基于階梯式評估的5G基站智能關斷方法分析

肖清華（華信咨詢設計研究院有限公司，浙江杭州 310014）

1 概述

目前，能源緊張已經成為全球不可避免和日益尖銳的社會問題。在移動通信領域［1］，隨著用戶對通信質量和服務要求的提高，技術更替升級的節奏越來越快。以5G［2］為代表的寬帶多場景技術能夠更加適應當前數據流量高速增長和行業應用不斷變化的趨勢。但同時，關于5G 基站的綠色節能［3］也越來越成為一個約束性目標。畢竟，相比4G 而言，實現相同面積的覆蓋，5G 需要部署2～3 倍以上數量的基站。此外，由于5G天線采用Massive MIMO［4］天線陣列，單站功耗是4G的3 倍左右。因此，深入分析5G 基站的節能技術，不僅有助于降低基站能耗，其經濟與社會價值也非常高［5］。

黃春紅［6］從人工智能的角度介紹了5G 基站的相關節能技術，但深度稍顯不足。帥農村等人［7］提出了一種5G零碳基站的配置模型，涉及光伏組件和儲能等配置，有一定的借鑒意義，但技術推廣受區域的限制較強。戴瑩［8］比較系統性地闡述了相關節能基站的智能關斷技術和節能設計，但方案的準確度取決于樣本數據的精確性。閆震等人［9］則基于二次指數平滑預測的方法研究了關于5G基站的節能方案，是一種概率模型，深受現網話務的影響。楊拓等人［10］則另辟蹊徑地分析了5G 終端環節的節能技術。實際上，實現5G 基站基礎節能的方案有很多種［11］，包括符號關斷、通道關斷、載波關斷和深度休眠等方案，不外乎硬節能和軟節能。文獻［12］也從保障業務的角度出發，結合差異化的業務屬性，提出了一種優化5G能耗的方式——GSIC，但GSIC 仍然存在以下問題：其一，現實中的業務基本為混合業務，純Non-GBR 業務很少；其二，沒有考慮資源塊的實際使用效率；其三，沒有進一步考慮低負載GBR業務的轉移場景。為此，本文從克服GSIC的缺陷出發，提出一種基于階梯式評估的5G基站智能關斷方法（Stepwise Evaluation based 5G gNB Intelligently Closing Algorithm，SEIC），對5G 小區負載構建階梯式的評估機制，借用物理資源塊效用因子來表達資源塊的使用效率，針對差異化的負載，累計篩選出滿足條件的關斷候選基站，進而根據鄰區集可承接負載的能力，有條件地實施分批遷移，實現低價值、低負載基站的關斷，從而達到優化能耗的目標。

2 SEIC模型

2.1 目標基站

同GSIC 類似，為了敘述方便，假設有n個基站gNBtar={gNB1，gNB2，…，gNBn}，每個基站的物理資源塊總量分別是{Prt1，Prt2，…，Prtn}，相應的負載為{Cld1，Cld2，…，Cldn}，當前小區吞吐量為{Thr1，Thr2，…，Thrn}。

2.2 核算物理資源塊的使用效率

將5G 基站物理資源塊的使用效率采取效用因子指標來表示。

計算gNBtar={gNB1，gNB2，…，gNBn}中的每個基站gNBi已分配的物理資源塊數量：

其中，ceil(?)表示天花板函數。

計算基站gNBi的物理資源塊效用因子：

計算所有基站的物理資源塊效用因子之和：

2.3 基于負載的階梯式評估

階梯1：對于每個基站gNBi，若其負載滿足條件：

其中，TCldlow表示設定的負載評估低門限；

則將該基站gNBi納入關斷候選集gNBtclose中，

階梯2：對于每個基站gNBj，若其負載滿足條件：

其中，TCldmid表示設定的負載評估中門限；

則篩選出其中資源塊效用因子滿足下列條件的所有基站{gNBj}：

其中，TEftlow表示設定的資源塊效用因子低門限；將{gNBj}納入關斷候選集gNBtclose中：

階梯3：對于每個基站gNBk，若其負載滿足條件：

其中，TCld?ig?表示設定的負載評估高門限；

則篩選出其中資源塊效用因子滿足下列條件的所有基站{gNBk}：

其中，TEft?ig?表示設定的資源塊效用因子高門限；將{gNBk}納入關斷候選集gNBtclose中：

2.4 關斷候選集預處理

對于關斷候選集gNBtclose中的首個基站gNBt（t∈［1，n］）及其所有的鄰區集合NGSt，計算其關斷鄰區集：

對于TNGSt中的每個基站gNBtx，計算其負載空間：

其中，VCelt?表示設定的5G 基站容量門限，max(?)表示最大值函數；

計算TNGSt中所有基站的負載空間之和：

2.5 智能關斷實施

對于關斷候選集gNBtclose中的基站gNBt，若滿足條件：

則將該基站移出gNBtclose，即取消本次對基站gNBt的關斷行為：

否則計算其關轉鄰區集：

其中，基站gNBty滿足條件：

核算目標關斷基站gNBt往gNBtz上轉移的負載量：

更新gNBtz負載：

待完成關轉鄰區集TNZSt中所有的鄰區操作，則執行對gNBt的關斷，并更新：

依次循環2.4～2.5節中的步驟，直到gNBtclose為空。

3 仿真

3.1 仿真環境

本文采取Matlab 工具對SEIC 和GSIC 算法進行對比仿真，SEIC具體參數如表1和表2所示（GSIC參數詳見原文）。

表1 仿真參數

表2 各基站基礎信息

3.2 仿真結果與分析

3.2.1 單站關斷

由6 個5G 基站組成的基站簇互配鄰區，對其中任意的5G 單基站進行關斷仿真，GSIC 仍然針對AR 和直播下行流等Non-GBR 業務，所得的仿真結果如圖1 所示。

圖1 單基站關斷

從圖1可以看出，在算法關閉的情況下，單站功耗始終維持在3 000～3 500 W 的高位運行，而在SEIC 和GSIC 算法打開后，由于部分業務轉移，功耗下降至2 600～3 000 W 的低位區間，下降比率約為15%。但由于SEIC 采取階梯式的關斷處理，對低負載業務比GSIC 更敏感，也更容易觸發關斷措施，功耗下降比GSIC 更快，算法效率更高。當然，功耗不是一成不變的，它也隨著小區的環境（如信噪比、誤碼率等指標）而波動。一般來說，小區吞吐率越大，或維持相應用戶感知而RSRP越低的情況下，功耗也會越大。

3.2.2 簇關斷

對仿真數據表中的6 個基站執行條件判斷，所得的仿真結果如圖2所示。

圖2 基站簇關斷仿真

對仿真基站簇進行關斷仿真，統計相應的功耗峰值。在執行算法時，GSIC 功耗平均峰值約為19.5 kW，SEIC 功耗平均峰值約為19 kW，比GSIC 下降約2.5%。SEIC對過低負載的GBR業務，若其資源塊效用因子不高，同樣對其進行關斷，但對負載轉移比GSIC 做了更有保障性的措施而不影響客戶感知。因此，對于基站簇的總體功耗下降，SEIC 比GSIC 更明顯，更有效地達到了節能減排的目的。

4 結束語

5G 節能是響應國家實現碳中和政策的一個重要方面，在優化5G 基站性能的同時，應從軟硬結合的角度出發，更優地實現節能減排。本文針對GSIC節能算法的不足，有針對性地根據資源塊的使用效率進行了優化，能夠結合負載進行階梯式評估，從而提高5G 基站關斷的節能效率，并兼顧無線網絡的相關KPI指標。但對于更細顆粒度的符號和通道關斷等方面，以及引入人工智能對話務自適應等場景，仍然缺乏研究，希望在今后的工作中繼續研究。