CN116233984A - 一种基站的节能控制方法、装置、电子设备及存储介质 - Google Patents

一种基站的节能控制方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116233984A
CN116233984A CN202310253299.0A CN202310253299A CN116233984A CN 116233984 A CN116233984 A CN 116233984A CN 202310253299 A CN202310253299 A CN 202310253299A CN 116233984 A CN116233984 A CN 116233984A
Authority
CN
China
Prior art keywords
operation load
load data
cluster
base station
energy
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
CN202310253299.0A
Other languages
English (en)
Inventor
周威
耿亮
田欢欢
张美容
朱文杰
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.)
Henan Communications Engineering Co ltd
Original Assignee
Henan Communications Engineering Co ltd
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 Henan Communications Engineering Co ltd filed Critical Henan Communications Engineering Co ltd
Priority to CN202310253299.0A priority Critical patent/CN116233984A/zh
Publication of CN116233984A publication Critical patent/CN116233984A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了一种基站的节能控制方法、装置、电子设备及存储介质，本发明基于基站历史每日的运行负荷数据，并借助聚类分析和线性回归的方式，来识别出基站每周内不同负荷的运行日，以及每周内不同运行日的低负荷时间段；如此，即可识别出各个基站的工作场景，并以此来生成各个基站对应工作场景下的节能方案；基于此，本发明所提供的基站的节能方法，能够与基站的实际业务情况和用户的网络需求相匹配，从而在满足用户使用需求和基站业务需求的同时，降低基站的能耗，由此，本发明实现了基站的能耗的智能化管理，适用于在基站节能领域的大规模应用与推广。

Description

一种基站的节能控制方法、装置、电子设备及存储介质
技术领域
本发明属于基站节能技术领域，具体涉及一种基站的节能控制方法、装置、电子设备及存储介质。
背景技术
为了保证移动用户能够随时随地的使用移动业务，以及满足用户在移动终端数目密集区域和繁忙时段的通信需求，现有网络中布设了大量的基站设备，以实现移动信号的完全覆盖及话务量较高地区的多层覆盖；然而，经统计发现，基站设备的利用率不高，平均利用率不足50％，在某些时段的瞬时利用率甚至不足10％，在这种情况下，基站的持续运行就造成了能源浪费的问题；同时，随着通信技术的发展，第五代移动通信技术基站的分布也越来越广，在为人们提供更高质量的网络服务的同时，也进一步的增加了基站的能耗；如此，如何降低基站能源浪费的问题，已成为各方关注的焦点。
目前，为了降低基站的能耗，大多是通过人工经验，在固定的时间段将基站设置为节能状态(如，可以在夜里00:00-5:00将基站设置为节能状态等)；此方法虽然能够达到一定的节能效果，但是，由于基站服务的用户的网络需求是动态变化的，有可能会出现固定时间段内的活跃用户较多，固定时间段外的活跃用户较少的情况，可见，目前的基站的节能方式存在与基站的实际业务情况和用户的网络需求不匹配的问题，其节能效果不佳；因此，如何提供一种可基于用户的网络需求来进行基站节能控制的方法，已成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种基站的节能控制方法、装置、电子设备及存储介质，用以解决现有技术所存在的基站的节能方式与基站的实际业务情况和用户的网络需求不匹配，从而导致节能效果不佳的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种基站的节能控制方法，包括：
获取目标基站历史时间段内的运行负荷数据集合，其中，所述运行负荷数据集合包括有若干时间连续的运行负荷数据序列，且任一运行负荷数据序列对应的时间长度为24小时；
对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，以及对所述若干运行负荷数据序列进行线性回归处理，得到所述目标基站的日运行负荷趋势函数集，其中，所述日运行负荷趋势函数集包括所述目标基站在一周内每天所对应的日运行负荷趋势函数，且k为正整数；
从所述k个运行负荷类簇中，选择出最优运行负荷类簇，并基于所述最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息；
依据所述日运行负荷趋势函数集，确定出所述目标基站在一周内的每日运行节能时间段；
根据所述目标基站的周运行负荷变化趋势信息和每日运行节能时间段，生成所述目标基站的节能控制指令，其中，所述节能控制指令包括所述目标基站在一周内的节能运行日，每个节能运行日的运行开始时间和运行结束时间，以及每个节能运行日的节能策略，且所述节能策略包括符号关断、时隙关断、通道关断或设备休眠；
将所述节能控制指令发送至所述目标基站，以使所述目标基站执行所述节能控制指令，以便在执行所述节能控制指令后，完成所述目标基站的节能控制。
基于上述公开的内容，本发明先以24小时为数据量级单位，来获取目标基站历史时间段内连续的运行负荷数据序列；接着，即可基于前述数据，来进行目标基站对应运行业务负荷规律的分析，即对获取的若干运行负荷数据序列进行聚类分析，以及进行线性回归处理，以分别得到每个运行负荷数据序列所属的运行负荷类簇和目标基站在一周内每天运行所对应的日运行负荷趋势函数；而后，本发明根据前述数据所属的类簇，来确定出最优运行负荷类簇，并根据该最优运行负荷类簇，确定出目标基站的周运行负荷变化趋势，该趋势相当于是目标基站在一周内的负荷变化情况，如周一到周五为高负荷运行日，而周六和周天则为低负荷运行日等；基于此，该步骤相当于实现了目标基站一周内不同运行负荷日的划分，可为后续目标基站对应节能方案的生成提供数据依据。
同时，本发明还基于各个日运行负荷趋势函数，确定出目标基站在一周内的每日运行节能时间段；最后，根据前述周运行负荷变化趋势信息和每日运行节能时间段，即可确定出目标基站在一周内的节能运行日、每个节能运行日的开始时间、结束时间以及对应的节能策略，并以此来生成节能控制指令发送至目标基站，从而使目标基站依据该指令工作，以最终实现目标基站的节能运行。
通过上述设计，本发明基于基站历史每日的运行负荷数据，并借助聚类分析和线性回归的方式，来识别出基站每周内不同负荷的运行日，以及每周内不同运行日的低负荷时间段；如此，即可识别出各个基站的工作场景，并以此来生成各个基站对应工作场景下的节能方案；基于此，本发明所提供的基站的节能方法，能够与基站的实际业务情况和用户的网络需求相匹配，从而在满足用户使用需求和基站业务需求的同时，降低基站的能耗，由此，本发明实现了基站的能耗的智能化管理，适用于在基站节能领域的大规模应用与推广。
在一个可能的设计中，对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，包括：
计算所述运行负荷数据集合中每个运行负荷数据序列的第一聚类密度，以及所述运行负荷数据集合的第一平均聚类密度，并基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出k个运行负荷数据序列，以作为初始聚类中心；
计算目标运行负荷数据集合中的第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，并基于第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，将第p个目标运行负荷数据序列划分至目标初始聚类中心，其中，所述目标运行负荷数据集合为删除所有初始聚类中心后的运行负荷数据集合，且所述目标初始聚类中心为与所述第p个目标运行负荷数据序列距离最小的初始聚类中心；
将p自加1，并重新计算第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，直至p等于P时，得到k个初始运行负荷类簇，其中，p的初始值为1，且P为目标运行负荷数据序列的总个数；
计算各个初始运行负荷类簇的聚类中心，并基于各个初始运行负荷类簇的聚类中心以及所述运行负荷数据集合，确定出聚类准则函数值；
判断所述聚类准则函数值是否小于或等于预设聚类阈值；
若否，则将所述初始聚类中心更新为各个初始运行负荷类簇的聚类中心，并重新计算目标运行负荷数据集合中第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，直至所述聚类准则函数值小于或等于预设聚类阈值时为止，以便将所述聚类准则函数值小于或等于预设聚类阈值时所对应的k个初始运行负荷类簇，作为所述k个运行负荷类簇。
在一个可能的设计中，计算所述运行负荷数据集合中每个运行负荷数据序列的第一聚类密度，包括：
计算所述运行负荷数据集合中两两运行负荷数据序列间的欧式距离，并求和所有欧式距离，得到欧式距离汇总值；
利用所述欧式距离汇总值，确定出所述运行负荷数据集合的平均欧式距离；
对于所述运行负荷数据集合中的第i个运行负荷数据序列，基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度；
将i自加1，并重新基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度，直至i等于n时，得到每个运行负荷数据序列的第一聚类密度，其中，i的初始值为1，且n为运行负荷数据序列的总数。
在一个可能的设计中，利用所述欧式距离汇总值，确定出所述运行负荷数据集合的平均欧式距离，包括：
采用如下公式(1)，计算出所述运行负荷数据集合的平均欧式距离；
Figure BDA0004128672290000041
上述式(1)中，
Figure BDA0004128672290000042
表示平均欧式距离，s表示欧式距离汇总值，/>
Figure BDA0004128672290000043
表示从n个运行负荷数据序列中任取两个运行负荷数据序列所组成的集合数，且n表示运行负荷数据序列的总数；
相应的，基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度，包括：
采用如下公式(2)，计算得到所述第i个运行负荷数据序列的第一聚类密度；
Figure BDA0004128672290000051
上述式(2)中，wi表示第i个运行负荷数据序列，m(wi)表示第i个运行负荷数据序列的第一聚类密度，s(wi,wj)表示第i个运行负荷数据序列与第j个运行负荷数据序列之间的欧式距离，
Figure BDA0004128672290000052
表示密度函数，且/>
Figure BDA0004128672290000053
在一个可能的设计中，基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出k个运行负荷数据序列，以作为初始聚类中心，包括：
基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出各个运行负载数据序列的密度属性，其中，所述密度属性包括密度稀疏点或密度密集点；
从所述运行负荷数据集合中，提取出密度属性为密度稀疏点的运行负荷数据序列，以组成稀疏数据集合；
计算所述稀疏数据集合中每个运行负荷数据序列的第二聚类密度，以及所述稀疏数据集合的第二平均聚类密度，并从若干第二聚类密度中，提取出大于第二平均聚类密度的第二聚类密度，以利用提取出的第二聚类密度组成密度集合；
判断所述密度集合中的最大第二聚类密度的个数是否等于1；
若是，则将最大第二聚类密度对应的运行负荷数据序列，作为一初始聚类中心；
从所述密度集合中删除目标第二聚类密度，得到更新后的密度集合，其中，所述目标第二聚类密度所对应的运行负荷数据序列与指定数据之间的欧式距离，小于运行负荷数据集合的平均欧式距离，且所述指定数据为所述运行负荷数据集合中删除所述目标第二聚类密度对应的运行负荷数据序列后所剩余的运行负荷数据序列；
计算所述更新后的密度集合的第二平均聚类密度，并重新从密度集合的若干第二聚类密度中，提取出大于第二平均聚类密度的第二聚类密度，直至得到k个初始聚类中心为止。
在一个可能的设计中，若所述密度集合中的最大第二聚类密度的个数大于1，则所述方法还包括：
利用最大第二聚类密度对应的运行负荷数据序列，组成候选聚类中心集合；
对于所述候选聚类中心集合中的第h个运行负荷数据序列，计算所述候选聚类中心集合中的第h个运行负荷数据序列与候选聚类中心集合中每个运行负荷数据序列之间的欧式距离，并求和候选聚类中心集合中的第h个运行负荷数据序列与候选聚类中心集合中每个运行负荷数据序列之间的欧式距离，得到候选聚类中心集合中第h个运行负荷数据序列的聚类中心值；
将h自加1，直至h等H时，得到所述候选聚类中心集合中每个运行负荷数据序列的聚类中心值，其中，h的初始值为1，H为候选聚类中心集合中数据序列的总数；
将所述候选聚类中心集合中，最小的聚类中心值所对应的运行负荷数据序列，作为一初始聚类中心。
在一个可能的设计中，从所述k个运行负荷类簇中，选择出最优运行负荷类簇，包括：
计算每个运行负荷类簇的轮廓系数，并选取轮廓系数最大的运行负荷类簇，作为所述最优运行负荷类簇；
相应的，基于最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息，包括：
判断所述最优运行负荷类簇的轮廓系数是否大于或等于预设阈值；
若是，则基于所述k个运行负荷类簇，生成目标基站的周运行负荷变化趋势聚类图；
根据所述周运行负荷变化趋势聚类图，确定出所述目标基站在一周内的高负荷运行日和低负荷运行日；
利用所述高负荷运行日和所述低负荷运行日，组成所述周运行负荷变化趋势信息。
第二方面，提供了一种基站的节能控制装置，包括：
数据获取单元，用于获取目标基站历史时间段内的运行负荷数据集合，其中，所述运行负荷数据集合包括有若干时间连续的运行负荷数据序列，且任一运行负荷数据序列对应的时间长度为24小时；
数据分析单元，用于对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，以及对所述若干运行负荷数据序列进行线性回归处理，得到所述目标基站的日运行负荷趋势函数集，其中，所述日运行负荷趋势函数集包括所述目标基站在一周内每天所对应的日运行负荷趋势函数，且k为正整数；
数据分析单元，用于从所述k个运行负荷类簇中，选择出最优运行负荷类簇，并基于所述最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息；
数据分析单元，用于依据所述日运行负荷趋势函数集，确定出所述目标基站在一周内的每日运行节能时间段；
节能策略生成单元，用于根据所述目标基站的周运行负荷变化趋势信息和每日运行节能时间段，生成所述目标基站的节能控制指令，其中，所述节能控制指令包括所述目标基站在一周内的节能运行日，每个节能运行日的运行开始时间和运行结束时间，以及每个节能运行日的节能策略，且所述节能策略包括符号关断、时隙关断、通道关断或设备休眠；
发送单元，用于将所述节能控制指令发送至所述目标基站，以使所述目标基站执行所述节能控制指令，以便在执行所述节能控制指令后，完成所述目标基站的节能控制。
第三方面，提供了另一种基站的节能控制装置，以装置为电子设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述基站的节能控制方法。
第四方面，提供了一种存储介质，存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述基站的节能控制方法。
第五方面，提供了一种包含指令的计算机程序产品，当指令在计算机上运行时，使计算机执行如第一方面或第一方面中任意一种可能设计的所述基站的节能控制方法。
有益效果：
(1)本发明基于基站历史每日的运行负荷数据，并借助聚类分析和线性回归的方式，来识别出基站每周内不同负荷的运行日，以及每周内不同运行日的低负荷时间段；如此，即可识别出各个基站的工作场景，并以此来生成各个基站对应工作场景下的节能方案；基于此，本发明所提供的基站的节能方法，能够与基站的实际业务情况和用户的网络需求相匹配，从而在满足用户使用需求和基站业务需求的同时，降低基站的能耗，由此，本发明实现了基站的能耗的智能化管理，适用于在基站节能领域的大规模应用与推广。
附图说明
图1为本发明实施例提供的基站的节能控制方法的步骤流程示意图；
图2为本发明实施例提供的基站的节能控制装置的结构示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例：
参见图1所示，本实施例所提供的基站的节能控制方法，能够根据基站的历史业务运行负荷数据，来识别出基站一周内不同负荷的运行日，以及一周内每个运行日的低负荷时段，并以此来生成基站的节能控制方案；如此，本方法能够识别基站的工作场景，并基于基站的工作场景，来实现基站的定制化节能控制，从而在满足用户使用需求和基站业务需求的同时，降低基站的能耗，进而实现基站能耗的智能化管理；可选的，举例本方法可以但不限于在基站管理端侧运行，且举例基站管理端可以但不限于为个人电脑(personalcomputer，PC)、平板电脑或智能手机；可以理解的是，前述执行主体并不构成对本申请实施例的限定，相应的，本方法的运行步骤可以但不限于如下述步骤S1～S6所示。
S1.获取目标基站历史时间段内的运行负荷数据集合，其中，所述运行负荷数据集合包括有若干时间连续的运行负荷数据序列，且任一运行负荷数据序列对应的时间长度为24小时；在具体应用时，目标基站为需实行能耗管理的基站，而每条运行负荷数据序列实质为该目标基站24小时内的业务负荷数据记录，且目标基站的业务数据可以但不限于包括有：激活用户业务、上下行平均流量、分组数据汇聚协议数据、网络数据(如上下行载波利用率和各类信号占用率等)等；当然，前述历史时间段可为某年中连续10周或20周的数据等，其可根据实际使用而具体设置，在此不作具体限定；另外，在本实施例中，获取到该运行负荷数据集合后，还会进行数据的预处理，如进行错误值的删除、缺失数据的补充等等；处理完毕后，即可基于该数据集合进行目标基站对应业务运行负荷规律的分析，如下述步骤S2所示。
S2.对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，以及对所述若干运行负荷数据序列进行线性回归处理，得到所述目标基站的日运行负荷趋势函数集，其中，所述日运行负荷趋势函数集包括所述目标基站在一周内每天所对应的日运行负荷趋势函数，且k为正整数；在本实施例中，对运行负荷数据集合中的数据序列进行聚类分析，实质是将各个运行负荷数据序列划分为若干类簇，从而根据划分的类簇，来确定出该目标基站在一周内的周运行负荷变化模式；在本实施例中，目标基站的周运行负荷变化模式可以为运行负荷变化趋势规律(如周一至周五的运行负荷处于峰值，而周六和周天则处于谷值；又如，周一至周五的运行负荷处于谷值，周六和周天处于峰值等)、运行负荷变化趋势一致(一周内的运行负荷无明显变化，负荷量大致相同)或运行负荷变化无规律；如此，即可前述运行负荷变化模式，来为后续节能方案的生成，提供数据基础。
同时，通过对前述若干运行负荷数据序列进行线性回归，可得到目标基站在一周内每日运行负荷的日运行负荷趋势函数；而后，借助该函数，即可确定出目标基站在一周内每日的低负荷时段；如此，结合前述周运行负荷变化模式，即可确定出目标基站的节能方案；在本实施例中，可以但不限于将不同周内属于同一运行日的运行负荷数据序列进行线性回归处理，从而回归出目标基站在一周内的日运行负荷趋势函数；如，将不同周内同属于周一的运行负荷数据序列进行线性回归处理，得到目标基站在周一对应的日运行负荷趋势函数；当然，其余各日运行负荷趋势函数的生成原理与前述举例相同，于此不再赘述。
在本实施例中，下述提供对前述运行负荷数据集合进行聚类分析的其中一种方法，可以但不限于如下述步骤S21～S26所示。
S21.计算所述运行负荷数据集合中每个运行负荷数据序列的第一聚类密度，以及所述运行负荷数据集合的第一平均聚类密度，并基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出k个运行负荷数据序列，以作为初始聚类中心；在本实施例中，步骤S21为确定初始聚类中心的过程，即在进行聚类分析前，需要在前述运行负荷数据集合中，选取k个运行负荷数据序列，作为初始聚类中心；而后，以此来不断进行迭代聚类，直至满足结束条件时为止；在具体应用时，本实施例是利用各运行负荷数据序列之间的聚类密度，和所有运行负荷数据序列的平均聚类密度，来确定出各运行负荷数据序列中的密度稀疏数据序列；而后，即可基于密度稀疏数据序列，来确定出初始聚类中心；可选的，前述各个运行负荷数据序列的第一聚类密度的计算过程，可以但不限于如下述S21a～S21d所示。
S21a.计算所述运行负荷数据集合中两两运行负荷数据序列间的欧式距离，并求和所有欧式距离，得到欧式距离汇总值；在本实施例中，两两运行负荷数据序列间的欧式距离，包括其本身，如假设存在运行负荷数据序列t1、t2和t3，那么对于运行负荷数据序列t1，则计算t1与t1之间的欧式距离，t1与t2之间的欧式距离，以及t1与t3之间的欧式距离；当然，其余运行负荷数据序列的欧式距离的计算，与前述举例相同，于此不再赘述。
在得到运行负荷数据集合的欧式距离汇总值后，需计算出运行负荷数据集合的平均欧氏距离，而后，基于该平均欧式距离，和各个运行负荷数据序列间的欧式距离，即可计算得到每个运行负荷数据序列的第一聚类密度；其中，平均欧式距离的计算过程如下述步骤S21b所示。
S21b.利用所述欧式距离汇总值，确定出所述运行负荷数据集合的平均欧式距离；在本实施例中，可以但不限于采用如下公式(1)，计算出所述运行负荷数据集合的平均欧式距离；
Figure BDA0004128672290000111
上述式(1)中，
Figure BDA0004128672290000116
表示平均欧式距离，s表示欧式距离汇总值，/>
Figure BDA0004128672290000115
表示从n个运行负荷数据序列中任取两个运行负荷数据序列所组成的集合数，且n表示运行负荷数据序列的总数。
如此，在计算得到平均欧式距离后，即可结合前述各运行负荷数据序列间的欧式距离，来计算出各个运行负荷数据序列的第一聚类密度，如下述步骤S21c所示。
S21c.对于所述运行负荷数据集合中的第i个运行负荷数据序列，基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度；在具体实施时，可以但不限于采用如下公式(2)，计算出第i个运行负荷数据序列的第一聚类密度。
Figure BDA0004128672290000112
上述式(2)中，wi表示第i个运行负荷数据序列，m(wi)表示第i个运行负荷数据序列的第一聚类密度，s(wi,wj)表示第i个运行负荷数据序列与第j个运行负荷数据序列之间的欧式距离，
Figure BDA0004128672290000113
表示密度函数，且/>
Figure BDA0004128672290000114
下述在前述举例的基础上，来阐述前述公式(2)：
假设以第一个运行负荷数据序列t1为例，那么则先计算平均欧式距离，与t1和其自身的欧式距离之间的差值，然后，基于该差值，计算出密度函数的值(记为q1)；接着，再计算平均欧式距离，与t1和第二个运行负荷数据序列(t2)的欧式距离之间的差值，并基于此，计算出第二次运算时的密度函数值(记为q2)；同理，计算平均欧式距离，与t1和第三个运行负荷数据序列(t3)的欧式距离之间的差值，从而得到第三次运算时的密度函数值(记为q3)；最后，求和q1、q2和q3，即可得到t1的第一聚类密度；由此，将i不断累加1，并借助前述公式(2)进行第一聚类密度的计算，直至累加至n时，即可得到其余各个运行负荷数据序列的第一聚类密度，其中，循环过程如下述步骤S21d所示。
S21d.将i自加1，并重新基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度，直至i等于n时，得到每个运行负荷数据序列的第一聚类密度，其中，i的初始值为1，且n为运行负荷数据序列的总数。
由此通过前述步骤S21a～S21d计算出各个运行负荷数据序列的第一聚类密度后，求和所有第一聚类密度，并取均值，即可得到第一平均聚类密度，而后，基于第一平均聚类密度和各个第一聚类密度，即可确定出k个初始聚类中心；可选的，初始聚类中心的选取过程可以但不限于如下述步骤S21e～S21k所示。
S21e.基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出各个运行负载数据序列的密度属性，其中，所述密度属性包括密度稀疏点或密度密集点；在本实施例中，对于任一运行负荷数据序列，可以但不限于计算第一平均聚类密度与参数b之间的乘积，然后判断该乘积是否大于该任一运行负荷数据序列的第一聚类密度；若是，则判定该任一运行负荷数据序列的密度属性为密度稀疏点；若乘积小于该任一运行负荷数据序列的第一聚类密度，则判定该任一运行负荷数据序列的密度属性为密度密集点；可选的，0<b<1,且优选为0.2。
在确定出各个运行负荷数据序列的密度属性后，即可基于密度属性，来进行密度稀疏序列的选取，以便后续基于选取的序列，来确定出初始聚类中心；其中，具体过程如下述步骤S21f～S21k所示。
S21f.从所述运行负荷数据集合中，提取出密度属性为密度稀疏点的运行负荷数据序列，以组成稀疏数据集合；在本实施例中，步骤S21f相当于是从运行负荷数据集合中，筛选出密度稀疏数据序列，而后，以此为基础，再次基于密度稀疏数据序列(即密度属性为密度稀疏点的运行负荷数据序列)的聚类密度，以及所有密度稀疏数据序列的平均聚类密度，来确定出初始聚类中心，如下述步骤S21g～S21k所示。
S21g.计算所述稀疏数据集合中每个运行负荷数据序列的第二聚类密度，以及所述稀疏数据集合的第二平均聚类密度，并从若干第二聚类密度中，提取出大于第二平均聚类密度的第二聚类密度，以利用提取出的第二聚类密度组成密度集合；在本实施例中，稀疏数据集合中各运行负荷数据序列的第二聚类密度，以及该集合的第二平均聚类密度的计算过程可参见前述步骤S21a～S21d，其原理不再赘述；而在得到稀疏数据集合中每个运行负荷数据序列的第二聚类密度，以及该稀疏数据集合的第二平均聚类密度后，则可筛选出值大于第二平均聚类密度的第二聚类密度，并以此来组成密度集合；最后，根据密度集合，即可确定出初始聚类中心。
下述以一个实例来阐述前述步骤S21g：
假设稀疏数据集合包括有运行负荷数据序列t2、t3、t4、t5和t8，其中，t2的第二聚类密度为1.3，t3的第二聚类密度为1.6，t4的第二聚类密度为2，t5的第二聚类密度为1.9，t8的第二聚类密度为2.5；且稀疏数据集合的第二平均聚类为：1.86；那么，密度集合则包括有：2、1.9和2.5；当然，在不同数量的运行负荷数据序列的情况下，密度集合的确认原理与前述举例相同，于此不再赘述。
在得到密度集合后，即可就基于密度集合中最大的第二聚类密度的个数，来确定出初始聚类中心，如下述步骤S21h～S21k所示。
S21h.判断所述密度集合中的最大第二聚类密度的个数是否等于1。
S21i.若是，则将最大第二聚类密度对应的运行负荷数据序列，作为一初始聚类中心；在本实施例中，以前述举例为基础，密度集合中的最大第二聚类密度为2.5，其数量仅有1个，因此，第二聚类密度为2.5对应的运行负荷数据序列，则可作为一初始聚类中心，即将运行负荷数据序列t8作为一初始聚类中心。
在确定出一个初始聚类中心后，则需对密度集合中的第二聚类密度进行删除操作，得到更新后的密度集合；而后，再重新计算更新后的密度集合的第二平均聚类密度(为便于区分，下述称为更新后的第二平均聚类密度)；此时，则再重复前述步骤S21g，也就是从更新后的密度集合中，提取出大于更新后的第二平均聚类密度的第二聚类密度，以作为密度集合；最后，以前述步骤S21h和步骤S21i相同的原理，即可再次确定出一初始聚类中心；基于此，不断重复前述操作，直至确定出k个初始聚类中心时为止；在本实施例中，循环过程如下述步骤S21j和步骤S21k所示。
S21j.从所述密度集合中删除目标第二聚类密度，得到更新后的密度集合，其中，所述目标第二聚类密度所对应的运行负荷数据序列与指定数据之间的欧式距离，小于运行负荷数据集合的平均欧式距离，且所述指定数据为所述运行负荷数据集合中删除所述目标第二聚类密度对应的运行负荷数据序列后所剩余的运行负荷数据序列；在本实施例中，在删除目标第二聚类密度的同时，也会将前述步骤S21i中的最大第二聚类密度进行删除；同时，前述就已说明，指定数据为运行负荷数据集合中，删除目标第二聚类密度所对应的运行负荷数据序列后所剩余的数据；因此，只要目标第二聚类密度所对应的运行负荷数据序列与任一指定数据之间的欧式距离，小于平均欧式距离，则可删除该目标第二聚类密度。
如，在确定出一初始聚类中心后，密度集合包括2和1.9，此时，则计算运行负荷数据序列t4，与各个指定数据之间的欧式距离(假设指定数据有运行负荷数据序列t1、t2、t3、t5-t8)，因此，即计算t4与t1，t4与t2，t4与t3，t4与t5，t4与t6，t4与t7，以及t4与t8之间的欧式距离，此时，只要前述7个距离中有任一距离小于平均欧式距离，那么t4对应的第二聚类密度(即第二聚类密度2)，则从密度集合中删除；当然，其余不同密度集合的更新原理与前述举例相同，于此不再赘述。
在得到更新后的密度集合后，即可重新计算其第二平均聚类密度；然后，再利用更新后的密度集合的第二平均聚类密度，与更新后的密度集合中的各个第二聚类密度之间的大小关系，即可确定一新的密度集合；最后，再重复前述步骤S21i和S21j，即可再次确定一初始聚类中心；如此，以此原理不断循环，即可从运行负荷数据集合中，确定出k个初始聚类中心，如下述步骤S21k所示。
S21k.计算所述更新后的密度集合的第二平均聚类密度，并重新从密度集合的若干第二聚类密度中，提取出大于第二平均聚类密度的第二聚类密度，直至得到k个初始聚类中心为止；在本实施例中，若前述步骤S21i中，密度集合中的最大第二聚类密度的个数大于1，则采用如下步骤来确定出一初始聚类中心：
首先，利用最大第二聚类密度对应的运行负荷数据序列，组成候选聚类中心集合。
然后，对于候选聚类中心集合中的第h个运行负荷数据序列，计算所述候选聚类中心集合中的第h个运行负荷数据序列与候选聚类中心集合中每个运行负荷数据序列之间的欧式距离，并求和候选聚类中心集合中的第h个运行负荷数据序列与候选聚类中心集合中每个运行负荷数据序列之间的欧式距离，得到候选聚类中心集合中第h个运行负荷数据序列的聚类中心值。
接着，将h自加1，直至h等H时，得到所述候选聚类中心集合中每个运行负荷数据序列的聚类中心值，其中，h的初始值为1，H为候选聚类中心集合中数据序列的总数。
最后，将所述候选聚类中心集合中，最小的聚类中心值所对应的运行负荷数据序列，作为一初始聚类中心；当然，确定出一初始聚类中心后，则执行前述步骤S21j，然后不断循环，直至确定出k个初始聚类中心为止。
下述以一个实例来阐述当密度集合中最大的第二聚类密度的个数大于1时的操作步骤：
假设存在有3个最大第二聚类密度，分别对应的运行负荷数据序列为t3、t5和t7，此时，候选聚类中心集合则为{t3,t5,t7}，其中，对于运行负荷数据序列t3，计算t3与t3，t3与t5，以及t3与t7之间的欧式距离，然后求和3个欧式距离，得到运行负荷数据序列t3的聚类中心值(假设为3)；接着，以前述相同原理，计算出运行负荷数据序列t5和t7的聚类中心值(假设分别为3.4和2.9)；最后，将最小的聚类中心值所对应的运行负荷数据序列，也就是t7，作为初始聚类中心；当然，当最大的第二聚类密度个数不同的情况下，初始聚类中心的确定原理与前述举例相同，于此不再赘述。
由此通过前述步骤S21a～S21k，本发明采用各运行负荷数据序列间的欧式距离，以及平均欧式距离，来计算出各运行负荷数据序列的聚类密度和平均聚类密度，并基于前述两指标来进行初始聚类中心的确定；如此，避免了传统聚类方法随机选取初始聚类中心所存在的容易受初始聚类中心的选取影响而陷入局部最优解的问题，以及无法得到有效聚类的问题；由此，可为后续运行负荷数据序列的聚类分析，提供更合理的初始聚类中心，从而提高聚类的有效性和准确性。
在确定出k个初始聚类中心后，即可进行若干运行负荷数据序列的聚类分析，如下述步骤S22～S26所示。
S22.计算目标运行负荷数据集合中的第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，并基于第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，将第p个目标运行负荷数据序列划分至目标初始聚类中心，其中，所述目标运行负荷数据集合为删除所有初始聚类中心后的运行负荷数据集合，且所述目标初始聚类中心为与所述第p个目标运行负荷数据序列距离最小的初始聚类中心。
S23.将p自加1，并重新计算第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，直至p等于P时，得到k个初始运行负荷类簇，其中，p的初始值为1，且P为目标运行负荷数据序列的总个数。
S24.计算各个初始运行负荷类簇的聚类中心，并基于各个初始运行负荷类簇的聚类中心以及所述运行负荷数据集合，确定出聚类准则函数值；在本实施例中，对于任一初始运行负荷类簇，将该任一初始运行负荷类簇中各数据序列总和的均值，作为该任一初始运行负荷类簇的聚类中心；同时，举例聚类准则函数的表达式如下述式(3)所示。
Figure BDA0004128672290000161
上述式(3)中，E表示聚类准则函数，wi表示第i个运行负荷数据序列，Cv表示第v个聚类中心(即每次迭代到步骤S23时，即可在每次迭代时确定一初始运行负荷类簇，如此，即可得到k个聚类中心，而该Cv则是k个聚类中心内的第v个聚类中心)。
在基于前述公式(3)，计算出本次迭代时的聚类准则函数值后，即可与预设聚类阈值进行比较，从而判定聚类是否结束，如下述步骤S25和步骤S26所示。
S25.判断所述聚类准则函数值是否小于或等于预设聚类阈值；在本实施例中，预设聚类阈值可根据实际使用而具体设定，在此不作具体限定；同时，若聚类准则函数小于或等于预设聚类阈值，说明聚类达到最优，此时，即可将前述k个初始运行负荷类簇，作为运行负荷类簇，进行输出；反之，则说明聚类未达到最优，此时，则需进行下述步骤S26。
S26.若否，则将所述初始聚类中心更新为各个初始运行负荷类簇的聚类中心，并重新计算目标运行负荷数据集合中第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，直至所述聚类准则函数值小于或等于预设聚类阈值时为止，以便将所述聚类准则函数值小于或等于预设聚类阈值时所对应的k个初始运行负荷类簇，作为所述k个运行负荷类簇。
由此通过前述步骤S21～S26，即可将若干运行负荷数据序列，分为若干类簇，以便基于根据划分的类簇，来确定出该目标基站在一周内的周运行负荷变化模式，以便为后续目标基站的节能方案的生成，提供数据依据。
在本实施例中，确定出若干运行负荷数据序列的所属类簇后，还需从划分的类簇中，选择最优的类簇，以便基于最优的类簇，确定出目标基站在一周内的周运行负荷变化模式，并得到相应的周运行负荷变化趋势信息；其中，具体确定过程如下述步骤S3所示。
S3.从所述k个运行负荷类簇中，选择出最优运行负荷类簇，并基于所述最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息；在本实施例中，举例可以但不限于先计算每个运行负荷类簇的轮廓系数，然后选取轮廓系数最大的运行负荷类簇，作为最优运行负荷类簇；而后，再依据最优运行负荷类簇的轮廓系数，来确定出该目标基站的周运行负荷变化模式；最后，根据周运行负荷变化模式，选择不同的方式来确定出周运行负荷变化趋势信息。
在本实施例中，任一运行负荷类簇的轮廓系数的计算过程为：首先计算该任一运行负荷类簇中每个运行负荷数据序列的样本轮廓系数；然后，求和所有样本轮廓系数，并取求和结果的均值，即可得到该任一运行负荷类簇的轮廓系数。
可选的，任一运行负荷类簇中第u个运行负荷数据序列的样本轮廓系数的计算公式如下述式(4)所示。
Figure BDA0004128672290000171
上述式(4)中，g(u)表示任一运行负荷类簇中第u个运行负荷数据序列的样本轮廓系数，b(u)表示第u个运行负荷数据序列，与其余各个运行负荷类簇的平均距离中的最小值，而a(u)则为第u个运行负荷数据序列，与该任一运行负荷类簇中其余各个运行负荷数据序列的距离的平均值；其中，第u个运行负荷数据序列，与任一其余运行负荷类簇的平均距离，为该第u个运行负荷数据序列，与任一其余运行负荷类簇中各个数据序列之间的距离的平均值，且u＝1,2,3,..,U，U为任一运行负荷类簇中的数据总数。
在本实施例中，确定出最优运行负荷类簇的轮廓系数后，即可根据轮廓系数，来识别出目标基站的周运行负荷变化模式，以及目标基站的周运行负荷变化趋势；如下述步骤S31～S34所示。
S31.判断所述最优运行负荷类簇的轮廓系数是否大于或等于预设阈值；在本实施例中，举例预设阈值可以但不限于设置为0.65；其中，若最优运行负荷类簇的轮廓系数大于0.65，则判定目标基站的周运行负荷变化模式为运行负荷变化趋势规律(如周一至周五的运行负荷处于峰值，而周六和周天则处于谷值)；若最优运行负荷类簇的轮廓系数小于0.65，且该最优运行负荷类簇中的数据的平均距离小于或等于0.1时，判定该目标基站的周运行负荷变化模式为运行负荷变化趋势一致(一周内的运行负荷无明显变化，负荷量大致相同)；而若该轮廓系数不满足前述两种条件，则判定目标基站的周运行负荷变化模式为运行负荷变化无规律。
在判定出目标基站的周运行负荷变化模式为运行负荷变化趋势规律时，则可依据所划分的类簇，来分析出其负荷变化规律，如下述步骤S32所示。
S32.若是，则基于所述k个运行负荷类簇，生成目标基站的周运行负荷变化趋势聚类图；在本实施例中，基于该聚类图，即可确定出目标基站在一周内的运行负荷聚类情况，即一周内目标基站的高负荷运行日和低负荷运行日；而后，即可基于前述分析得到的高负荷运行日以及低负荷运行日，来生成目标基站的周运行负荷变化趋势信息，如下述步骤S33和步骤S34所示。
S33.根据所述周运行负荷变化趋势聚类图，确定出所述目标基站在一周内的高负荷运行日和低负荷运行日。
S34.利用所述高负荷运行日和所述低负荷运行日，组成所述周运行负荷变化趋势信息；在本实施例中，若目标基站的周运行负荷变化模式为运行负荷变化趋势一致，则认定目标基站在一周内的每天的运行负荷一致，以确定出所述目标基站的周运行负荷变化趋势信息为一周内的每天均为高负荷运行日；而若目标基站的周运行负荷变化模式为运行负荷变化无规律，则不进行任何节能操作，即结束本次处理过程。
由此通过前述步骤S3及其子步骤，本发明能够确定出目标基站在一周内的高负荷运行日和低负荷运行日，而后，再结合目标基站的日运行负荷趋势函数集，即可确定出目标基站在一周内，所需要实行节能运行的运行日和每个运行日的工作时段；具体的，如下述步骤S4和步骤S4所示。
S4.依据所述日运行负荷趋势函数集，确定出所述目标基站在一周内的每日运行节能时间段；在本实施例中，对于任一日运行负荷趋势函数，可基于该任一日运行负荷趋势函数，计算出该任一日运行负荷趋势函数对应基站运行日的负荷变化系数；而后，基于负荷变化系数，确定出该基站运行日的每日运行节能时间段；可选的，负荷变化系数的计算公式为：
R＝|fmax(t)|-|fmin(t)| (5)
上述式(5)中，R为负荷变化系数，fmax(t)表示任一日运行负荷趋势函数的最大值，fmin(t)表示任一日运行负荷趋势函数的最小值。
同时，将任一日运行负荷趋势函数中，小于R/4的连续时间段，作为目标基站处于所述基站运行日时的每日运行节能时间段；如，假设任一日运行负荷趋势函数对应于周一，且该任一日运行负荷趋势函数中，小于R/4的连续时间段为23点至7点；那么，目标基站在周一所对应的每日运行节能时间段则为23点至7点；当然，其余各基站运行日的每日运行节能时间段的确定原理与前述举例相同，于此不再赘述。
在得到目标基站在一周内的每日节能运行时间段后，即可结合其对应的周运行负荷变化趋势信息，来生成目标基站的节能控制指令，如下述步骤S5所示。
S5.根据所述目标基站的周运行负荷变化趋势信息和每日运行节能时间段，生成所述目标基站的节能控制指令，其中，所述节能控制指令包括所述目标基站在一周内的节能运行日，每个节能运行日的运行开始时间和运行结束时间，以及每个节能运行日的节能策略，且所述节能策略包括符号关断、时隙关断、通道关断或设备休眠；在本实施例中，由于周运行负荷变化趋势信息包含有目标基站的高负荷运行日，或高负荷运行日和低负荷运行日；那么，只需根据目标基站所存在的负荷运行日的种类，来为目标基站配备不同的节能策略。
具体应用时，若周运行负荷变化趋势信息包括有高负荷运行日和低负荷运行日，则设置一周两种节能策略，其中，高负荷运行日对应一种节能策略，低负荷运行日对应一种节能策略，且目标基站在高负荷运行日的节能运行开始时间和运行结束时间为：高负荷运行日对应的每日节能运行时间段的开始时间和结束时间；同理，目标基站在低负荷运行日对应的节能运行开始时间和运行结束时间则为：低负荷运行日对应的每日节能运行时间段的开始时间和结束时间。
同理，若周运行负荷变化趋势信息仅包括高负荷运行日，那么其对应的节能策略仅有一种，即节能运行日为周一至周天，且运行时间段为高负荷运行日的每日节能运行时间段。
如，目标基站的周运行负荷变化趋势信息包括有高负荷运行日和低负荷运行日，其中，高负荷运行日为周一至周五，低负荷运行日为周六至周天(其对应场景为写字楼)，且高负荷运行日的每日节能运行时间段为0点至7点，低负荷运行日的每日节能运行时间段为0点至24点；那么目标基站的节能控制指令则为：节能运行日1：周一至周五，节能运行日的运行开始时间为0点，运行结束时间为7点；节能策略为：策略一(包括符号关断、时隙关断、通道关断或设备休眠)；节能运行日2：周六至周天，节能运行日的运行开始时间为0点，运行结束时间为24点；节能策略为：策略二(符号关断、时隙关断、通道关断或设备休眠)。
又如，目标基站的周运行负荷变化趋势信息包括高负荷运行日(周一至周天，即为变化趋势一致的情况)，且高负荷运行日的每日节能运行时间段为23点至5点；那么，目标基站的节能控制指令为：节能运行日3：周一至周天，节能运行日的运行开始时间为23点，运行结束时间为5点；节能策略为：策略三(包括符号关断、时隙关断、通道关断或设备休眠)。
再如，目标基站的周运行负荷变化趋势信息包括有高负荷运行日和低负荷运行日，其中，高负荷运行日为周六至周天，低负荷运行日为周一至周吴(其对应场景为住宅)，且高负荷运行日的每日节能运行时间段为1点至8点，低负荷运行日的每日节能运行时间段为9点至6点；那么目标基站的节能控制指令则为：节能运行日4：周一至周五，节能运行日的运行开始时间为9点，运行结束时间为6点；节能策略为：策略四(包括符号关断、时隙关断、通道关断或设备休眠)；节能运行日5：周六至周天，节能运行日的运行开始时间为1点，运行结束时间为8点；节能策略为：策略六(符号关断、时隙关断、通道关断或设备休眠)。
当然，具有不同周运行负荷变化趋势信息和每日节能运行时间段的目标基站的节能控制指令的生成过程，与前述举例原理相同，于此不再赘述。
在本实施例中，符号关断为二维度调度，包括时域和频域(如资源块RB、带宽部分(BWP)和服务小区)，因此，即包含调度符号数和RB数据，关闭的器件为基准的PA(功率放大器)和部分收发信机，该功能对网络关键性能没有影响；时隙关断主要是业务汇聚到某些时隙，剩下的时隙不调度以达到关闭器件节能的目的；通道关断是指在一定负荷下关闭部分通道(通道值PA以及PA对应的TRX(收发信机)和DPD(Digital Pre-Distortion，数字预失真器件))以达到节能的目的。
另外，在本实施例中，可选择前述符号关断、时隙关断、通道关断和设备休眠中任意一种作为节能策略；当然，也可进行策略组合；具体的，前述节能策略的选择为基准节能策略控制的常用技术，其原理不再赘述。
在生成目标基站的节能控制指令后，即可将其下发至目标基站，以实现基站的节能运行；如下述步骤S6所示。
S6.将所述节能控制指令发送至所述目标基站，以使所述目标基站执行所述节能控制指令，以便在执行所述节能控制指令后，完成所述目标基站的节能控制；在本实施例中，目标基站可按照该指令运行，从而在确定出的节能运行日和其对应的时段，执行相应的节能策略，以最终达到降低基站能耗的目的。
由此通过前述步骤S1～S6所详细描述的基站的节能控制方法，本发明能够根据基站的历史业务运行负荷数据，来识别出基站一周内不同负荷的运行日，以及一周内每个运行日的低负荷时段，并以此来生成基站的节能控制方案；如此，本方法能够识别基站的工作场景，并基于基站的工作场景，来实现基站的定制化节能控制，从而在满足用户使用需求和基站业务需求的同时，降低基站的能耗，进而实现基站能耗的智能化管理。
如图2所示，本实施例第二方面提供了一种实现实施例第一方面中所述的基站的节能控制方法的硬件装置，包括：
数据获取单元，用于获取目标基站历史时间段内的运行负荷数据集合，其中，所述运行负荷数据集合包括有若干时间连续的运行负荷数据序列，且任一运行负荷数据序列对应的时间长度为24小时。
数据分析单元，用于对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，以及对所述若干运行负荷数据序列进行线性回归处理，得到所述目标基站的日运行负荷趋势函数集，其中，所述日运行负荷趋势函数集包括所述目标基站在一周内每天所对应的日运行负荷趋势函数，且k为正整数。
数据分析单元，用于从所述k个运行负荷类簇中，选择出最优运行负荷类簇，并基于所述最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息。
数据分析单元，用于依据所述日运行负荷趋势函数集，确定出所述目标基站在一周内的每日运行节能时间段。
节能策略生成单元，用于根据所述目标基站的周运行负荷变化趋势信息和每日运行节能时间段，生成所述目标基站的节能控制指令，其中，所述节能控制指令包括所述目标基站在一周内的节能运行日，每个节能运行日的运行开始时间和运行结束时间，以及每个节能运行日的节能策略，且所述节能策略包括符号关断、时隙关断、通道关断或设备休眠。
发送单元，用于将所述节能控制指令发送至所述目标基站，以使所述目标基站执行所述节能控制指令，以便在执行所述节能控制指令后，完成所述目标基站的节能控制。
本实施例提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本实施例第三方面提供了另一种基站的节能控制装置，以装置为电子设备为例，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的基站的节能控制方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的基站的节能控制方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如实施例第一方面所述的基站的节能控制方法。
其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的基站的节能控制方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基站的节能控制方法，其特征在于，包括：
获取目标基站历史时间段内的运行负荷数据集合，其中，所述运行负荷数据集合包括有若干时间连续的运行负荷数据序列，且任一运行负荷数据序列对应的时间长度为24小时；
对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，以及对所述若干运行负荷数据序列进行线性回归处理，得到所述目标基站的日运行负荷趋势函数集，其中，所述日运行负荷趋势函数集包括所述目标基站在一周内每天所对应的日运行负荷趋势函数，且k为正整数；
从所述k个运行负荷类簇中，选择出最优运行负荷类簇，并基于所述最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息；
依据所述日运行负荷趋势函数集，确定出所述目标基站在一周内的每日运行节能时间段；
根据所述目标基站的周运行负荷变化趋势信息和每日运行节能时间段，生成所述目标基站的节能控制指令，其中，所述节能控制指令包括所述目标基站在一周内的节能运行日，每个节能运行日的运行开始时间和运行结束时间，以及每个节能运行日的节能策略，且所述节能策略包括符号关断、时隙关断、通道关断或设备休眠；
将所述节能控制指令发送至所述目标基站，以使所述目标基站执行所述节能控制指令，以便在执行所述节能控制指令后，完成所述目标基站的节能控制。
2.根据权利要求1所述的方法，其特征在于，对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，包括：
计算所述运行负荷数据集合中每个运行负荷数据序列的第一聚类密度，以及所述运行负荷数据集合的第一平均聚类密度，并基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出k个运行负荷数据序列，以作为初始聚类中心；
计算目标运行负荷数据集合中的第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，并基于第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，将第p个目标运行负荷数据序列划分至目标初始聚类中心，其中，所述目标运行负荷数据集合为删除所有初始聚类中心后的运行负荷数据集合，且所述目标初始聚类中心为与所述第p个目标运行负荷数据序列距离最小的初始聚类中心；
将p自加1，并重新计算第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，直至p等于P时，得到k个初始运行负荷类簇，其中，p的初始值为1，且P为目标运行负荷数据序列的总个数；
计算各个初始运行负荷类簇的聚类中心，并基于各个初始运行负荷类簇的聚类中心以及所述运行负荷数据集合，确定出聚类准则函数值；
判断所述聚类准则函数值是否小于或等于预设聚类阈值；
若否，则将所述初始聚类中心更新为各个初始运行负荷类簇的聚类中心，并重新计算目标运行负荷数据集合中第p个目标运行负荷数据序列与各个初始聚类中心之间的距离，直至所述聚类准则函数值小于或等于预设聚类阈值时为止，以便将所述聚类准则函数值小于或等于预设聚类阈值时所对应的k个初始运行负荷类簇，作为所述k个运行负荷类簇。
3.根据权利要求2所述的方法，其特征在于，计算所述运行负荷数据集合中每个运行负荷数据序列的第一聚类密度，包括：
计算所述运行负荷数据集合中两两运行负荷数据序列间的欧式距离，并求和所有欧式距离，得到欧式距离汇总值；
利用所述欧式距离汇总值，确定出所述运行负荷数据集合的平均欧式距离；
对于所述运行负荷数据集合中的第i个运行负荷数据序列，基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度；
将i自加1，并重新基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度，直至i等于n时，得到每个运行负荷数据序列的第一聚类密度，其中，i的初始值为1，且n为运行负荷数据序列的总数。
4.根据权利要求3所述的方法，其特征在于，利用所述欧式距离汇总值，确定出所述运行负荷数据集合的平均欧式距离，包括：
采用如下公式(1)，计算出所述运行负荷数据集合的平均欧式距离；
Figure FDA0004128672280000031
上述式(1)中，
Figure FDA0004128672280000032
表示平均欧式距离，s表示欧式距离汇总值，/>
Figure FDA0004128672280000033
表示从n个运行负荷数据序列中任取两个运行负荷数据序列所组成的集合数，且n表示运行负荷数据序列的总数；
相应的，基于所述平均欧式距离，以及所述第i个运行负荷数据序列与每个运行负荷数据序列之间的欧式距离，计算得到所述第i个运行负荷数据序列的第一聚类密度，包括：
采用如下公式(2)，计算得到所述第i个运行负荷数据序列的第一聚类密度；
Figure FDA0004128672280000034
上述式(2)中，wi表示第i个运行负荷数据序列，m(wi)表示第i个运行负荷数据序列的第一聚类密度，s(wi,wj)表示第i个运行负荷数据序列与第j个运行负荷数据序列之间的欧式距离，
Figure FDA0004128672280000035
表示密度函数，且/>
Figure FDA0004128672280000036
5.根据权利要求2所述的方法，其特征在于，基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出k个运行负荷数据序列，以作为初始聚类中心，包括：
基于所述第一平均聚类密度和每个运行负荷数据序列的第一聚类密度，确定出各个运行负载数据序列的密度属性，其中，所述密度属性包括密度稀疏点或密度密集点；
从所述运行负荷数据集合中，提取出密度属性为密度稀疏点的运行负荷数据序列，以组成稀疏数据集合；
计算所述稀疏数据集合中每个运行负荷数据序列的第二聚类密度，以及所述稀疏数据集合的第二平均聚类密度，并从若干第二聚类密度中，提取出大于第二平均聚类密度的第二聚类密度，以利用提取出的第二聚类密度组成密度集合；
判断所述密度集合中的最大第二聚类密度的个数是否等于1；
若是，则将最大第二聚类密度对应的运行负荷数据序列，作为一初始聚类中心；
从所述密度集合中删除目标第二聚类密度，得到更新后的密度集合，其中，所述目标第二聚类密度所对应的运行负荷数据序列与指定数据之间的欧式距离，小于运行负荷数据集合的平均欧式距离，且所述指定数据为所述运行负荷数据集合中删除所述目标第二聚类密度对应的运行负荷数据序列后所剩余的运行负荷数据序列；
计算所述更新后的密度集合的第二平均聚类密度，并重新从密度集合的若干第二聚类密度中，提取出大于第二平均聚类密度的第二聚类密度，直至得到k个初始聚类中心为止。
6.根据权利要求5所述的方法，其特征在于，若所述密度集合中的最大第二聚类密度的个数大于1，则所述方法还包括：
利用最大第二聚类密度对应的运行负荷数据序列，组成候选聚类中心集合；
对于所述候选聚类中心集合中的第h个运行负荷数据序列，计算所述候选聚类中心集合中的第h个运行负荷数据序列与候选聚类中心集合中每个运行负荷数据序列之间的欧式距离，并求和候选聚类中心集合中的第h个运行负荷数据序列与候选聚类中心集合中每个运行负荷数据序列之间的欧式距离，得到候选聚类中心集合中第h个运行负荷数据序列的聚类中心值；
将h自加1，直至h等H时，得到所述候选聚类中心集合中每个运行负荷数据序列的聚类中心值，其中，h的初始值为1，H为候选聚类中心集合中数据序列的总数；
将所述候选聚类中心集合中，最小的聚类中心值所对应的运行负荷数据序列，作为一初始聚类中心。
7.根据权利要求1所述的方法，其特征在于，从所述k个运行负荷类簇中，选择出最优运行负荷类簇，包括：
计算每个运行负荷类簇的轮廓系数，并选取轮廓系数最大的运行负荷类簇，作为所述最优运行负荷类簇；
相应的，基于最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息，包括：
判断所述最优运行负荷类簇的轮廓系数是否大于或等于预设阈值；
若是，则基于所述k个运行负荷类簇，生成目标基站的周运行负荷变化趋势聚类图；
根据所述周运行负荷变化趋势聚类图，确定出所述目标基站在一周内的高负荷运行日和低负荷运行日；
利用所述高负荷运行日和所述低负荷运行日，组成所述周运行负荷变化趋势信息。
8.一种基站的节能控制装置，其特征在于，包括：
数据获取单元，用于获取目标基站历史时间段内的运行负荷数据集合，其中，所述运行负荷数据集合包括有若干时间连续的运行负荷数据序列，且任一运行负荷数据序列对应的时间长度为24小时；
数据分析单元，用于对所述运行负荷数据集合中的若干运行负荷数据序列进行聚类分析，得到k个运行负荷类簇，以及对所述若干运行负荷数据序列进行线性回归处理，得到所述目标基站的日运行负荷趋势函数集，其中，所述日运行负荷趋势函数集包括所述目标基站在一周内每天所对应的日运行负荷趋势函数，其中，k为正整数；
数据分析单元，用于从所述k个运行负荷类簇中，选择出最优运行负荷类簇，并基于所述最优运行负荷类簇，确定出所述目标基站的周运行负荷变化趋势信息；
数据分析单元，用于依据所述日运行负荷趋势函数集，确定出所述目标基站在一周内的每日运行节能时间段；
节能策略生成单元，用于根据所述目标基站的周运行负荷变化趋势信息和每日运行节能时间段，生成所述目标基站的节能控制指令，其中，所述节能控制指令包括所述目标基站在一周内的节能运行日，每个节能运行日的运行开始时间和运行结束时间，以及每个节能运行日的节能策略，且所述节能策略包括符号关断、时隙关断、通道关断或设备休眠；
发送单元，用于将所述节能控制指令发送至所述目标基站，以使所述目标基站执行所述节能控制指令，以便在执行所述节能控制指令后，完成所述目标基站的节能控制。
9.一种电子设备，其特征在于，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7任意一项所述的基站的节能控制方法。
10.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7任意一项所述的基站的节能控制方法。
CN202310253299.0A 2023-03-15 2023-03-15 一种基站的节能控制方法、装置、电子设备及存储介质 Pending CN116233984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310253299.0A CN116233984A (zh) 2023-03-15 2023-03-15 一种基站的节能控制方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310253299.0A CN116233984A (zh) 2023-03-15 2023-03-15 一种基站的节能控制方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116233984A true CN116233984A (zh) 2023-06-06

Family

ID=86582387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310253299.0A Pending CN116233984A (zh) 2023-03-15 2023-03-15 一种基站的节能控制方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116233984A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436848A (zh) * 2023-12-21 2024-01-23 山东康吉诺技术有限公司 基于人工智能的电机能耗监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436848A (zh) * 2023-12-21 2024-01-23 山东康吉诺技术有限公司 基于人工智能的电机能耗监测方法
CN117436848B (zh) * 2023-12-21 2024-03-08 山东康吉诺技术有限公司 基于人工智能的电机能耗监测方法

Similar Documents

Publication Publication Date Title
Zeng et al. Energy-efficient radio resource allocation for federated edge learning
Gong et al. Base station sleeping and resource allocation in renewable energy powered cellular networks
Guo et al. Online learning based computation offloading in MEC systems with communication and computation dynamics
US7702932B2 (en) Power management of a network by increasing a number of adjacent flows that share a computing device
CN109286664A (zh) 一种基于拉格朗日的计算迁移终端能耗优化方法
US9277497B2 (en) Cell size optimization for energy savings in cellular networks with hybrid energy supplies
CN107567079B (zh) 一种移动互联网数据驱动的基站节能方法
Chughtai et al. Energy efficient resource allocation for energy harvesting aided H-CRAN
WO2019104644A1 (zh) 一种调整唤醒频率的方法、智能设备以及存储介质
CN116233984A (zh) 一种基站的节能控制方法、装置、电子设备及存储介质
Hsu et al. A dynamic traffic-aware duty cycle adjustment MAC protocol for energy conserving in wireless sensor networks
Shinkuma et al. Smarter base station sleeping for greener cellular networks
US9516589B2 (en) Trading spectrum for energy savings in green cognitive cellular networks
Wang et al. A Base Station Sleeping Strategy in Heterogeneous Cellular Networks Based on User Traffic Prediction
CN102209369B (zh) 基于无线网络接口选择的增强智能手机用户体验的方法
CN112188600A (zh) 一种利用强化学习优化异构网络资源的方法
Yu et al. An altruistic compression-scheduling scheme for cluster-based wireless sensor networks
Xu et al. Ddpg-based edge resource management for coal mine surveillance video analysis in cloud-edge cooperation framework
CN105846867A (zh) 基于多基站CoMP和休眠技术的动态簇划分方法
Zhang et al. Cellular traffic forecasting based on inverted transformer for mobile perception dual-level base station sleep control
Zhu et al. A multi-timescale resource allocation algorithm based on self-learning for distributed fog radio access networks
CN111043052A (zh) 一种梯级泵站的半调角水泵调度方法和装置
Li et al. Energy efficient spectrum resource allocation in mobile edge computing
CN103338521B (zh) 小区间干扰协调方法及装置
Seo Rewarded access to a sleeping base station

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