CN117221987A - 基站节能方法、基站、基站池及核心网 - Google Patents
基站节能方法、基站、基站池及核心网 Download PDFInfo
- Publication number
- CN117221987A CN117221987A CN202311191960.6A CN202311191960A CN117221987A CN 117221987 A CN117221987 A CN 117221987A CN 202311191960 A CN202311191960 A CN 202311191960A CN 117221987 A CN117221987 A CN 117221987A
- Authority
- CN
- China
- Prior art keywords
- base station
- period
- power consumption
- energy saving
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000017525 heat dissipation Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 101150067055 minC gene Proteins 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000009347 mechanical transmission Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基站节能方法、基站、基站池及核心网,涉及无线通信技术领域。该基站节能方法步骤包括预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;根据业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;启用第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;后台接收所述反馈信号并对当前基站的功耗进行评估。本申请提出的基站节能方法,能够在传统基站节能的基础上,对历史流量数据进行训练并提出节能模型,在保证网络性能指标不受影的前提下实现基站能耗的自动化和智能化管理,提高蜂窝移动无线网络的能效。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种基站节能方法、基站、基站池及核心网。
背景技术
基站耗能问题是5G网络部署道路上的障碍。
传统的节能技术主要依靠简单的模型或手动设定阈值来决定是否切换或开启/关闭,由于参数设置相对保守,其节能效果相对有限。所有参数均由基站统一设置,无法适应复杂多变的环境,无法解决各基站在不同环境下节能策略的独立性和选择性问题,用户体验与节能效果难以达到平衡。
发明内容
发明目的:提出一种基站节能方法、基站、基站池及核心网,以解决现有技术存在的上述问题。
第一方面,提出一种面向业务下发的基站节能方法,步骤如下:
S1、预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;
S2、根据步骤S1输出的所述业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;
S3、启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
S4、后台接收所述反馈信号并对当前基站的功耗进行评估:
若评估结果符合预期,则保持所述第一节能功耗;
若评估结果不符合预期,则重新切换当前节能策略为初始功耗,并维持当前所述初始功耗预定时长;
在维持当前所述初始功耗预定时长的期间,实时监测当前业务场景下未来预定时间内的流量趋势,若当前业务场景发生变化和/或未来预定时间内的流量趋势变化值大于预设值,则重新执行步骤S2。
在第一方面进一步的实施例中,预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果的具体过程包括:
S1-1、从日志获取历史现网基站数据,分别获取最近10次、100次、1000次数据,再将历史所有数据加权平均获得告警平均线;
S1-2、分别统计最近10次、100次、1000次数据作为分母,超过平均线次数作为异常数和分子,获得异常数占最近10次、100次、1000次数的比例作为下次网络业务负荷的预测值;
S1-3、比较最近10次、100次、1000次三个预测值的差值:如果差值在10%内,则加权平均获得最终预测值;如果差值大于10%,则以10次的预测值为准;
S1-4、输出步骤S1-3最终预测值,作为业务预测结果。
在第一方面进一步的实施例中,步骤S2中所述基站能耗的数学模型如下:
式中,Pi,t为i地区基站在t时段内的平均功率;表示i地区基站内数据服务器在t时段内的平均功率;/>表示i地区基站内散热设备在t时段内的平均功率。
在第一方面进一步的实施例中,基于i地区基站在t时段内的平均功率Pi,t,计算得出预定周期内基站的最低成本费用minCtotal:
式中,Ctotal为预定周期内基站的成本费用;Pi,t为i地区基站在t时段内的平均功率;|t|为t时段的时间长度;Pri,t为i地区在t时段的平均电价;T为一个周期内的总时段数;I为预定范围内的基站数量。
在第一方面进一步的实施例中,i地区基站内数据服务器在t时段内的平均功率的计算模型如下:
式中,Oi,j,t表示i地区基站内第j台数据服务器在t时段内的工况,工况包括两种状态,待机状态取值为0,在线运行状态取值为1;表示i地区基站内第j台数据服务器在t时段内的运行功耗;/>表示i地区基站内第j台数据服务器在t时段内的待机功耗;J表示i地区数据服务器的总数量;
i地区基站内第j台数据服务器在t时段内的运行功耗的表达式如下:
式中,fi,j,t表示i地区IDC第j台服务器在t时段的运行频率,Ai,j,t和Bi,j,t为常数型物理量,通过实验得出。
在第一方面进一步的实施例中,i地区基站内散热设备在t时段内的平均功率的计算模型如下:
式中,Qi,t表示i地区基站内散热设备在t时段内实际所需的平均热风量;qi,t表示i地区基站内散热设备在t时段内的风压;η1表示机械传动效率;η2表示风机效率;
其中,i地区基站内散热设备在t时段内实际所需的平均热风量Qi,t的表达式如下:
式中,表示i地区基站内数据服务器在t时段内的平均功率;ρi,t表示i地区基站内数据服务器在t时段内的平均空气密度。
在第一方面进一步的实施例中,启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗的过程包括:设置初始关断阈值,当所述基站能耗达到初始关断阈值后,启动所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
所述初始关断阈值的确定过程如下:
当基站收到无线数据时,从历史数据中获取上一步网络层、平台层、管理层最近十次的关断前一小时数据并生成数据集合;同时,对网络层、平台层、管理层所有关断历史数据加权平均生成关断初始阈值;
分别对高于和低于所述关断初始阈值的次数进行计数,每次关断高于关断初始阈值异常加1,反之,正常加1;
分别获得短期、中期及长期的关断异常预测值,如果短期、中期及长期关断异常预测值概率区间幅度趋于一致30%浮动内,则更新关断初始阈值,反之不更新。
本发明的第二方面提出一种基站,该基站包括:
预测单元,用于预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;
选择单元,用于根据所述预测单元输出的所述业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;
执行单元,用于启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
评估单元,其后台接收所述反馈信号并对当前基站的功耗进行评估:若评估结果符合预期,则保持所述第一节能功耗;若评估结果不符合预期,则重新切换当前节能策略为初始功耗,并维持当前所述初始功耗预定时长;
在维持当前所述初始功耗预定时长的期间,实时监测当前业务场景下未来预定时间内的流量趋势,若当前业务场景发生变化和/或未来预定时间内的流量趋势变化值大于预设值,则重新返回所述选择单元。
本发明的第三方面,提出一种基站池,所述基站池中的基站为用户终端提供通信连接,所述基站在为用户终端提供通信连接时可执行如第一方面所述的基站节能方法。
本发明的第四方面,提出一种核心网,所述核心网包括基站子系统和网络子系统;所述基站子系统连接基站,所述基站执行如第一方面所述的基站节能方法;所述网络子系统连接外部互联网。
本发明具备如下有益效果:本申请提出的基站节能方法,能够在传统基站节能的基础上,对历史流量数据进行训练并提出节能模型,实现业务流量预测、场景识别、多权式节能策略推荐和4G/5G基站协同等智能节能解决方案,在保证网络性能指标KPI不受影的前提下实现5G基站能耗的自动化和智能化管理,提高5G无线网络的能效,降低5G网络运营成本,护航5G网络的部署运营。在网络层、平台层、管理层海量无线数据运算时能够高速的进行运算及数据调取使人工智能在5G网络智能节能方案的应用更加高效和实时性。
附图说明
图1是本发明一个实施例中提出的基站节能方法的流程图。
图2是本发明一个实施例中提出的基站节能方法的细化流程图。
图3是本发明一个实施例中提出的可以应用基站节能方法的基站内部结构示意图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
申请人研究发现,传统的节能技术主要依靠简单的模型或手动设定阈值来决定是否切换或开启/关闭,由于参数设置相对保守,其节能效果相对有限。所有参数均由基站统一设置,无法适应复杂多变的环境,无法解决各基站在不同环境下节能策略的独立性和选择性问题,用户体验与节能效果难以达到平衡。
为此,申请人提出一种基站节能方法、基站、基站池及核心网,传统基站节能的基础上,对历史流量数据进行训练并提出节能模型,实现业务流量预测、场景识别、多权式节能策略推荐和4G/5G基站协同等智能节能解决方案,在保证网络性能指标KPI不受影的前提下实现5G基站能耗的自动化和智能化管理,提高5G无线网络的能效,降低5G网络运营成本。
实施例1:
本实施例提出一种面向业务下发的基站节能方法,步骤如下:
多网协同控制:对基础覆盖小区和补热小区进行自动识别,支持与基站设备及OMC管理平台的接口。热点覆盖小区可根据业务量等指标的变化自动进入节能模式,实现更加灵活的节能效果。基于人工智能的智能节能技术可以对全网性能进行评估防止各基站因自身的优化策略而开启节能功能导致网络性能下降,进而影响用户体验。
业务预测:基于人工智能算法及现网基站数据,训练业务负载模型,实现对网络业务负荷的精确预测。提前预测未来的流量趋势意味着基站可以提前采取相应的节能措施。当预测出未来业务流量增加时,须适当关闭一些节能功能,提升业务负载性能,进而保障用户体验;当预测出未来业务流量减少时,则可开启部分节能功能提前达到节能的效果。与传统的基于实时数据的节能策略配置方法相比,该技术在一定程度上增加了节能时间。因此,基于人工智能的业务流量预测模型可以在保障用户体验的前提下获得更好的节能效果。
节能策略选择:基于业务预测结果,基站应针对不同的场景选取不同的节能策略,支持节能策略的自动选择、调整、配置更新和自动执行功能司时满足预设置的节能和KPI目标要求。利用人工智能技术,基站可以在不需要人工干预的情况下自主识别所处场景并选择合适的节能策略。利用人工智能中的关联聚类模型,基于无线资源利用率、天气情况、流量及各时段基站负载等历史信息确立典型的基站节能场景,从而采用不同的节能策略。当添加新的基站或基站周围的场景发生变化时,可以根据模型自动识别场景,并采用相应的节能策略实现智能节能。
能效评估:基于人工智能技术进行数据分析,可以实现后向评估节能效果及对网络KPI性能进行综合分析。
实施例2:
在前述实施例1的基础上,本实施例进一步公开基站节能的具体流程:
预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;
根据所述业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;
启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
后台接收所述反馈信号并对当前基站的功耗进行评估:
若评估结果符合预期,则保持所述第一节能功耗;
若评估结果不符合预期,则重新切换当前节能策略为初始功耗,并维持当前所述初始功耗预定时长;
在维持当前所述初始功耗预定时长的期间,实时监测当前业务场景下未来预定时间内的流量趋势,若当前业务场景发生变化和/或未来预定时间内的流量趋势变化值大于预设值,则重新选择节能策略。
其中,预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果的流程如下:
预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果的具体过程包括:
首先,从日志获取历史现网基站数据,分别获取最近10次、100次、1000次数据,再将历史所有数据加权平均获得告警平均线。
分别统计最近10次、100次、1000次数据作为分母,超过平均线次数作为异常数和分子,获得异常数占最近10次、100次、1000次数的比例作为下次网络业务负荷的预测值。
比较最近10次、100次、1000次三个预测值的差值:如果差值在10%内,则加权平均获得最终预测值;如果差值大于10%,则以10次的预测值为准。
输出最终预测值,作为业务预测结果。
实施例3:
基于人工智能的智能节能方案在无线接入网中的应用将具有更高的灵活性、可扩展性和持续演进的能力,包括多网协同控制、业务预测、节能策略选择、能效评估四个基本功能。分别对应四个功能设置初始关断阈值,通道关断、载波关断、符号关断、功放调压。最后,采用Trino是针对OLAP设计的用于高效的分布式查询大量数据的分析引擎。在网络层、平台层、管理层海量无线数据运算时能够高速的进行运算及数据调取使人工智能在5G网络智能节能方案的应用更加高效和实时性。
初始关断阈值设置如下:当基站收到无线数据时,从历史数据中获取上一步网络层、平台层、管理层最近十次的关断前一小时数据并生成数据集合;同时,对网络层、平台层、管理层所有关断历史数据加权平均生成关断初始阈值;分别对高于和低于所述关断初始阈值的次数进行计数,每次关断高于关断初始阈值异常加1,反之,正常加1;分别获得短期、中期及长期的关断异常预测值,如果短期、中期及长期关断异常预测值概率区间幅度趋于一致30%浮动内,则更新关断初始阈值,反之不更新。
然后,为了将上述2个步骤在网络层、平台层、管理层海量无线数据运算时能够高速的进行运算及数据调取使人工智能在5G网络智能节能方案的应用更加高效和实时性。采用Trino是针对OLAP设计的用于高效的分布式查询大量数据的分析引擎。主要具备下列优点:屏蔽底层数据源,提供统一查询接口;基于内存计算,可以跨不同数据源完成联邦查询;数据治理,通过Trino进行异构数据的提取、整合与分析,打破数据孤岛、提高数据治理能力。
在Trino中,存储和计算分离的核心是基于connector的体系结构。connector为Trino提供了访问任意数据源的接口。如图二所示,每个connector都提供了对底层数据源的基于表的抽象。只要可以使用Trino可用的数据类型以表、列和行来表示数据,就可以创建connector,查询引擎就可以使用数据进行查询处理。目前支持的connector包括:Hive、Iceberg、MySQL、PostgreSQL、Oracle、SQL Server、ClickHouse、MongoDB等。
实施例4:
在前述实施例1至实施例3的基础之上,本实施例进一步公开一种可行的基站能耗的数学模型:
式中,Pi,t为i地区基站在t时段内的平均功率;表示i地区基站内数据服务器在t时段内的平均功率;/>表示i地区基站内散热设备在t时段内的平均功率;minCtotal表示预定周期内基站的最低成本费用;Ctotal为预定周期内基站的成本费用;Pi,t为i地区基站在t时段内的平均功率;|t|为t时段的时间长度;Pri,t为i地区在t时段的平均电价;T为一个周期内的总时段数;I为预定范围内的基站数量。
i地区基站内数据服务器在t时段内的平均功率的计算模型如下:
式中,Oi,j,t表示i地区基站内第j台数据服务器在t时段内的工况,工况包括两种状态,待机状态取值为0,在线运行状态取值为1;表示i地区基站内第j台数据服务器在t时段内的运行功耗;/>表示i地区基站内第j台数据服务器在t时段内的待机功耗;J表示i地区数据服务器的总数量;
i地区基站内第j台数据服务器在t时段内的运行功耗的表达式如下:
式中,fi,j,t表示i地区IDC第j台服务器在t时段的运行频率,Ai,j,t和Bi,j,t为常数型物理量,通过实验得出。
i地区基站内散热设备在t时段内的平均功率的计算模型如下:
式中,Qi,t表示i地区基站内散热设备在t时段内实际所需的平均热风量;qi,t表示i地区基站内散热设备在t时段内的风压;η1表示机械传动效率;η2表示风机效率;
其中,i地区基站内散热设备在t时段内实际所需的平均热风量Qi,t的表达式如下:
式中,表示i地区基站内数据服务器在t时段内的平均功率;ρi,t表示i地区基站内数据服务器在t时段内的平均空气密度。
实施例5:
本实施例提出一种基站500,该基站500可以运行上述实施例1至实施例4所公开的基站节能方法。该基站包括预测单元501、选择单元502、执行单元503、评估单元504四个组成部分。预测单元501用于预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;选择单元502用于根据所述预测单元输出的所述业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;执行单元503用于启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;评估单元504的后台接收所述反馈信号并对当前基站的功耗进行评估:若评估结果符合预期,则保持所述第一节能功耗;若评估结果不符合预期,则重新切换当前节能策略为初始功耗,并维持当前所述初始功耗预定时长;在维持当前所述初始功耗预定时长的期间,实时监测当前业务场景下未来预定时间内的流量趋势,若当前业务场景发生变化和/或未来预定时间内的流量趋势变化值大于预设值,则重新返回所述选择单元。
本实施例还额外提出一种基站池,该基站池又若干个所述基站联网组成,可以运行上述实施例1至实施例4所公开的基站节能方法。
本实施例还额外提出一种核心网,核心网包括基站子系统和网络子系统;所述基站子系统连接基站,基站执行如上述实施例1至实施例4所公开的基站节能方法;网络子系统连接外部互联网。
结合上述实施例所述,与本专利基于人工智能的智能节能新技术,能够在传统基站节能的基础上,对历史流量数据进行训练并提出节能模型,实现业务流量预测、场景识别、多权式节能策略推荐和4G/5G基站协同等智能节能解决方案,在保证网络性能指标KPI不受影的前提下实现5G基站能耗的自动化和智能化管理,提高5G无线网络的能效,降低5G网络运营成本,护航5G网络的部署运营。同时,采用Trino是针对OLAP设计的用于高效的分布式查询大量数据的分析引擎。在网络层、平台层、管理层海量无线数据运算时能够高速的进行运算及数据调取使人工智能在5G网络智能节能方案的应用更加高效和实时性。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.基站节能方法,其特征在于,包括如下步骤:
S1、预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;
S2、根据步骤S1输出的所述业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;
S3、启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
S4、后台接收所述反馈信号并对当前基站的功耗进行评估:
若评估结果符合预期,则保持所述第一节能功耗;
若评估结果不符合预期,则重新切换当前节能策略为初始功耗,并维持当前所述初始功耗预定时长;
在维持当前所述初始功耗预定时长的期间,实时监测当前业务场景下未来预定时间内的流量趋势,若当前业务场景发生变化和/或未来预定时间内的流量趋势变化值大于预设值,则重新执行步骤S2。
2.根据权利要求1所述的基站节能方法,其特征在于,步骤S1进一步包括:
S1-1、从日志获取历史现网基站数据,分别获取最近10次、100次、1000次数据,再将历史所有数据加权平均获得告警平均线;
S1-2、分别统计最近10次、100次、1000次数据作为分母,超过平均线次数作为异常数和分子,获得异常数占最近10次、100次、1000次数的比例作为下次网络业务负荷的预测值;
S1-3、比较最近10次、100次、1000次三个预测值的差值:
如果差值在10%内,则加权平均获得最终预测值;
如果差值大于10%,则以10次的预测值为准;
S1-4、输出步骤S1-3最终预测值,作为业务预测结果。
3.根据权利要求2所述的基站节能方法,其特征在于,步骤S2中所述基站能耗的数学模型如下:
式中,Pi,t为i地区基站在t时段内的平均功率;表示i地区基站内数据服务器在t时段内的平均功率;/>表示i地区基站内散热设备在t时段内的平均功率。
4.根据权利要求3所述的基站节能方法,其特征在于:基于i地区基站在t时段内的平均功率Pi,t,计算得出预定周期内基站的最低成本费用minCtotal:
式中,Ctotal为预定周期内基站的成本费用;Pi,t为i地区基站在t时段内的平均功率;|t|为t时段的时间长度;Pri,t为i地区在t时段的平均电价;T为一个周期内的总时段数;I为预定范围内的基站数量。
5.根据权利要求3所述的基站节能方法,其特征在于:i地区基站内数据服务器在t时段内的平均功率的计算模型如下:
式中,Oi,j,t表示i地区基站内第j台数据服务器在t时段内的工况,工况包括两种状态,待机状态取值为0,在线运行状态取值为1;表示i地区基站内第j台数据服务器在t时段内的运行功耗;/>表示i地区基站内第j台数据服务器在t时段内的待机功耗;J表示i地区数据服务器的总数量;
i地区基站内第j台数据服务器在t时段内的运行功耗的表达式如下:
式中,fi,j,t表示i地区IDC第j台服务器在t时段的运行频率,Ai,j,t和Bi,j,t为常数型物理量,通过实验得出。
6.根据权利要求3所述的基站节能方法,其特征在于:i地区基站内散热设备在t时段内的平均功率的计算模型如下:
式中,Qi,t表示i地区基站内散热设备在t时段内实际所需的平均热风量;qi,t表示i地区基站内散热设备在t时段内的风压;η1表示机械传动效率;η2表示风机效率;
其中,i地区基站内散热设备在t时段内实际所需的平均热风量Qi,t的表达式如下:
式中,表示i地区基站内数据服务器在t时段内的平均功率;/>表示数据中心允许的温升;ρi,t表示i地区基站内数据服务器在t时段内的平均空气密度;cp表示空气的定压比热。
7.根据权利要求1所述的基站节能方法,其特征在于,步骤S3进一步包括:设置初始关断阈值,当所述基站能耗达到初始关断阈值后,启动所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
所述初始关断阈值的确定过程如下:
当基站收到无线数据时,从历史数据中获取上一步网络层、平台层、管理层最近十次的关断前一小时数据并生成数据集合;同时,对网络层、平台层、管理层所有关断历史数据加权平均生成关断初始阈值;
分别对高于和低于所述关断初始阈值的次数进行计数,每次关断高于关断初始阈值异常加1,反之,正常加1;
分别获得短期、中期及长期的关断异常预测值,如果短期、中期及长期关断异常预测值概率区间幅度趋于一致30%浮动内,则更新关断初始阈值,反之不更新。
8.一种基站,其特征在于,所述基站可以运行如权利要求1至7中任一项所述的基站节能方法;所述基站包括:
预测单元,用于预测当前业务场景下未来预定时间内的流量趋势,输出业务预测结果;
选择单元,用于根据所述预测单元输出的所述业务预测结果,并结合当前预定时长内的基站能耗,选择吻合度最高的节能策略作为第一节能策略;
执行单元,用于启用所述第一节能策略,将当前基站功耗从初始功耗调整为第一节能功耗,并发送反馈信号;
评估单元,其后台接收所述反馈信号并对当前基站的功耗进行评估:若评估结果符合预期,则保持所述第一节能功耗;若评估结果不符合预期,则重新切换当前节能策略为初始功耗,并维持当前所述初始功耗预定时长;
在维持当前所述初始功耗预定时长的期间,实时监测当前业务场景下未来预定时间内的流量趋势,若当前业务场景发生变化和/或未来预定时间内的流量趋势变化值大于预设值,则重新返回所述选择单元。
9.一种基站池,所述基站池中的基站为用户终端提供通信连接,其特征在于:所述基站在为用户终端提供通信连接时可执行如权利要求1至7中任一项所述的基站节能方法。
10.一种核心网,其特征在于,所述核心网包括基站子系统和网络子系统;所述基站子系统连接基站,所述基站执行如权利要求1至7中任一项所述的基站节能方法;所述网络子系统连接外部互联网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191960.6A CN117221987A (zh) | 2023-09-15 | 2023-09-15 | 基站节能方法、基站、基站池及核心网 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191960.6A CN117221987A (zh) | 2023-09-15 | 2023-09-15 | 基站节能方法、基站、基站池及核心网 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117221987A true CN117221987A (zh) | 2023-12-12 |
Family
ID=89036671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311191960.6A Pending CN117221987A (zh) | 2023-09-15 | 2023-09-15 | 基站节能方法、基站、基站池及核心网 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726150A (zh) * | 2024-02-08 | 2024-03-19 | 天津天创绿能投资管理有限公司 | 基于预定时长段用能数据的能源站供能调配方法及设备 |
-
2023
- 2023-09-15 CN CN202311191960.6A patent/CN117221987A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726150A (zh) * | 2024-02-08 | 2024-03-19 | 天津天创绿能投资管理有限公司 | 基于预定时长段用能数据的能源站供能调配方法及设备 |
CN117726150B (zh) * | 2024-02-08 | 2024-04-26 | 天津天创绿能投资管理有限公司 | 基于预定时长段用能数据的能源站供能调配方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bayram et al. | Capacity planning frameworks for electric vehicle charging stations with multiclass customers | |
EP4138466A1 (en) | Energy-saving method, base station, control unit, and storage medium | |
CN113055990B (zh) | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 | |
Renga et al. | Energy management and base station on/off switching in green mobile networks for offering ancillary services | |
Vallero et al. | Greener RAN operation through machine learning | |
CN117221987A (zh) | 基站节能方法、基站、基站池及核心网 | |
CN115915354A (zh) | 基站的供电管理方法和供电管理装置 | |
CN115498640B (zh) | 一种基于虚拟电厂的微电网能源控制方法及系统 | |
CN113573340A (zh) | 基站小区的控制方法、装置、介质及电子设备 | |
CN115842347A (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
CN113531644A (zh) | 空气源热泵站电网调度调峰系统 | |
CN112615368A (zh) | 一种基于分布式感知的台区拓扑生成方法及感知终端装置 | |
Wang et al. | Base station wake-up strategy in cellular networks with hybrid energy supplies for 6G networks in an IoT environment | |
CN116633016B (zh) | 一种基于高频数据采集技术的电力管理系统和方法 | |
Wang et al. | Base station sleeping strategy for on-grid energy saving in cellular networks with hybrid energy supplies in IoT environment | |
CN115514097A (zh) | 基于分布式光伏供需互动协调控制的村域cps调控系统及方法 | |
US11362541B2 (en) | Technologies for dynamic forecasting, aggregation, and validation | |
CN115243349A (zh) | 基站节能方法、装置、电子设备及存储介质 | |
CN116070782B (zh) | 一种基于大数据的能源储备管理方法及系统 | |
CN107425890B (zh) | 一种单小区异常情况下关闭rau能效最优的方法 | |
Carroll et al. | Application of genetic algorithm to maximise clean energy usage for data centres | |
CN117408840B (zh) | 基于智慧能源管理平台的多能源调度管控系统 | |
CN103906075B (zh) | 基于可再生能源供能基站有效覆盖范围选择方法与系统 | |
EP3725118A1 (en) | Devices and methods for controlling base stations of a communication network | |
CN115528712B (zh) | 一种源网荷储备不同区储能容量平衡方法及系统 |
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 |