CN116405990A - 设备节能方法、系统、电子设备及存储介质 - Google Patents
设备节能方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116405990A CN116405990A CN202111681339.9A CN202111681339A CN116405990A CN 116405990 A CN116405990 A CN 116405990A CN 202111681339 A CN202111681339 A CN 202111681339A CN 116405990 A CN116405990 A CN 116405990A
- Authority
- CN
- China
- Prior art keywords
- base station
- energy
- saving
- threshold
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000000694 effects Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000005265 energy consumption Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- MWRWFPQBGSZWNV-UHFFFAOYSA-N Dinitrosopentamethylenetetramine Chemical compound C1N2CN(N=O)CN1CN(N=O)C2 MWRWFPQBGSZWNV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
-
- 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
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
- H04W52/223—TPC being performed according to specific parameters taking into account previous information or commands predicting future states of the transmission
-
- 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
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
- H04W52/228—TPC being performed according to specific parameters taking into account previous information or commands using past power values or information
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
- Power Sources (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例涉及通信领域,公开了一种设备节能方法、系统、电子设备及存储介质。本发明的设备节能方法,应用于基站,包括:获取基站的历史业务数据;根据历史业务数据和预设的预测模型,动态预测基站的节能门限;获取基站的当前业务数据;根据当前业务数据和节能门限,控制基站的节能操作。本发明的设备节能方法可以提高设备自动节能的灵活性。
Description
技术领域
本申请实施例涉及通信领域,特别涉及一种设备节能方法、系统、电子设备及存储介质。
背景技术
从4G发展到5G,移动通信技术与产品形态都发生了很大的变化。无线网络支持更高速率、更低时延、更大连接密度,以应对数字化生态给网络带来的新挑战。与4G相比,5G基站支持大带宽、多通道、多天线等特殊诉求,硬件处理能力大幅提高,设备架构及功能更为复杂,功耗也大幅增加。
随着无线网络用户量的爆发式增长,运营商设备的投资规模也会随之增长,基站节能面临更大的挑战。在传统无线网络的节能方法,需要人工分析大量海量数据,采用人工设置统一关断参数和节能时段配置。
然而,当话务量变大时,因关断参数设置不合理而业务受损;而在业务量变小时,因关断参数设置不合理,节能效果不佳。
发明内容
本申请实施例的主要目的在于提出一种设备节能方法、系统、电子设备及存储介质,可以提高设备自动节能的灵活性。
为实现上述目的,本申请实施例提供了一种设备节能方法,应用于基站,包括:获取基站的历史业务数据;根据历史业务数据和预设的预测模型,动态预测基站的节能门限;获取基站的当前业务数据;根据当前业务数据和节能门限,控制基站的节能操作。
为实现上述目的,本申请实施例还提供了一种设备节能方法,应用于管理服务器,包括:获取基站的上报业务数据;根据上报业务数据,对预测模型进行训练;将训练完成的预测模型下发至基站;其中,预测模型用于对基站的节能门限进行预测,供基站根据节能门限控制节能操作。
为实现上述目的,本申请实施例还提供了一种设备节能系统,包括基站和管理服务器;其中,基站,用于获取基站的历史业务数据,根据历史业务数据和预设的预测模型,动态预测基站的节能门限,获取基站的当前业务数据,根据当前业务数据和节能门限,控制基站的节能操作;管理服务器,用于获取基站的上报业务数据,根据上报业务数据,对预测模型进行训练,将训练完成的预测模型下发至基站,其中,预测模型用于对基站的节能门限进行预测,供基站根据节能门限控制节能操作。
为实现上述目的,本申请的实施例还提供了一种电子设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述设备节能方法。
为实现上述目的,本申请的实施例还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述设备节能方法。
本申请提出的设备节能方法,通过获取基站的历史业务数据,根据历史业务数据和预设的预测模型,动态预测基站的节能门限,获取基站的当前业务数据,根据当前业务数据和节能门限,控制基站的节能操作,由于节能门限是由基站的历史业务数据预测模型动态预测得到的,所以节能门限是符合此基站的业务流量特征的,参照此节能门限进行节能操作的控制,可以使得基站的节能行为更加符合基站的业务特点和需求,避免基站因节能造成的业务性能下降或者节能效果不佳,因此可以提高设备自动节能的灵活性。
附图说明
图1是本发明一个实施例提供的设备节能方法应用于基站的流程示意图;
图2是本发明一个实施例提供的设备节能方法的设备部署示意图;
图3是本发明一个实施例提供的预测模型部署示意图;
图4是本发明一个实施例提供的预测模型激活流程示意图;
图5是本发明一个实施例提供的预测模型升级流程示意图;
图6是本发明一个实施例提供的设备节能方法应用于管理服务器的流程示意图;
图7是本发明一个实施例提供的设备节能系统示意图;
图8是本发明一个实施例提供的电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本申请各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本申请的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的实施例涉及一种设备节能方法,如图1所示,包括以下步骤:
步骤101,获取基站的历史业务数据;
步骤102,根据历史业务数据和预设的预测模型,动态预测基站的节能门限;
步骤103,获取基站的当前业务数据;
步骤104,根据当前业务数据和节能门限,控制基站的节能操作。
本申请的设备节能方法,应用于基站设备,在整个基站系统中,主要由无线设备,传输设备和电源系统组成;其中,无线设备包括室内基带处理单元(Building Base bandUnit,简称“BBU”)和射频拉远单元(Remote Radio Unit,简称“RRU”),分别完成基带信号和射频信号的上下行链路的处理。在分布式基站的部署中,BBU和RRU是分离部署的;BBU部署在机房,RRU部署在在铁塔上,通过光纤实现BBU和RRU的相互连接。操作维护中心(Operation and Maintenance Center,简称“OMC”)管理服务器,实现对无线网络设备的统一管理。
据统计,基站能耗的费用约占网络运营成本(Operating Expense,简称“OPEX”)的16%,而且还存在进一步增加的趋势。因此,有效降低基站能耗,提升网络能效,已成为全球运营商重要关注的问题。
如果基站能耗没有随话务量的变化而进行动态调整,则会造成无线设备能耗的浪费。在传统无线网络的能耗控制方法,需要人工分析大量海量数据,包括网络配置数据,站点覆盖数据,多频多制式网络识别等,往往采用人工设置统一关断参数和节能时段配置。为了降低运营成本,节能参数配置无差异化,无法做到按照场景自动寻找最佳的配置参数;当话务量变大时,因参数设置不合理而业务受损;而在业务量变小时,因参数设置不合理,节能效果不佳。为了降低节能运维的成本,寻找智能的节能策略,为运营商节能减排,降低网络运维成本,已成为各大网络设备提供商重要关注点之一。
业界也有一些研究,把机器学习模型与基站节能结合应用。节能目标是寻找节能时间段,本身与时间有关。时间序列模型在电信中的应用,大多采用传统时间序列模型,其产生于数据匮乏时代,精确度和预测效果不好,在工程上实施容易出现偏差过大。随着深度学习技术的进步和数据处理能力提升以及数据的增长,可以设计泛化能力更强的模型。但是基站的计算资源是受限的,模型设计需要在复杂度和计算力之间寻找平衡点;如果模型简单,则偏差过大,节能预测效果不佳;如果模型复杂,则因计算量大,导致额外的功耗成本。且机器学习模型的模型解释性不强,预测维度单一。
在传统无线网络的能耗控制方法,需要人工分析大量海量数据,包括网络配置数据,站点覆盖数据,多频多制式网络识别等,采用人工设置统一关断的配置参数:节能开关、PRB利用率门限(上下行),用户量接入门限;及其节能时段配置:一周工作日节能时段,及其周末节能时段,具体到小时。
但是,静态配置依据于大量的运维经验,往往采取最保守的节能策略,节能效果存在瓶颈。并且,静态配置因无法预知突发事件和节假日的用户接入量,此场景往往需要手动关闭节能开关,造成高昂的人工运维成本。
在本申请中,通过获取基站的历史业务数据,根据历史业务数据和预设的预测模型,动态预测基站的节能门限,获取基站的当前业务数据,根据当前业务数据和节能门限,控制基站的节能操作,由于节能门限是由基站的历史业务数据预测模型动态预测得到的,所以节能门限是符合此基站的业务流量特征的,参照此节能门限进行节能操作的控制,可以使得基站的节能行为更加符合基站的业务特点和需求,避免基站因节能造成的业务性能下降或者节能效果不佳,因此可以提高设备自动节能的灵活性。
下面对本实施例的设备节能方法实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
在步骤101中,基站获取基站的历史业务数据。
其中,基站按时间间隔定期收集本设备的业务数据,或在一个时间点集中收集业务数据。对于海量的业务数据,需要对数据进行特征选择。这些特征包括:基站ID,时间、服务小区、邻区关系等配置信息,还有用户接入量等KPI数据,及其突发事件和节假日事件等数据。具体地,一个基站的能耗数据可以表达为如下三元组信息:
{site-id,date,fetures}
其中,site_id表示基站标识,date标识能耗数据采样时间戳,features标识基站能耗数据的采样特征向量,即:features={服务小区,邻区关系,用户接入量,历史物理资源块(Physical Resource Block,简称“PRB”)利用率,节假日事件,...}
在步骤102中,基站根据历史业务数据和预设的预测模型,动态预测基站的节能门限。
其中,基站中预设有管理服务器预先下发的已经训练好的预测模型,基站将历史业务数据输入预测模型,得到预测模型输出的节能门限预测值。
在一个例子中,预测模型,通过以下任意一个,或者任意组合的维度建立:变化趋势、周期季节、节假日和重大事件。
本实施例中,由于预测模型可以根据变化趋势、周期季节、节假日和重大事件中的任意一个或者任意组合维度进行建立,因此,预测模型预测得到的节能门限是符合基站业务的变化趋势、周期季节、节假日和重大事件中的任意一个或者任意组合维度的业务特征,提高节能门限的准确性,使得设备有更好的节能效果。
在一个例子中,根据历史业务数据和预设的预测模型,预测基站在预设周期时长内的节能门限,从而实现根据历史业务数据和预设的预测模型,动态预测基站的节能门限。其中,预设周期时长可以是一天、一周、一个月等等。
本实施例中,由于基站每次只预测在预设周期时长内的节能门限,因此基站需要在每个预设周期都进行一次节能门限的预测,也就是基站会将本设备的工作时间划分为多个周期,并在每个周期分别进行节能门限的预测,增加了预测的次数,减小每次预测计算的节能门限数量,从而可以减少设备的计算压力。
在一个例子中,预测基站在预设周期时长内的节能门限,包括:预测基站在预设周期时长内各时段对应的节能门限。
本实施例中,由于预设周期被划分为多个时段,并且,每个时段有对应的节能门限,所以计算得到的节能门限可以分别贴合各个时段的业务特征,并且可以使得节能门限具备实时性,因此,基站会将预设周期时长内的各时段都使用不同的节能门限进行节能控制,从而可以有更好的节能效果。
在步骤103中,基站获取基站的当前业务数据。其中,基站在获取到预测模型输出的节能门限预测值后,对本设备的业务数据进行实时检测和获取。
在步骤104中,基站根据当前业务数据和节能门限,控制基站的节能操作。其中,基站将当前业务数据和节能门限进行大小比较,在当前业务数据大于节能门限时,控制基站进入节能状态,在当前业务数据大于等于节能门限时,控制基站退出节能状态。
在一个例子中,节能门限,可以是物理资源块PRB资源利用率门限和接入用户数量门限;
基站通过以下方式实现获取基站的当前业务数据:获取基站的当前PRB资源利用率和当前接入用户数量。
基站通过以下方式实现根据当前业务数据和节能门限,控制基站的节能行为:在当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,控制基站进入节能状态;在当前PRB资源利用率大于等于PRB资源利用率门限,或者,当前接入用户数量大于等于接入用户数量门限的情况下,控制基站退出节能状态。
本实施例中,由于节能门限包括,物理资源块PRB资源利用率门限和接入用户数量门限,通过在当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,控制基站进入节能状态,在当前PRB资源利用率大于等于PRB资源利用率门限,或者,当前接入用户数量大于等于接入用户数量门限的情况下,控制基站退出节能状态,可以实现对基站的节能行为的控制,提高基站设备的节能性能。
进一步地,PRB资源利用率门限,包括:上行PRB资源利用率和下行PRB资源利用率。
在当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,控制基站进行节能状态,包括以下任意一种或者任意组合:
在当前时刻为下行链路,且当前下行PRB资源利用率小于下行PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,启动符号关断;
在当前上行PRB资源利用率小于上行PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,关闭上行通道的功放;
在当前下行PRB资源利用率小于下行PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,关闭下行通道的功放;
在当前的载波的当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,关闭当前载波的功放。
当基站进入节能状态,则OMC可以实时监控此基站的网络状态,当满足特定时间周期,基站的业务量都高于相应的阈值,则关闭节能状态。此外,OMC实时监测网络KPI,即网络运营指标,例如通过观察接入、切换、掉话、速率等维度数据看性能数据下滑,下滑不仅看趋势还要看幅度和类型,以及判断是否覆盖漏洞等,即要根据业务经验分析下滑原因看是否关闭节能总开关。当站点发生网络性能下降的趋势,则关闭节能基站的节能开关,恢复基站的功放。
在一个例子中,设备节能方法基于机器学习的智能节能方法,充分挖掘网络运维数据的规律,通过机器学习模型,自动寻找节能时段的控制门限,并充分考虑控制门限的趋势预测、季节性的周期性控制门限预测、及其节假日的突发控制门限预测,从而使得门限控制与真实业务量相匹配,达成最佳的节能控制策略。其中基站与管理服务器的部署如图2所示。
为了实现无线设备的智能节能,需要在传统的网元和OMC之间实现数据的分布式计算平台,实现数据的有效的采集、处理和计算。此外,OMC应该提供通用的机器学习训练平台,完成机器学习训练计算,机器模型部署和升级等功能的支持。
OMC将训练好的模型部署在BBU上,BBU可通过专有硬件支持模型的推理计算,在运行时完成模型的预测,输出节能门限的预测,包括上下行PRB利用率和用户接入数的节能阈值。BBU根据模型预测的节能门限,启动节能评估,最终完成节能策略制定,并通知RRU启动相应的节能行为的控制。
本发明结合当前机器学习与无线网络智能运维的方法,提出了基站智能节能的工作流方法,确保智能运维的流程化、自动化和工程化。整个工作流遵循如下几个阶段:
1.模型预估阶段:根据节能业务场景和基站配置模型,实施节能方案预估和方案设计;并以此收集基站运维数据,并完成数据标注,将数据集划分为训练集合测试集。
2.模型设计阶段:设计基于时间序列的预测模型,完成上下行链路PRB利用率,及其用户接入数的模型设计过程。模型设计阶段,确定训练参数和超级参数。
3.模型验证阶段:在实验网络环境中,加载模型并完成节能效果的评估和方案修正;当网络性能不佳时,有必要介入人工分析和模型升级。
4.模型调优阶段:建立端到端的反馈机制和可视化环境,持续收集网络KPI数据和节能效果数据,持续地提高模型精度,改善节能效果。
其中,控制门限包括PRB利用率门限(上下行),用户量接入门限。通过机器学习模型,自动预测出当前基站的控制门限值,并自动配置给节能策略控制器。节能策略控制器通过采样当前PRB利用率,及其用户接入量;如果小于控制门限值,则启动节能;如果高于门限,则关闭节能。
对于PRB利用率门限(上下行),用户量接入门限预测的机器学习模型可能存在差异,但需要在模型泛化能力与计算量之间寻找平衡,是具有挑战的。本专利提出了趋势预测建模、季节性建模和节假日建模,适用于计算受限的计算设备上实施模型推理计算。
如图3所示,模型训练完成后,可以部署在通用CPU上完成推理计算。但是,为了在基站上实施实时的推理计算,提升计算能力,本专利提出节能模型可部署在专用AI芯片上,实现节能模型推理的硬件加速方法。机器学习的节能模型通过OMC部署在基站上,并通过推理引擎将模型加载在专用的AI推理芯片上,实现节能模型的异构计算。
为了提高模型推理计算的实时性,需要在部署前完成模型的优化,包括模型压缩、模型量化、算子融合和异构拆分等优化技术。甚至,为了充分利用专用芯片的计算能力,考虑硬件相关的模型优化技术,提高内存传输带宽和算子计算的并发,实现节能模型推理的硬件加速。
本实施例中,基于时序进行预测模型的建模,按时间间隔定期收集数据,或在一个时间点集中收集数据。对于海量的业务数据,需要对数据进行特征选择。这些特征包括:基站ID,时间、服务小区、邻区关系等配置信息,还有用户接入量等KPI数据,及其突发事件和节假日事件等数据。具体地,一个基站的能耗数据可以表达为如下三元组信息:
{site-id,date,fetures}
其中,site_id表示基站标识,date标识能耗数据采样时间戳,features标识基站能耗数据的采样特征向量,即:features={服务小区,邻区关系,用户接入量,历史PRB利用率,节假日事件,...}。
由于时间序列具有趋势变化、周期性、异常点和节假日效应,可以使用时间序列分解将其分解为趋势、季节性、节假日:
y(t)=trend(t)+peroid(t)+holiday(t)+ε(t)
其中,y(t)表示t时刻上下行PRB利用率,及其t时刻用户接入数的函数;trend(t)表示t时刻上下行PRB利用率,及其t时刻用户接入数;peroid(t)表示t时刻上下行PRB利用率,及其t时刻用户接入数的季节性变化函数;holiday(t)表示t时刻上下行PRB利用率,及其t时刻用户接入数的节假日函数;ε(t)表示数据噪声或误差项,假设其遵循正态分布。
鉴于基站的计算资源的限制条件,上下行PRB利用率,及其用户接入数预测的时间序列模型,使用广义线性组合完成计算,具有实时性、自动化、灵活性和运维成本低等特点。一般地,为了获得更高效的计算力,可设计专用芯片用于模型的推理计算,实现更高效的并发能力。
具体地,任意一个分量时间序列函数均满足如下广义线性组合形式的表达方式。
y(t)=w0+w1y1(t)+w2y2(t)+wnyn(t)
其中,yi(t)为非线性函数,i=1,2,...,n,n表示特征向量长度。
为了更好地刻画PRB利用率,及其用户接入数随时间变化的趋势(变大或变小),本实施例使用双曲正切饱和函数表示趋势变化:
其中,c表示饱和容量,在业务中表示基站的最大用户量;k表示增长率,m表示偏移参数,这两个参数在模型中为超级参数,依赖于工程经验确定取值。双曲正切饱和函数有利于更快地梯度更新,避免梯度消失的问题,使得模型训练更好、更快地收敛。
为了更好地刻画PRB利用率,及其用户接入数随天、周、月、年变化的周期性规律,本实施例引入N阶傅里叶函数表示周期季节模型。
其中,均为非线性函数。p表示周期,当p表示一年时,p=365;当p=月时,p=30;当p表示周时,p=7;当p表示一天时,p=1。基站节能时间控制往往使用一周为周期,此处p取值为7。其次,N是一个超级参数,依赖于工程经验确定取值;N越大,其拟合能力越强,过大容易导致过拟合;N越小,其拟合能力越弱,过小容易导致欠拟合;因此,N的取值也是一个超级参数,依赖于工程经验取值。
训练参数可表示为一个向量,基于数据进行模型训练,当模型收敛时确定取值。
[(w1,u1),(w2,u2),...,(wN,uN)]T
并假定该向量初始化时取值满足正态分布Normal(0,δ2),在模型训练初始化时实施随机初始化。其中,δ越大,周期性效应越大;δ越小,周期性效应越小。因此,该参数是一个超级参数,依赖于工程经验确定取值。
为了更好地刻画节假日或者某些重大事件对PRB利用率,及其用户接入数的时间序列产生的冲击,而且这样的影响往往不遵循固定或周期性模式。本专利提出了一种基于节假日和重大事件的效应建模,从而实现PRB利用率,及其用户接入数的节假日和重大事件建模方法。
假定存在L个节假日,对于任意的一个Hi,表示节假日i的数据集合,可构造节假日的回归向量。
其中,I是一个指示函数,即I(true)为1,I(false)为0,即:
基于节假日的回归向量,可构造PRB利用率,及其用户接入数节假日和重大事件的目标函数:
其中,α表示节假日的效应因子向量[α1,α2,...,αL],满足正态分布Normal(0,v2)。其中,v越大,节假日效应越大;v越小,节假日效应越小。因此,该参数是一个超级参数,依赖于工程经验确定取值。
本实施例中,OMC基于时间序列的PRB利用率,及其用户接入数预测模型,OMC可分别对每一个站点收集数据,并完成模型训练;再通过OMC分发给每个基站完成模型的部署,实现基站的节能策略的自主决策,最终实现一站一策的控制方法,实现站点的最佳节能效果。其中,OMC与基站之间的预测模型激活流程如图4所示,预测模型升级流程如图5所示。
当模型能力提升后,可通过OMC完成模型的升级替换。基站运行时根据版本策略,即完成既有模型的卸载,并完成新模型的替换,实现业务的平稳过度。为了提供专用的计算能力,基站可部署专用计算单元,完成模型推理运行时的硬件加速能力。推理运行时,可完成模型的硬件无关优化和硬件相关优化,最终实现推理运行的极致性能和功耗能效比。
所以,OMC只需要控制站点节能的总开关,并完成站点模型的加载和升级等运维工作,极大地降低了网络运营的成本。部署在基站的节能预测模型将节能时段划分为工作日和节假日,然后预测每一天的节能时段t1,t2,...,tn,其中,ti表示节能时间段,周期1小时,且n≤24。
此外,基站的节能预测模型将预测ti的上下行链路的PRB利用率阈值,及其用户接入数目的阈值,从而支撑基站完成节能策略的定制。一般地,当满足如下条件时,启动节能:
a)节能开关开;
b)当前上行链路PRB利用率小于上行链路PRB利用率阈值;
c)当前下行链路PRB利用率小于上行链路PRB利用率阈值;
d)当前用户接入量小于用户接入量阈值。
当基站进入节能状态,则实时监控网络监控状态;当满足特定时间周期,基站的业务量都高于相应的阈值,则关闭节能状态。此外,OMC实时监测网络KPI,当站点发生网络性能下降的趋势,则关闭节能基站的节能开关,恢复基站的功放。
关于KPI检测部分也较为复杂,可通过观察接入、切换、掉话、速率等维度数据看性能数据下滑,下滑不仅看趋势还要看幅度和类型,以及判断是否覆盖漏洞等,即要根据业务经验分析下滑原因看是否关闭节能总开关。
具体地,基站的节能状态包括三个功能的关断:符号关断、通道关断和载波关断。
当OMC开启符号关断开关,BBU加载节能的预测模型,并完成节能时间段的预测,及其每个节能时间段下行PRB利用率阈值,及其用户接入数阈值,然后完成对RRU配置;RRU收到BBU配置后,当符号关断所在时隙为下行链路,且当前下行PRB利用率低于下行PRB利用率阈值,小区接入用户数小于阈值,则启动符号关断。
当OMC开启通道开关,BBU加载节能的预测模型,并完成节能时间段的预测,及其每个节能时间段上下行PRB利用率阈值,及其用户接入数阈值,然后完成对RRU配置;RRU收到BBU配置后,如果当前上下行通道的PRB利用率低于相应的阈值,且小区接入用户数小于阈值,则关闭相应通道的功放。
当OMC开启通道开关,BBU加载节能的预测模型,并完成节能时间段的预测,及其每个节能时间段上下行PRB利用率阈值,及其用户接入数阈值,然后完成对RRU配置;RRU收到BBU配置后,如果当前载波的PRB利用率低于相应的阈值,且小区接入用户数小于阈值,则关闭相应载波的功放。
本发明的实施例涉及一种设备节能方法,如图6所示,应用于管理服务器,包括以下步骤:
步骤601,获取基站的上报业务数据;
步骤602,根据上报业务数据,对预测模型进行训练;
步骤603,将训练完成的预测模型下发至基站;其中,预测模型用于对基站的节能门限进行预测,供基站根据节能门限控制节能操作。
在一个例子中,在将训练完成的预测模型下发至基站之后,方法还包括:持续获取基站的反馈业务数据和节能效果数据;在基站的节能效果数据低于预设阈值的情况下,根据反馈业务数据,再次训练预测模型;将再次训练完成的预测模型下发至基站。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明的实施例还涉及一种设备节能系统,如图7所示,包括基站701和管理服务器702;
其中,基站701,用于获取基站的历史业务数据,根据历史业务数据和预设的预测模型,动态预测基站的节能门限,获取基站的当前业务数据,根据当前业务数据和节能门限,控制基站的节能操作;
管理服务器702,用于获取基站的上报业务数据,根据上报业务数据,对预测模型进行训练,将训练完成的预测模型下发至基站,其中,预测模型用于对基站的节能门限进行预测,供基站根据节能门限控制节能操作。
在一个例子中,在将训练完成的预测模型下发至基站之后,方法还包括:持续获取基站的反馈业务数据和节能效果数据;在基站的节能效果数据低于预设阈值的情况下,根据反馈业务数据,再次训练预测模型;将再次训练完成的预测模型下发至基站。
在一个例子中,预测模型,通过以下任意一个,或者任意组合的维度建立:变化趋势、周期季节、节假日和重大事件。
在一个例子中,根据历史业务数据和预设的预测模型,动态预测基站的节能门限,包括:根据历史业务数据和预设的预测模型,预测基站在预设周期时长内的节能门限。
在一个例子中,预测基站在预设周期时长内的节能门限,包括:预测基站在预设周期时长内各时段对应的节能门限。
在一个例子中,节能门限,包括:物理资源块PRB资源利用率门限和接入用户数量门限;获取基站的当前业务数据,包括:获取基站的当前PRB资源利用率和当前接入用户数量;根据当前业务数据和节能门限,控制基站的节能行为,包括:在当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,控制基站进入节能状态;在当前PRB资源利用率大于等于PRB资源利用率门限,或者,当前接入用户数量大于等于接入用户数量门限的情况下,控制基站退出节能状态。
在一个例子中,PRB资源利用率门限,包括:上行PRB资源利用率和下行PRB资源利用率;在当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,控制基站进行节能状态,包括以下任意一种或者任意组合:在当前时刻为下行链路,且当前下行PRB资源利用率小于下行PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,启动符号关断;在当前上行PRB资源利用率小于上行PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,关闭上行通道的功放;在当前下行PRB资源利用率小于下行PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,关闭下行通道的功放;在当前的载波的当前PRB资源利用率小于PRB资源利用率门限,且当前接入用户数量小于接入用户数量门限的情况下,关闭当前载波的功放。
本发明的实施例还涉及一种电子设备,如图8所示,包括:至少一个处理器801;与至少一个处理器通信连接的存储器802;其中,存储器802存储有可被至少一个处理器801执行的指令,指令被至少一个处理器801执行上述的任一实施例的设备节能方法。
其中,存储器802和处理器801采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器801和存储器802的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器801处理的信息通过天线在无线介质上进行传输,进一步,天线还接收信息并将信息传送给处理器801。
处理器801负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器802可以被用于存储处理器在执行操作时所使用的信息。
本发明的实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (11)
1.一种设备节能方法,其特征在于,应用于基站,包括:
获取所述基站的历史业务数据;
根据所述历史业务数据和预设的预测模型,动态预测所述基站的节能门限;
获取所述基站的当前业务数据;
根据所述当前业务数据和所述节能门限,控制所述基站的节能操作。
2.根据权利要求1所述的设备节能方法,其特征在于,所述预测模型,通过以下任意一个,或者任意组合的维度建立:
变化趋势、周期季节、节假日和重大事件。
3.根据权利要求1所述的设备节能方法,其特征在于,所述根据所述历史业务数据和预设的预测模型,动态预测所述基站的节能门限,包括:
根据所述历史业务数据和预设的预测模型,预测所述基站在预设周期时长内的节能门限。
4.根据权利要求3所述的设备节能方法,其特征在于,所述预测所述基站在预设周期时长内的节能门限,包括:
预测所述基站在所述预设周期时长内各时段对应的节能门限。
5.根据权利要求1至4中任一项所述的设备节能方法,其特征在于,所述节能门限,包括:
物理资源块PRB资源利用率门限和接入用户数量门限;
所述获取所述基站的当前业务数据,包括:
获取所述基站的当前PRB资源利用率和当前接入用户数量;
所述根据所述当前业务数据和所述节能门限,控制所述基站的节能行为,包括:
在所述当前PRB资源利用率小于所述PRB资源利用率门限,且所述当前接入用户数量小于所述接入用户数量门限的情况下,控制所述基站进入节能状态;
在所述当前PRB资源利用率大于等于所述PRB资源利用率门限,或者,所述当前接入用户数量大于等于所述接入用户数量门限的情况下,控制所述基站退出节能状态。
6.根据权利要求5所述的设备节能方法,其特征在于,所述PRB资源利用率门限,包括:上行PRB资源利用率和下行PRB资源利用率;
所述在所述当前PRB资源利用率小于所述PRB资源利用率门限,且所述当前接入用户数量小于所述接入用户数量门限的情况下,控制所述基站进行节能状态,包括以下任意一种或者任意组合:
在当前时刻为下行链路,且所述当前下行PRB资源利用率小于下行PRB资源利用率门限,且所述当前接入用户数量小于所述接入用户数量门限的情况下,启动符号关断;
在所述当前上行PRB资源利用率小于所述上行PRB资源利用率门限,且所述当前接入用户数量小于所述接入用户数量门限的情况下,关闭上行通道的功放;
在所述当前下行PRB资源利用率小于所述下行PRB资源利用率门限,且所述当前接入用户数量小于所述接入用户数量门限的情况下,关闭下行通道的功放;
在当前的载波的所述当前PRB资源利用率小于所述PRB资源利用率门限,且所述当前接入用户数量小于所述接入用户数量门限的情况下,关闭当前载波的功放。
7.一种设备节能方法,其特征在于,应用于管理服务器,包括:
获取基站的上报业务数据;
根据所述上报业务数据,对预测模型进行训练;
将训练完成的所述预测模型下发至所述基站;
其中,所述预测模型用于对所述基站的节能门限进行预测,供所述基站根据所述节能门限控制节能操作。
8.根据权利要求7所述的设备节能方法,其特征在于,在所述将训练完成的所述预测模型下发至所述基站之后,所述方法还包括:
持续获取所述基站的反馈业务数据和节能效果数据;
在所述基站的节能效果数据低于预设阈值的情况下,根据所述反馈业务数据,再次训练所述预测模型;
将再次训练完成的所述预测模型下发至所述基站。
9.一种设备节能系统,其特征在于,包括基站和管理服务器;
其中,所述基站,用于获取所述基站的历史业务数据,根据所述历史业务数据和预设的预测模型,动态预测所述基站的节能门限,获取所述基站的当前业务数据,根据所述当前业务数据和所述节能门限,控制所述基站的节能操作;
所述管理服务器,用于获取基站的上报业务数据,根据所述上报业务数据,对预测模型进行训练,将训练完成的所述预测模型下发至所述基站,其中,所述预测模型用于对所述基站的节能门限进行预测,供所述基站根据所述节能门限控制节能操作。
10.一种电子设备,其特征在于,包括:
至少一个处理器;
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一所述的设备节能方法,或者,如权利要求7或8所述的设备节能方法。
11.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的设备节能方法,或者,如权利要求7或8所述的设备节能方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111681339.9A CN116405990A (zh) | 2021-12-28 | 2021-12-28 | 设备节能方法、系统、电子设备及存储介质 |
PCT/CN2022/127479 WO2023124469A1 (zh) | 2021-12-28 | 2022-10-25 | 设备节能方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111681339.9A CN116405990A (zh) | 2021-12-28 | 2021-12-28 | 设备节能方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116405990A true CN116405990A (zh) | 2023-07-07 |
Family
ID=86997480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111681339.9A Pending CN116405990A (zh) | 2021-12-28 | 2021-12-28 | 设备节能方法、系统、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116405990A (zh) |
WO (1) | WO2023124469A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117156529B (zh) * | 2023-11-01 | 2024-01-16 | 唐人通信技术服务股份有限公司 | 一种基站供电管理方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110603869B (zh) * | 2017-05-04 | 2022-11-15 | 松下电器(美国)知识产权公司 | 用户设备、基站和无线通信方法 |
CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
CN112954707B (zh) * | 2019-12-11 | 2022-09-16 | 中国电信股份有限公司 | 基站的节能方法、装置、基站和计算机可读存储介质 |
CN113543284A (zh) * | 2020-04-17 | 2021-10-22 | 中兴通讯股份有限公司 | 节能方法、基站、控制单元及存储介质 |
CN112566226B (zh) * | 2020-12-16 | 2023-03-17 | 北京电信规划设计院有限公司 | 5g基站智能化节能方法 |
CN113207162A (zh) * | 2021-04-14 | 2021-08-03 | 浪潮天元通信信息系统有限公司 | 一种基于业务预测的基站能耗智能管控方法 |
-
2021
- 2021-12-28 CN CN202111681339.9A patent/CN116405990A/zh active Pending
-
2022
- 2022-10-25 WO PCT/CN2022/127479 patent/WO2023124469A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023124469A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11304070B2 (en) | Method of adapting operation of self-organizing network functions | |
CN111132190A (zh) | 基站负荷预警方法、装置 | |
CN110139289A (zh) | 一种调度方法及调度系统 | |
CN109845308A (zh) | 用于无线局域网的可扩展无线电资源管理的系统和方法 | |
CN108029104A (zh) | 用于配置探测参考符号(srs)的方法和装置 | |
Keshavamurthy et al. | Conceptual design of proactive SONs based on the big data framework for 5G cellular networks: A novel machine learning perspective facilitating a shift in the son paradigm | |
WO2023124469A1 (zh) | 设备节能方法、系统、电子设备及存储介质 | |
Miozzo et al. | Coordinated load control of renewable powered small base stations through layered learning | |
CN112954707A (zh) | 基站的节能方法、装置、基站和计算机可读存储介质 | |
Temesgene et al. | Dynamic control of functional splits for energy harvesting virtual small cells: A distributed reinforcement learning approach | |
CN112396070A (zh) | 一种模型训练方法、装置和系统,以及预测方法和装置 | |
CN114339971A (zh) | 基站节能控制方法、装置、存储介质及电子设备 | |
Murti et al. | Learning-based orchestration for dynamic functional split and resource allocation in vRANs | |
CN111770133B (zh) | 一种多体慧联云控平台 | |
CN112235164A (zh) | 一种基于控制器的神经网络流量预测装置 | |
CN109660995B (zh) | 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备 | |
US10321394B2 (en) | Information processing apparatus, information processing method, and control program for adjusting a switching interval that changes the activation state of base band units | |
Okic et al. | Optimal resource allocation in c-ran through dsp computational load forecasting | |
CN114867031A (zh) | 一种卫星通信智能组网装置及方法 | |
CN116506863A (zh) | 决策优化方法、装置、电子设备及可读存储介质 | |
CN114339962B (zh) | 基站节能方法、装置及系统 | |
CN117332878B (zh) | 一种基于自组网系统的模型训练方法和系统 | |
Lv | Application of wireless network data driven using edge computing and deep learning in intelligent transportation | |
Miozzo et al. | Deep Reinforcement Learning for Autonomous Mobile Networks in Micro-grids | |
Liu et al. | Workload Analysis and Microservice Placement of Energy Management Application based on Power Internet of Things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |