括：
编码单元，设置为对所述能耗影响因素数据进行编码，得到编码数据；
特征提取单元，设置为根据所述编码数据提取所述目标小区的负荷特征；
建模单元，设置为根据所述负荷特征建立机器学习预测模型；
预测单元，设置为通过所述机器学习预测模型预测所述目标小区的负荷趋势。
在一实施例中，建模单元，具体设置为以下至少之一：
在所述负荷特征具有周期性且无趋势的情况下，通过平滑类算法建立机器学习预测模型；
在所述负荷特征具有周期性且有无趋势的情况下，通过时间序列算法建立机器学习预测模型；
在所述负荷特征无周期性的情况下，通过回归建模类算法建立机器学习预测模型。
在一实施例中，预测单元，具体设置为：
通过所述机器学习预测模型，按照设定的时间粒度预测所述目标小区在多个时刻对应的负荷因素值。
在一实施例中，特征提取单元，具体设置为：
在所述目标小区为至少两个的情况下，将各所述目标小区对应的聚类算法的质心作为所述负荷特征，或者将各所述目标小区的能耗影响因素数据的均值或中位值作为所述负荷特征。
在一实施例中，还包括：
更新模块，设置为若所述负荷趋势与所述目标小区在相应时刻的负荷信息之间的偏差大于或等于设定阈值，则根据所述相应时刻的负荷信息更新所述负荷趋势。
在一实施例中，，所述负荷趋势包括所述目标小区在多个时刻对应的负荷因素值；
决策模块23，具体包括：
比较单元，设置为将所述负荷趋势中各个时刻对应的负荷因素值与相应的节能门限值进行比较；
决策单元，设置为若一个时刻的负荷因素值小于或等于相应的节能门限值，则确定所述目标小区的节能策略，并将所述时刻作为所述节能策略对应的生效时间。
在一实施例中，决策模块23，具体设置为：
根据所述负荷趋势中小于或等于相应节能门限值的负荷因素值的时间离散程度以及波动程度确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
在一实施例中，决策模块23，具体设置为：
在所述负荷趋势中存在多个连续的负荷因素值均小于或等于相应的节能门限值且各负荷因素值的波动程度小于或等于设定程度的情况下，采用第一节能策略；
在所述负荷趋势中不存在连续的多个负荷因素值小于或等于相应的节能门限值的情况下，采用第二节能策略；
在所述负荷趋势中存在多个连续的负荷因素值小于或等于节能门限值且各负荷因素值的波动程度大于设定程度的情况下，采用第三节能策略；
其中，所述第一节能策略的节能响应速度低于所述第二节能策略的节能响应速度；
所述第一节能策略的节能增益高于所述第二节能策略的节能增益；
所述第三节能策略为所述第一节能策略和所述第二节能策略的组合策略。
在一实施例中，数据采集模块21，具体设置为：
接收所述基站上报的关键绩效指标信息，根据所述关键绩效指标信息确定能耗影响因素数据。
在一实施例中，还包括：
预测管理模块，设置为根据所述目标小区的负荷信息变化频率和负荷信息变化幅度确定预测负荷趋势的时间和/或预测负荷趋势的周期。
在一实施例中，还包括：
分组模块，设置为根据所述能耗影响因素数据的时间特征划分目标小区，所述目标小区包括至少一个小区。
本实施例提出的节能装置与上述实施例提出的应用于控制单元的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于控制单元的节能方法相同的有益效果。
本申请实施例还提供一种节能装置。图13为再一实施例提供的一种节能装置的结构示意图。如图13所示，所述节能装置包括：策略接收模块31和执行模块32。
策略接收模块31，设置为接收指示信息，所述指示信息包括目标小区的节能策略以及所述节能策略对应的生效时间；
执行模块32，设置为按照所述生效时间执行所述节能策略。
本实施例的节能装置，通过接收指示信息，并按照生效时间执行节能策略，能够适应不同的网络环境的实际情况，灵活调整节能策略，提高节能的灵活性，降低能耗。
在一实施例中，还包括：
上报模块，设置为向控制单元上报关键绩效指标信息，关键绩效指标信息中包含能耗影响因素数据。
本实施例提出的节能装置与上述实施例提出的应用于基站的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于基站的节能方法相同的有益效果。
本申请实施例还提供一种节能装置。图14为又一实施例提供的一种节能装置的结构示意图。如图14所示，所述节能装置包括：数据采集模块41、预测模块42和趋势指示模块43。
数据采集模块41，设置为采集目标小区的能耗影响因素数据；
预测模块42，设置为根据所述能耗影响因素数据预测目标小区的负荷趋势；
趋势指示模块43，设置为向所述基站指示所述负荷趋势。
本实施例的节能装置，通过根据能耗影响因素数据对目标小区的负荷趋势进行预测并指示负荷趋势供基站决策和执行，考虑了网络环境的实际情况，能够灵活地控制基站在特定的生效时间执行相应的节能策略，有效降低基站能耗，降低基站工作量。
在一实施例中，所述能耗影响因素数据包括以下至少之一：
所述目标小区的负荷信息、邻区负荷信息以及非网络因素信息；
其中，所述邻区负荷信息包括在所述目标小区与邻区之间的业务切换产生的负荷信息。
在一实施例中，还包括：
邻区确定模块，设置为根据与所述目标小区发生业务切换的次数和/或与所述目标小区的距离对覆盖范围内的小区进行排序，将排在最前的设定数量的小区确定为所述邻区。
在一实施例中，预测模块42，包括：
编码单元，设置为对所述能耗影响因素数据进行编码，得到编码数据；
特征提取单元，设置为根据所述编码数据提取所述目标小区的负荷特征；
建模单元，设置为根据所述负荷特征建立机器学习预测模型；
预测单元，设置为通过所述机器学习预测模型预测所述目标小区的负荷趋势。
在一实施例中，建模单元，具体设置为以下至少之一：
在所述负荷特征具有周期性且无趋势的情况下，通过平滑类算法建立机器学习预测模型；
在所述负荷特征具有周期性且有无趋势的情况下，通过时间序列算法建立机器学习预测模型；
在所述负荷特征无周期性的情况下，通过回归建模类算法建立机器学习预测模型。
在一实施例中，预测单元，具体设置为：
通过所述机器学习预测模型，按照设定的时间粒度预测所述目标小区在多个时刻对应的负荷因素值。
在一实施例中，特征提取单元，具体设置为：
在所述目标小区为至少两个的情况下，将各所述目标小区对应的聚类算法的质心作为所述负荷特征，或者将各所述目标小区的能耗影响因素数据的均值或中位值作为所述负荷特征。
数据采集模块41，具体设置为：
接收所述基站上报的关键绩效指标信息，根据所述关键绩效指标信息确定能耗影响因素数据。
在一实施例中，还包括：
预测管理模块，设置为根据所述目标小区的负荷信息变化频率和负荷信息变化幅度确定预测负荷趋势的时间和/或预测负荷趋势的周期。
在一实施例中，还包括：
分组模块，设置为根据所述能耗影响因素数据的时间特征划分目标小区，所述目标小区包括至少一个小区。
本实施例提出的节能装置与上述实施例提出的应用于控制单元的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于控制单元的节能方法相同的有益效果。
本申请实施例还提供一种节能装置。图15为又一实施例提供的一种节能装置的结构示意图。如图15所示，所述节能装置包括：趋势接收模块51、决策模块52和执行模块53。
趋势接收模块51，设置为接收指示信息，所述指示信息包括目标小区的负荷趋势；
决策模块52，设置为根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；
执行模块53，设置为按照所述生效时间执行所述节能策略。
本实施例的节能装置，通过接收控制单元指示的符合趋势并据此确定节能策略和生效时间，按照生效时间去执行节能策略，能够适应不同的网络环境的实际情况，灵活调整节能策略，提高节能的灵活性，降低能耗。
在一实施例中，还包括：
更新模块，设置为若所述负荷趋势与所述目标小区在相应时刻的负荷信息之间的偏差大于或等于设定阈值，则根据所述相应时刻的负荷信息更新所述负荷趋势。
在一实施例中，所述负荷趋势包括所述目标小区在多个时刻对应的负荷因素值；
决策模块53，具体包括：
比较单元，设置为将所述负荷趋势中各个时刻对应的负荷因素值与相应的节能门限值进行比较；
决策单元，设置为若一个时刻的负荷因素值小于或等于相应的节能门限值，则确定所述目标小区的节能策略，并将所述时刻作为所述节能策略对应的生效时间。
在一实施例中，决策模块53，具体设置为：
根据所述负荷趋势中小于或等于相应节能门限值的负荷因素值的时间离散程度以及波动程度确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
在一实施例中，决策模块53，具体设置为：
在所述负荷趋势中存在多个连续的负荷因素值均小于或等于相应的节能门限值且各负荷因素值的波动程度小于或等于设定程度的情况下，采用第一节能策略；
在所述负荷趋势中不存在连续的多个负荷因素值小于或等于相应的节能门限值的情况下，采用第二节能策略；
在所述负荷趋势中存在多个连续的负荷因素值小于或等于节能门限值且各负荷因素值的波动程度大于设定程度的情况下，采用第三节能策略；
其中，所述第一节能策略的节能响应速度低于所述第二节能策略的节能响应速度；
所述第一节能策略的节能增益高于所述第二节能策略的节能增益；
所述第三节能策略为所述第一节能策略和所述第二节能策略的组合策略。
在一实施例中，还包括：
上报模块，设置为向控制单元上报关键绩效指标信息，关键绩效指标信息中包含能耗影响因素数据。
本实施例提出的节能装置与上述实施例提出的应用于基站的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于基站的节能方法相同的有益效果。
本申请实施例还提供一种基站。所述节能方法可以由节能装置执行，该节能装置可以通过软件和/或硬件的方式实现，并集成在所述基站中。图16为一实施例提供的一种基站的硬件结构示意图。如图16所示，本实施例提供的一种基站，包括：处理器710和存储装置720。该基站中的处理器可以是一个或多个，图16中以一个处理器710为例，所述设备中的处理器710和存储装置720可以通过总线或其他方式连接，图16中以通过总线连接为例。
所述一个或多个程序被所述一个或多个处理器710执行，使得所述一个或多个处理器实现上述任一实施例所述的应用于基站的节能方法。
该方法包括：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，并按照所述生效时间执行所述节能策略。
或者，该方法包括：接收指示信息，所述指示信息包括目标小区的节能策略以及所述节能策略对应的生效时间；按照所述生效时间执行所述节能策略。
或者，该方法包括：接收指示信息，所述指示信息包括目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；按照所述生效时间执行所述节能策略。
该基站中的存储装置720作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中应用于基站的节能方法对应的程序指令/模块(例如，附图11所示的节能装置中的模块，包括：数据采集模块10、预测模块11、决策模块12以及执行模块13)。处理器710通过运行存储在存储装置720中的软件程序、指令以及模块，从而执行基站的各种功能应用以及数据处理，即实现上述方法实施例中应用于基站的节能方法。
存储装置720主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等(如上述实施例中的能耗影响因素数据、负荷趋势等)。此外，存储装置720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置720可进一步包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至基站。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且，当上述基站中所包括一个或者多个程序被所述一个或者多个处理器710执行时，实现如下操作：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，并按照所述生效时间执行所述节能策略；按照所述传输机制执行对应的传输操作；
或者实现如下操作：接收指示信息，所述指示信息包括目标小区的节能策略以及所述节能策略对应的生效时间；按照所述生效时间执行所述节能策略。
或者实现如下操作：接收目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；按照所述生效时间执行所述节能策略。
本实施例提出的基站与上述实施例提出的应用于基站的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于基站的节能方法相同的有益效果。
本申请实施例还提供一种控制单元。所述节能方法可以由节能装置执行，该节能装置可以通过软件和/或硬件的方式实现，并集成在所述控制单元中。所述控制单元是指在集中式网络架构下的控制单元，例如网管设备。
图17为一实施例提供的一种控制单元的硬件结构示意图。如图16所示，本实施例提供的一种控制单元，包括：处理器810和存储装置820。该控制单元中的处理器可以是一个或多个，图16中以一个处理器810为例，所述设备中的处理器810和存储装置820可以通过总线或其他方式连接，图16中以通过总线连接为例。
所述一个或多个程序被所述一个或多个处理器810执行，使得所述一个或多个处理器实现上述任一实施例所述的应用于控制单元的节能方法。
该方法包括：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；向基站指示所述节能策略以及所述生效时间。
或者，该方法包括：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；向所述基站指示所述负荷趋势。
该控制单元中的存储装置820作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中应用于控制单元的节能方法对应的程序指令/模块(例如，附图12所示的节能装置中的模块，包括：数据采集模块20、预测模块21、决策模块22以及策略指示模块23)。处理器810通过运行存储在存储装置820中的软件程序、指令以及模块，从而执行控制单元的各种功能应用以及数据处理，即实现上述方法实施例中应用于控制单元的节能方法。
存储装置820主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等(如上述实施例中的能耗影响因素数据、负荷趋势等)。此外，存储装置820可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置820可进一步包括相对于处理器810远程设置的存储器，这些远程存储器可以通过网络连接至控制单元。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且，当上述控制单元中所包括一个或者多个程序被所述一个或者多个处理器810执行时，实现如下操作：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；向基站指示所述节能策略以及所述生效时间；
或者实现如下操作：采集目标小区的能耗影响因素数据；根据所述能耗影响因素数据预测目标小区的负荷趋势；向所述基站指示所述负荷趋势。
本实施例提出的控制单元与上述实施例提出的应用于控制单元的节能方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行应用于控制单元的节能方法相同的有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种节能方法。
通过以上关于实施方式的描述，所属领域的技术人员可以了解到，本申请可借助软件及通用硬件来实现，也可以通过硬件实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等，包括多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请任意实施例所述的方法。
以上所述，仅为本申请的示例性实施例而已，并非用于限定本申请的保护范围。
本申请附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(ROM)、随机访问存储器(RAM)、光存储器装置和系统(数码多功能光碟DVD或CD光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑器件(FGPA)以及基于多核处理器架构的处理器。
通过示范性和非限制性的示例，上文已提供了对本申请的示范实施例的详细描述。但结合附图和权利要求来考虑，对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的，但不偏离本发明的范围。因此，本发明的恰当范围将根据权利要求确定。

Claims (19)

1.一种节能方法，其特征在于，应用于基站，包括：
采集目标小区的能耗影响因素数据；
根据所述能耗影响因素数据预测目标小区的负荷趋势；
根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，并按照所述生效时间执行所述节能策略。
2.根据权利要求1所述的方法，其特征在于，所述能耗影响因素数据包括以下至少之一：
所述目标小区的负荷信息、邻区负荷信息以及非网络因素信息；
其中，所述邻区负荷信息包括在所述目标小区与邻区之间的业务切换产生的负荷信息。
3.根据权利要求2所述的方法，其特征在于，还包括：
根据与所述目标小区发生业务切换的次数和/或与所述目标小区的距离对覆盖范围内的小区进行排序，将排在最前的设定数量的小区确定为所述邻区。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述能耗影响因素数据预测目标小区的负荷趋势，包括：
对所述能耗影响因素数据进行编码，得到编码数据；
根据所述编码数据提取所述目标小区的负荷特征；
根据所述负荷特征建立机器学习预测模型；
通过所述机器学习预测模型预测所述目标小区的负荷趋势。
5.根据权利要求4所述的方法，其特征在于，所述根据所述负荷特征建立机器学习预测模型，包括以下至少之一：
在所述负荷特征具有周期性且无趋势的情况下，通过平滑类算法建立机器学习预测模型；
在所述负荷特征具有周期性且有无趋势的情况下，通过时间序列算法建立机器学习预测模型；
在所述负荷特征无周期性的情况下，通过回归建模类算法建立机器学习预测模型。
6.根据权利要求4所述的方法，其特征在于，所述通过所述机器学习预测模型预测所述目标小区的负荷趋势，包括：
通过所述机器学习预测模型，按照设定的时间粒度预测所述目标小区在多个时刻对应的负荷因素值。
7.根据权利要求4所述的方法，其特征在于，所述提取所述能耗影响因素数据的负荷特征，包括：
在所述目标小区为至少两个的情况下，将各所述目标小区对应的聚类算法的质心作为所述负荷特征，或者将各所述目标小区的能耗影响因素数据的均值或中位值作为所述负荷特征。
8.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
若所述负荷趋势与所述目标小区在相应时刻的负荷信息之间的偏差大于或等于设定阈值，则根据所述相应时刻的负荷信息更新所述负荷趋势。
9.根据权利要求1-3任一项所述的方法，其特征在于，所述负荷趋势包括所述目标小区在多个时刻对应的负荷因素值；
所述根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，包括：
将所述负荷趋势中各个时刻对应的负荷因素值与相应的节能门限值进行比较；
若一个时刻的负荷因素值小于或等于相应的节能门限值，则确定所述目标小区的节能策略，并将所述时刻作为所述节能策略对应的生效时间。
10.根据权利要求9所述的方法，其特征在于，所述根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，包括：
根据所述负荷趋势中小于或等于相应节能门限值的负荷因素值的时间离散程度以及波动程度确定所述目标小区的节能策略以及所述节能策略对应的生效时间。
11.根据权利要求10所述的方法，其特征在于，所述根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间，包括：
在所述负荷趋势中存在多个连续的负荷因素值均小于或等于相应的节能门限值且各负荷因素值的波动程度小于或等于设定程度的情况下，采用第一节能策略；
在所述负荷趋势中不存在连续的多个负荷因素值小于或等于相应的节能门限值的情况下，采用第二节能策略；
在所述负荷趋势中存在多个连续的负荷因素值小于或等于节能门限值且各负荷因素值的波动程度大于设定程度的情况下，采用第三节能策略；
其中，所述第一节能策略的节能响应速度低于所述第二节能策略的节能响应速度；
所述第一节能策略的节能增益高于所述第二节能策略的节能增益；
所述第三节能策略为所述第一节能策略和所述第二节能策略的组合策略。
12.根据权利要求1-3任一项所述的方法，其特征在于，所述采集目标小区的能耗影响因素数据，包括：
通过核心网或者与相邻基站之间的通信接口获取邻区的关键绩效指标信息。
13.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
根据所述目标小区的负荷信息变化频率和负荷信息变化幅度确定预测负荷趋势的时间和/或预测负荷趋势的周期。
14.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
根据所述能耗影响因素数据的时间特征划分目标小区，所述目标小区包括至少一个小区。
15.一种节能方法，其特征在于，应用于控制单元，包括：
采集目标小区的能耗影响因素数据；
根据所述能耗影响因素数据预测目标小区的负荷趋势；
根据所述负荷趋势确定所述目标小区的节能策略以及所述节能策略对应的生效时间；
向基站指示所述节能策略以及所述生效时间。
16.根据权利要求15所述的方法，其特征在于，所述采集目标小区的能耗影响因素数据，包括：
接收基站上报的关键绩效指标信息，根据所述关键绩效指标信息确定能耗影响因素数据。
17.一种基站，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的节能方法。
18.一种控制单元，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求15-16中任一所述的节能方法。
19.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-16中任一所述的节能方法。
CN202010305598.0A 2020-04-17 2020-04-17 节能方法、基站、控制单元及存储介质 Pending CN113543284A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010305598.0A CN113543284A (zh) 2020-04-17 2020-04-17 节能方法、基站、控制单元及存储介质
US17/918,960 US20230239784A1 (en) 2020-04-17 2021-04-16 Energy-saving method, base station, control unit, and storage medium
EP21787540.0A EP4138466A4 (en) 2020-04-17 2021-04-16 ENERGY SAVING METHOD, BASE STATION, CONTROL UNIT, AND STORAGE MEDIUM
PCT/CN2021/087665 WO2021209024A1 (zh) 2020-04-17 2021-04-16 节能方法、基站、控制单元及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010305598.0A CN113543284A (zh) 2020-04-17 2020-04-17 节能方法、基站、控制单元及存储介质

Publications (1)

Publication Number Publication Date
CN113543284A true CN113543284A (zh) 2021-10-22

Family

ID=78084673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010305598.0A Pending CN113543284A (zh) 2020-04-17 2020-04-17 节能方法、基站、控制单元及存储介质

Country Status (4)

Country Link
US (1) US20230239784A1 (zh)
EP (1) EP4138466A4 (zh)
CN (1) CN113543284A (zh)
WO (1) WO2021209024A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339971A (zh) * 2021-12-28 2022-04-12 中国电信股份有限公司 基站节能控制方法、装置、存储介质及电子设备
CN114740964A (zh) * 2022-03-29 2022-07-12 武汉烽火技术服务有限公司 基于lstm的服务器节能方法、装置、设备及存储介质
WO2023087138A1 (zh) * 2021-11-16 2023-05-25 株式会社Ntt都科摩 网络能耗管理系统、方法和存储介质
WO2023124469A1 (zh) * 2021-12-28 2023-07-06 中兴通讯股份有限公司 设备节能方法、系统、电子设备及存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210360474A1 (en) * 2020-05-15 2021-11-18 Samsung Electronics Co., Ltd. Methods and apparatus for network load balancing optimization
US20230060164A1 (en) * 2021-08-26 2023-03-02 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for maintaining a service session in an automotive edge computing environment
CN114286432B (zh) * 2021-12-30 2023-07-25 中国联合网络通信集团有限公司 通信基站的节能控制方法、装置、设备及存储介质
CN115134898B (zh) * 2022-06-22 2023-04-18 唐人通信技术服务股份有限公司 基于聚类分析的5g基站节能方法、装置、设备及介质
CN116990619B (zh) * 2023-09-25 2023-12-26 华夏天信智能物联股份有限公司 一种矿井变频一体机的智能监测方法
CN117156484B (zh) * 2023-10-30 2024-01-26 江西科技学院 一种基于5g技术的通信基站能耗分析系统和方法
CN117520998B (zh) * 2024-01-05 2024-03-26 深圳市光明顶技术有限公司 照明灯塔设备的能耗分析方法、装置、设备及存储介质
CN117930687A (zh) * 2024-01-24 2024-04-26 日照港集装箱发展有限公司动力分公司 一种用于港口的智慧能源优化控制系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102083149B (zh) * 2010-09-20 2013-06-05 电信科学技术研究院 一种调整节能参数值的方法、系统和设备
WO2012149749A1 (zh) * 2011-09-19 2012-11-08 华为技术有限公司 负荷预测方法、装置及节能控制通信系统
EP2919531A1 (en) * 2014-03-10 2015-09-16 Aspire Technology Limited Method and system for determining where and when in a cellular mobile network power consumption savings can be achieved without impacting quality of service
CN109996246B (zh) * 2017-12-30 2022-05-10 中国移动通信集团辽宁有限公司 基站小区的节能方法、装置、设备及介质
CN111010700B (zh) * 2018-10-08 2021-06-22 上海华为技术有限公司 确定负载门限的方法和装置
CN111010725B (zh) * 2019-12-12 2023-04-11 中国移动通信集团内蒙古有限公司 小区的节能控制方法、装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023087138A1 (zh) * 2021-11-16 2023-05-25 株式会社Ntt都科摩 网络能耗管理系统、方法和存储介质
CN114339971A (zh) * 2021-12-28 2022-04-12 中国电信股份有限公司 基站节能控制方法、装置、存储介质及电子设备
WO2023124469A1 (zh) * 2021-12-28 2023-07-06 中兴通讯股份有限公司 设备节能方法、系统、电子设备及存储介质
CN114740964A (zh) * 2022-03-29 2022-07-12 武汉烽火技术服务有限公司 基于lstm的服务器节能方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP4138466A4 (en) 2024-05-08
EP4138466A1 (en) 2023-02-22
WO2021209024A1 (zh) 2021-10-21
US20230239784A1 (en) 2023-07-27

Similar Documents

Publication Publication Date Title
CN113543284A (zh) 节能方法、基站、控制单元及存储介质
CN111726833B (zh) 一种网络负载均衡方法、装置和存储介质
CN103763747B (zh) 一种实现异构网络中动态负载均衡的方法
CN106714239B (zh) 一种lte网络负载自动均衡的方法和系统
Wu et al. Power consumption and GoS tradeoff in cellular mobile networks with base station sleeping and related performance studies
CN105636056B (zh) 一种频谱资源自优化的节能方法、装置和系统
CN110519783B (zh) 基于增强学习的5g网络切片资源分配方法
Sesto-Castilla et al. Use of Machine Learning for energy efficiency in present and future mobile networks
CN112235804B (zh) 基站远端单元动态划归方法和装置、小区组网方法和系统
CN111385800A (zh) 一种lte容量均衡的载波调度方法和装置
CN114071661A (zh) 一种基站节能控制方法和装置
US9030983B2 (en) Power saving method and device for a cellular radio system
CN113918240A (zh) 任务卸载方法及装置
CN115878227B (zh) 一种基于人群分类的边缘计算任务卸载方法
Miozzo et al. Coordinated load control of renewable powered small base stations through layered learning
Mirzaei Somarin et al. Big data based self-optimization networking in next generation mobile networks
Yao et al. Data-driven resource allocation with traffic load prediction
CN105246124A (zh) 一种异构无线网络联合接纳控制方法
Baiocchi et al. Joint management of energy consumption, maintenance costs, and user revenues in cellular networks with sleep modes
Premsankar et al. Data-driven energy conservation in cellular networks: A systems approach
Omar et al. Downlink spectrum allocation in 5g hetnets
CN115915276A (zh) 基于边缘计算的能量受限终端任务在线调度装置及其方法
Hao et al. Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information
EP3111703B1 (en) Method for power consumption optimization in mobile cellular networks
CN115515208A (zh) 基站节能方法、基站节能系统、基站及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination