基于AI算法的5G无线通信设备能耗建模方法研究_陆赟.pdf

电子技术应用 2023年 第49卷 第4期5G Vertical Industry Application5G垂直行业应用基于 AI 算法的 5G 无线通信设备能耗建模方法研究陆赟，丁薇，王梓丞，尹以雁，杨丹，吕沛锦，杨晓康（中国移动通信集团云南有限公司，云南 昆明 650000）摘 要：基于 5G 网管系统中可采集到的大量能耗、性能指标和基站配置数据，利用机器学习算法对现网主流 AAU设备建立能耗测算模型，并对模型的准确性进行验证。测试结果表明，利用该方案对现网几款主流 AAU 设备建立的能耗测算模型精度都达到 97%以上，充分证明该能耗建模方法具有很高的实用性和推广价值。关键词：5G 基站；AAU 能耗；建模；机器学习算法中图分类号：TN925+.1 文献标志码：A DOI:10.16157/j.issn.0258-7998.223378中文引用格式：陆赟，丁薇，王梓丞，等.基于 AI 算法的 5G 无线通信设备能耗建模方法研究J.电子技术应用，2023，49(4)：7-10.英文引用格式：Lu Yun，Ding Wei，Wang Zicheng，et al.Research on energy consumption modeling method for 5G wireless communication equipment based on AI algorithmJ.Application of Electronic Technique，2023，49(4)：7-10.Research on energy consumption modeling method for 5G wireless communication equipment based on AI algorithmLu Yun，Ding Wei，Wang Zicheng，Yin Yiyan，Yang Dan，Lv Peijin，Yang Xiaokang(China Mobile Communications Group Yunnan Co.，Ltd.，Kunming 650000，China)Abstract：Based on a large amount of energy consumption,performance indicators and base station configuration data that can be collected in the 5G network management system,this paper uses machine learning algorithms to establish an energy consumption calculation model for common AAU equipment on the existing network,and verifies the accuracy of the model.The test results show that the accuracy of the energy consumption calculation models established by this scheme for several common AAU devices in the existing network has reached more than 97%,which fully proves that the energy consumption modeling method has high practicability and promotion value.Key words：5G base station；AAU energy consumption；modeling；machine learning algorithms0 引言随着 5G 移动通信系统的大规模部署，网络提供更快的速率、更大的容量和更广泛的连接的同时，通信设备功耗问题给网络建设和运维带来了极大的困扰。一方面，由于 5G 使用的频率更高，这使得所需要的 5G 基站数量相比 4G 更多；另一方面，由于 5G 天线采用更高的天线收发通道数，5G 单站功耗是 4G 单站的 24 倍1。为了方便对基站能耗进行评估，需要构建 5G 基站无线主设备能耗模型，从而精确测算基站在承载不同业务负荷时的合理能耗范围，以此定位现网运行的低能效设备，识别设备的能耗异常问题，对推动 5G 基站节能减排工作的开展有较大的意义。1 5G 基站能耗分析5G 基站主要由基带处理单元(BBU)、大规模有源天线单元(AAU)、馈线、散热系统等组成。BBU 和 AAU 是5G 基站的主要部分2。AAU 融合 4G 时代的远端射频单元(RRU)和天线单元，主要由数模转换器(DAC)、射频单元(RF)、功率放大器(PA)以及天线等部分组成。在整个基站系统中，负责处理信号编解码的 BBU 的功耗相对较小，而 RRU/AAU 和散热系统是功耗的主要来源，占整个基站主设备的 70%80%。从射频模块的能耗分布来看，大部分能耗集中在 PA 上，占比约 80%3。BBU 一般集中安装在基站机房内，主要用于基带数字信号处理，能耗相对稳定，基本不受业务负荷变化的影响。AAU/RRU 一般分散安装在塔桅上，主要负责信号 发 送 和 接 收，能 耗 随 着 业 务 负 荷 的 提 升 将 大 幅 增加4。在业务负荷为 100%时，某款 AAU/RRU 的平均功耗达到 1 127.28 W，是 BBU 平均功耗的 3.84 倍。为实现75G Vertical Industry Application5G垂直行业应用www.ChinaAET.com5G 无线通信主设备工作状态下的降本增效，需准确测算 5G 基站无线主设备 AAU/RRU 能耗。2 能耗建模数据分析由于不同厂家、不同设备采用的设备器件和制作工艺不同，不同型号的能耗情况均存在一定的差异。提取现网一个地市某两个型号的基站小时粒度业务量相关数据和网管中单板能耗数据。从数据分析的结果中发现，BBU 设备能耗较稳定，不易随业务量变化波动；而AAU 设备能耗波动明显，通过数据统计分析，发现 AAU的能耗与业务负荷成正相关性，业务量越大、PRB 利用率越高，能耗越大。将采集的多维网络负荷相关的性能指标数据与设备能耗进行相关性分析，得出与 AAU 设备能耗相关性较高的性能指标包括 RLC 层上行业务字节数、RLC 层下行业务字节数、上行 PRB 平均利用率、下行 PRB 平均利用率、PDCCH 信道 CCE 占用率、上行每 PRB 平均吞吐量、下行每 PRB 平均吞吐量等。相关性计算结果说明，影响通信主设备能耗的因素众多，多为正相关性。因此，为更精确地模拟设备功耗，需利用 AI 机器学习技术，建 立 5G 设 备 能 耗 模 型，模 拟 各 业 务 量 下 的 设 备能耗。除性能指标及设备型号、基站物理配置外，依然存在其他无法量化的因素对 AAU 设备能耗造成影响，包括由于设备发热损失的能量、设备所处环境的温湿度、传输线路损耗、设备与电源之间的距离等。3 能耗建模方案研究3.1 AI 算法选型以机器学习中的回归模型为例，矩阵 X1、X2分别表示性能指标及基站配置参数，1、2表示系数，将由环境等不可量化因素产生的影响作为随机误差由表示，Y表示 AAU 设备耗电量，具体公式如下：Y=1X1+2X2+(1)针对现网中某款型号 5G AAU，选取若干个试点基站，采集相应设备性能指标、基站配置参数、设备能耗等数据，将数据以时间维度进行关联后，随机抽选 80%作为训练集，用于建立模型；20%作为测试集，用于验证模型精度。在算法选型和参数调优方面，参考“决定系数”R2，用于选择最优模型及参数。具体公式如下：R2=Q1Syy(2)其中：Syy=(yi-y)2为 y 的总离差平方和，是每一观测值 yi与其平均值 y 的离差的平方的总和。Q1=(yi-y)2为 y 的回归平方和，是每一计算值y?i与平均值 y 的离差平方和的总和。R2取值在(0，1)之间，越接近 1 说明拟合性越好。通过相关性分析，AAU 性能数据中各项指标互相之间的相关性强，两两指标相关系数多在 0.7 以上。因此，模型选择上适合选择那些能够处理相关属性的模型，如决策树或者以决策树为基础的随机森林 bagging 方法等。经过分析已采集到的 AAU 设备性能数据、能耗以及基站配置参数等数据，初步筛选出 3 种回归算法用于建立能耗模型：随机森林(RF)、梯度提升回归树(GBRT)和极度梯度提升算法(XGBoost)59。3.2 回归算法效果对比选取试点站中 3 个小区的 AAU 设备，连续采集 1 个月的 15 min 粒度数据，共 8 460 条。其中训练集数据6 768 条，测试集数据 1 692 条。将训练集性能数据经聚合成小时粒度后，各指标详细特征如图 1 所示，共有包含 9 项参数的 1 488 条数据，分别统计了各项参数的均值、标准差、最大值、最小值，以及排序后分别在 25%、50%、75%位置的值。选用 GBRT、RF、XGBoost 3 种回归算法分别进行参数调优后对 AAU 设备建模测算，结果见表 1。其中误差的计算方法为：ERROR=|y?i-yiyi（3）模型精度为：图 1AAU 设备性能指标特征85G Vertical Industry Application5G垂直行业应用电子技术应用 2023年 第49卷 第4期ACC=1-ERROR(4)其中,y?i为模型测算值，yi为实际测量值。模型建立完成后，针对各项指标对于能耗测算的影响进行分析评估，得到各项指标的影响权重由高到低排序如图 2 所示。其中，语音话务量与无线利用率对测算结果影响较大，下行 PRB 利用率、上行 PRB 利用率次之。以上 4 种指标为影响该型号 AAU 设备耗电量的主要因素。综合上述测算结果可以得出，利用 GBRT、RF、XGBoost 3 种算法对 AAU 进行能耗建模测算的平均精度均达到 98%以上，每时刻测算值平均误差小于 2%，且训练集与测试集 R2均接近 1，说明 3 种模型拟合程度较高，充 分 说 明 了 这 3 种 模 型 均 适 用 于 AAU 能 耗 建 模评估。4 能耗建模结果从现网选取 4 款主流 AAU 设备，提取无线利用率、PRB 利用率、RRC 平均连接数等性能指标，两周时间内的 15 min 粒度的大量样本数据，利用前面验证过的能耗模型拟合精度最高的 GBRT 算法对所选取的 4 款 AAU设备进行能耗建模，如表 2 所示，利用 GBRT 算法建立的能耗模型对于 4 款型号的 AAU 设备的能耗测算精度都达到 97%以上，其中分别有 91.67%、100.00%、81.63%、95.89%的测算值误差在 5%以内。除 AAU-1 外，其余型号设备测算值的误差均在 10%以内，说明所选的性能指标可以满足能耗建模测算的需要以及能耗模型算法选择的准确性。5 结论本文介绍了一种基于 AI 算法的基站 AAU 设备的能耗建模方法。该方案基于网管中采集的 5G 小区性能指标和基站配置参数等数据与设备能耗进行相关性分析，找到与 AAU 设备能耗最相关的若干指标，利用 GBRT、RF 和 XGBoost 3 种回归类算法分别建立设备能耗模型，并验证了各种算法的精度。通过对比分析发现，这 3 种模型均适用于 AAU 能耗建模评估，其中，GBRT 算法精度最高。利用 GBRT 算法对现网 4 款主流 AAU 设备建立的模型能耗测算精度都达到 97%以上，该能耗模型具有很高的有效性与实用性。应用此方案可以针对不同设备型号建立能耗模型，精确地测算 5G 基站无线主设备不同业务量情况下的设备能耗，为评估各厂家设备能效及各种节能技术开启的节能效果提供有效手段，同时为后续无线主设备采购选型和网络应用提供有力支撑