“2019年是5G元年。”2019年2月18日，上海移动和华为在虹桥火车站正式启动建设5G网络，计划在2019年内完成5G网络深度覆盖。时隔不久，在2月25日开幕的2019世界移动通信大会上，5G成为整场会展的关键词，全球各大手机厂商争相发布旗下首款5G手机，以5G为主题的论坛和研讨会就超过了20场。目前，我国在5G研发和部署方面处于全球前列，在3月举办的全国两会上，5G更是被带入两会新闻中心。特约主编：朱雪田，北京邮电大学工学博士，教授级高级工程师，中关村国家自主创新示范区高端领军人才，北京邮电大学通信与信息专业工程硕士导师，现就职于中国电信智能网络与终端研究院。长期从事4G/5G移动通信和互联网技术创新与研发工作，作为项目组长先后负责多个4G/5G领域的移动通信国家重大项目，发表学术论文超过50篇，发明专利100余篇，个人专著3本。为了响应国家节能减排号召，基站的节能降耗已成为当今通信领域的重中之重，各大运营商的节能技术也必成为核心竞争力。对基于AI的5G基站节能技术进行研究，分析了传统的基站节能技术，探究了结合AI技术的5G基站节能技术前景，深入研究了AI节能技术的发展方向，着重提出了AI节能模型和AI协同节能方案。中文引用格式： 张志荣，许晓航，朱雪田，等. 基于AI的5G基站节能技术研究[J].电子技术应用，2019，45(10)：1-4.英文引用格式： Zhang Zhirong，Xu Xiaohang，Zhu Xuetian，et al. Research on energy saving technology of 5G base station based on AI[J]. Application of Electronic Technique，2019，45(10)：1-4.随着5G时代的到来，设备连接向海量连接的发展速度逐步加快，不断推动移动数据流量的爆发式增长。为了满足未来5G业务及数据流量的需求，5G需要使用更多的频谱资源以及更大的系统带宽。5G基站数量的成倍增长，大规模多输入多输出(Massive Multiple Input Multiple Output，Massive MIMO)技术的引进使得5G能耗大幅增加，5G耗电量预计将是4G的3~5倍[1]。为应对全球能源短缺与环境保护所面临的挑战、响应国家节能减排号召、建设资源节约型社会，节能降耗必然成为通信行业不可忽视的首要需求,因此针对基站的节能技术研究势在必行[2]。在基站能耗中，主设备功耗占基站功耗的50%以上，而有源天线单元(Active Antenna Unit，AAU)又占到主设备功耗的80%，因此节能技术主要面向于AAU部分。目前，可以通过7 nm、砷化镓等新工艺以及符号关断等技术降低功耗。但是，已有的传统基站节能技术属于通用模型，无法做到实时对网络环境的自适应，难以满足5G网络规模化部署的高效节能需求。而人工智能(Artificial Intelligence，AI)技术则可以令基站节能技术更加智能化，通过AI模型的计算，可以在保障用户体验的前提条件下，找到基站节能的最优解，达到全网运行效率最优、综合节能效率最优的节能目标。因此，引入AI智能化节能技术的趋势不可阻挡。本文将分析传统的基站节能技术，并在这些技术的基础上引入AI技术，从而实现基站节能自动化，达到更好的节能效果。传统的基站节能技术主要有两种方案：硬件节能和软件节能。硬件节能旨在降低基站的基础功耗，软件节能以业务运营为出发点，系统对硬件资源进行合理调配，从而使得基站设备更高效运行[3]。
1.1 基站硬件节能
基站硬件节能方案主要通过优化设备硬件设计、改进设备的集成度和生产工艺等手段来降低基站的基础功耗和提高基站设备的能源利用率。目前，基站硬件节能方案主要考虑以下几个方面：(1)加快半导体新工艺的使用，例如：最新的7 nm工艺，以此优化集成电路(Integrated Circuit，IC)设计，能够达到大幅提高5G系统性能和进一步降低基站设备功耗的目标。(2)在保证系统性能的情况下提高AAU硬件系统的集成度，特别是基带处理单元(Building Base band Unite，BBU)、数字中频模块和功放射频链路等关键器件。同时，加快专用集成电路(Application Specific Integrated Circuit，ASIC)的研发进程，从而提高设备的集成度以降低基站功耗。(3)加快与5G基站节能相关的新材料、新工艺的技术创新和产品应用，例如：半导体新衬底材料GaN的使用将不断优化AAU设备的功放效率。降低硬件功耗是5G基站节能的关键指标之一，但当前硬件设计技术并不是很成熟，仍需要一段时间去探索。
1.2 基站软件节能
软件节能技术根据通信业务特征以及网络负荷的变化，在保证性能不受损的前提下，通过调整基站软件配置对硬件资源进行合理调配，从而达到基站节能减耗的目的[4]。目前，主要的基站软件节能方案如下：符号关断是在网络负荷较低时，通过在无业务数据和系统消息块(SystemInformation Blocks，SIB)的空闲正常下行子帧的下行符号(无导频、物理下行控制信道(Physical Downlink Control Channel，PDCCH)、辅同步信号、物理广播信道)上，以及无业务数据的特殊子帧的下行符号(无导频、PDCCH、主同步信号)上，关闭射频部分中功放模块的发射功率来实现节能的目的，具体如图1所示。
该方案适用于时延不敏感的场景，基站能根据业务量的变化，数据链路层实现集中调度(集中调度会导致时延有少许增加)，AAU判断子帧是否有数据发送，无数据发送时，关断射频通道。对于必要的控制信道和信号，基站仍保持原有的发射周期和功率。从而，当基站业务量恢复到正常时，符号关断功能终止，功放模块能够立即进入工作状态，保证了5G网络性能不受影响。5G标准引入了大规模多输入多输出(Massive MIMO)技术，故而可以在夜间业务闲时场景考虑关闭部分射频通道来达到基站节能效果。具体地说，通道关断开关打开，在设置的节能时间段内监测当前上行/下行资源块(Resource Block，RB)利用率，如果满足条件，触发执行通道关断操作，参数控制选择关闭通道的策略。当不满足条件或到达节能结束时间时退出通道节能状态。该方案适用于夜间低负荷场景，并且小区远点用户很少的情况下。此外，基站实施通道关断时，一方面需要考虑发射功率的降低对网络关键性能指标(Key Performance Indicators，KPI)的影响，另一方面还需要考虑上行接受性能以避免误估业务负荷的情况。因此，可以分开考虑上下行通断关断功能，以达到更好的5G性能。针对双载波或多载波同覆盖的组网场景，在网络较闲、小区业务量较低的情况下，可以通过载波关断技术实现基站节能目标。具体地说，一个载波配置为覆盖小区，其他载波为容量小区，这些小区形成一个同覆盖小区组。当同覆盖小区组的RB占用率小于载波关断门限并满足迟滞时间后，通过负载均衡机制触发用户从容量小区切换到覆盖小区，然后关断容量小区的载波。当同覆盖小区组的RB占用率回升，大于载波开启门限并满足迟滞时间后，开启容量小区的载波，并启动负载均衡机制，使得容量小区和覆盖小区的负荷恢复到节能前的水平。这样可以在闲时阶段减少天线发射功率，从而达到基站节能的目的，具体如图2所示。
深度休眠功能主要用于室内覆盖分布式皮站(Pico Radio Remote Unit，pRRU)，特别是商场、地铁等典型潮汐场景。在业务空闲时，pRRU设备进入深度休眠模式，数字器件大部分功能关闭不再提供服务，或者直接下电，当业务量增加并超过预定门限，则通过 BBU 设备激活pRRU设备，灵活实现基站设备节能功能。具体地说，设定深度休眠的启动时间和停止时间，以及检测周期(如15 min)，检测是否有终端驻留和发起业务。如果到达节能启动时间，pRRU下无业务且无终端驻留，则启动深度休眠(pRRU掉电或低功率运行)；如果有业务或有终端驻留，则下一个周期再执行检测；如果到达节能停止时间点，则BBU触发pRRU恢复到正常工作状态。目前，上述4种关断技术是最普遍的基站节能技术，能够起到一定的节能作用，但是存在节能效果有限、自动化程度低等问题，需要进一步克服。传统的节能技术主要还是依赖简单的模型或人工设定好的门限来决定开关与否，其参数设置相对保守，导致节能效果有限。所有参数都是由基站统一设置，并不能很好地适应如今复杂多变的环境，无法解决不同环境下各基站节能策略的独立选择性问题，难以在用户体验和节能效果间达到平衡。利用AI技术，通过历史数据学习构建模型，同时引入实时数据不断训练修正模型，进而能够在当前环境下进行节能场景的识别、负荷的智能预测、节能策略的智能推荐，在保证用户体验的条件下，基站能达到智慧节能的效果。下面介绍分析了几种基于AI的基站节能技术。
2.1 基站节能的AI模型
2.1.1 节能场景识别
对于基站来讲，应针对不同的场景选取不同的节能策略。利用AI技术可以使基站自主识别所处场景，从而选择合适的节能策略，无需人工干预。模型主要是根据基站本身的历史信息，如无限资源利用率、环境天气情况、流量人数以及各时段基站负载等，使用AI中的相关性和聚类模型，确立几种典型的基站节能场景，以便采取不同的节能策略。当新加入基站或者基站周围场景变化时，可根据模型自动判别所处场景，采取相应的节能策略，从而达到智慧节能。根据节能场景识别模型，基站可以依据业务使用量的潮汐情况，适配各个场景。例如：当模型识别某场景白天晚间流量很大，但夜间无流量，且周末相比工作日流量增大，模型可能将该场景识别为商场。从而，基站可以针对该场景采取深度休眠甚至基站关闭的节能策略。
2.1.2 业务流量预测
对于基站节能来说，如果能提前预知未来的业务流量走势，就能提前采取相应的措施[5]。具体地说，如果预测出未来业务流量加大，则需适当关闭一些节能手段，提升业务负载性能，保障用户体验；如果预测出未来业务流量变小，则可以采取开启部分节能功能，以达到提前节能的效果。相比于传统的根据实时数据进行节能策略配置的方法，该技术能有更长的节能时间。因此，业务流量预测模型可以在保障用户体验的前提下获取更多的能耗节约。具体模型搭建步骤如下：(1)业务流量模型根据历史的KPI值、其他相关小区信息以及环境因素等特征，利用神经网络找出这些特征值和业务模型的映射关系，确定权重矩阵和偏执矩阵，构建业务流量预测神经网络。(2)将实时的KPI项、其他相关小区的信息等数据输入到业务流量预测神经网络中，即可得到本小区未来业务流量的预测值。(3)将真实的业务流量值作为反馈项反向传递给神经网络，用以修正神经网络，使其后续预测更加准确，模型如图3所示。
2.1.3 节能策略推荐
传统的节能策略只能根据阈值选择，而各策略之间并没有进行相互的关联与协作，基于AI的策略选择模型则可以结合上述几种模型的预测结果，进行最优节能策略的推荐。节能策略推荐模型使用的AI技术是强化学习，具体来说，根据不同条件，基站初步选择相应策略后，系统会将反馈数据输入奖励函数R中，计算得出一个奖励值，经过多次迭代累加，能够得到该策略的奖励Q值，从而根据Q值的大小比较进行最优策略的推荐。整体流程如图4所示，小区信息、节能场景识别以及业务流量预测结果作为模型输入值，经由智能启闭模型以及场景策略模型，得到最佳推荐节能策略，将其应用于基站。基站负荷，用户感知数据以及节约能耗数作为负反馈项，从而达到对模型的进一步强化。
2.2 基于AI的基站协同节能技术
上述AI技术仅考虑了独立基站的自动化节能方法，实际现网中则需考虑到基站之间协同工作的问题，使节能技术的实现变得更加复杂。本小节将介绍考虑基站协同工作下的节能技术，包括基于空间合作关系的基站节能以及4G/5G基站协同节能[6]。首先介绍基于空间合作关系基站的节能，最基础的方法是将相邻基站的历史信息加入到上述介绍的AI模型中，进行联合模型预测，使得预测结果更精准。其代表的方法有基于相邻小区流量信息的基站流量预测，该方法可以提高流量预测的准确性。然而此方法的问题在于可能不仅仅是相邻基站，距离较远的基站也可能因为人流移动等原因而与当前基站产生关联，如果将更多的基站加入预测模型，会使模型计算复杂度大幅上升。因此，可以先对基站进行格兰杰因果关系检测，得到强因果关系的合作基站，再将这些合作基站数据输入到AI模型中进行建模[7]。这样在大幅减少运算量的情况下，能够有效地提高预测的准确性和稳定性。4G/5G基站协同节能主要是基于测量报告(Measurement Report，MR)的站间共覆盖智能判断，基于多频多网协同节能以及网络AI节能等多重举措，达到多网协同节能。如果能在不影响用户体验的情况下将5G网下业务性能需求只有4G的业务迁移至4G，即可达到节能的效果，但何时切换需要AI模型进行预测。此外多重网络覆盖下载波关断技术也需要AI模型进行评估计算何时使用关断。用AI做基站协同节能，另一个好处是可以进行全网的性能评估，防止每个基站因自我的最优策略都开启节能功能，从而导致全网的性能下降和用户的体验受损。目前此技术的难点在于：(1)基础AI节能模型目前还处于试验阶段，需等基础节能模型成熟再开始搭建AI基站协同节能；(2)若协同的基站为不同厂家，各自基站设备的能耗性能不同，传统节能手段也不尽相同，需要AI节能模型大规模学习各厂家基站节能手段。因此基于AI的基站协同节能技术能够实现很好的节能成效，但仍需很长时间去探索。5G已在路上，基站功耗问题将成为5G网络部署的“拦路虎”，本文在传统基站节能基础上，进一步提出基于AI的基站节能新技术，利用AI算法对历史数据进行训练，找出规律，提出节能模型，实现业务场景识别、业务流量预测、多种模型策略推荐以及4G/5G基站协同等，在保证不影响网络性能指标KPI前提下，实现了5G基站能耗自动化、智能化管理，提高了5G无线网络能效，降低了5G网络OPEX，为5G网络部署与运营保驾护航。
参考文献
[1] 陈龙泉，王欢.基于基站机房的能耗数据采集与分析[J].计测技术，2016，36(4)：5-10.
[2] 刘思怡.绿色无线移动通信技术的创新思考[J].科学技术创新，2017(33)：100-101.
[3] 中国联通.5G智能节能技术白皮书[EB/OL].(2019-06-xx)[2019-08-12].https://club.mscbsc.com/t703024p1.html.
[4] 余丹娟.通信移动基站节能技术介绍与研究[J].电脑与电信，2016(7)：59-60.
[5] 胡铮，袁浩，朱新宁.面向5G需求的人群流量预测模型研究[J].通信学报，2019，40(2)：5-14.
[6] 刘娇.面向5G超密集网络基站协同节能关键技术研究[D].北京：北京交通大学，2018.
[7] 彭铎，周建国，羿舒文，等.基于空间合作关系的基站流量预测[J].计算机应用，2019，39(1)：154-159.
作者信息:
张志荣，许晓航，朱雪田，夏 旭
(中国电信股份有限公司智能网络与终端研究院，北京102209)
