江苏龙网

  1. 首页 > 资讯 > 科技 > >

「网络」人工智能为网络节能增效 全方位构建低碳通信网络


随着移动通信网络逐步迈入5G时代 ， 新技术和新特性层出不穷 ， 新业务和新应用不断涌现 。 与4G网络相比 ， 5G网络在传输速率、传输时延、连接规模等关键性能指标上有了质的飞跃 ， 从而可以支撑更加丰富的业务场景和应用 ， 但与此同时也给移动运营商带来了CAPEX和OPEX的不断攀升的挑战 。 GSMA预测报告显示 ， 在给定场景下的4G网络同站部署5G网络将至少增加140%的电费消耗 。 在典型的运营网络中 ， 无线站点能耗大约占据整网的45%左右 ， 其中主设备无线基站的能耗约占一半或以上 。 因此无线基站的降耗对网络能耗至关重要 。
众所周知 ， 无线通信网络的话务量具有明显的潮汐效应 。 减少低话务时段的无效能耗是节能的主要方向之一 。 在一个庞大的网络中 ， 面对各种特性差异较大的场景 ， 如何制定匹配的节能策略 ， 成为网络节能的关键所在 。
传统的节能方式需要人工分析海量数据 ， 包括公参数据、网络存量、特性适配、站点共覆盖、多频多制式网络识别等 。 此工作复杂性高、工作量大、实时性差 ， 对运营维护人员的网络经验要求极高 ， 难以对不同站点根据其场景、业务潮汐情况给出不同建议 。 因此在实际实施时 ， 往往采用人工设置 ， 在指定区域统一关断参数的方式进行 。 因为参数无差异化设置 ， 无法自动匹配不同网络场景 ， 无法与站点话务强匹配 ， 有可能会因参数设置不合理导致一些站点在话务繁忙时业务受损 ， 影响网络性能；而有些站点在业务闲时 ， 节能效果无法达到最大化 。
中兴AI节能方案借助AI和大数据技术 ， 实现不同场景、不同站点、不同时间、多制式网络协同节能 ， 在保证网络KPI的基础上 ， 使节能效果最大化 ， 实现能耗与性能的最佳平衡 。
如何在网络中运用AI节能呢？
方案落实部署主要包括初始方案评估设计、功能验证及实施、效果性能调优三个阶段：
初始策略自配置
在初始节能方案评估设计阶段 ， 系统通过大数据分析 ， 自动梳理网络主流场景 ， 并根据历史话务模型和基站配置分析 ， 进行节能场景分析 ， 配合用户行为习惯、站点硬件设备、节能功能约束条件等客观条件 ， 预估节能效果并进行初始方案设计 ， 实现节能初始策略自配置 ， 对预期有节能效果的小区开启节能策略 ， 并提供相对合适的初始门限及可执行节能的时间段 。
参数门限自调整
在方案实施阶段 ， 利用网管系统对网络进行监控与分析 ， 可根据小区历史数据 ， 区分出正效应、负效应以及无效应三类小区 ， 采用周内同天的子序列拆分预测法 ， 同时结合节假日因子对预测指标的影响 ， 优选采用二阶指数平滑预测的算法 ， 得到计算性能最优、优化效果最好的时间序列预测模型 。
根据此预测模型 ， 结合不同的节能功能（符号关断、通道关断、小区关断、设备深度休眠） ， 自动调整针对不同节能功能的最佳节能时间及相应节能开启关闭门限设置 ， 实现“一小区一策略” ， 有效保证节能特性最大化匹配站点实际运行 。
经实际外场商用验证 ， 话务预测准确率可高达90%以上 ， 有效提高节能时间段的节能效率 。
KPI回滚式自优化
针对节能而言 ， 进入关断的门限值越高 ， 节能效果越好 ， 但传统的节能方案 ， 为了顾及网络中各种场景的差异性 ， 一般情况下设置关断进入门限较为保守 ， 使得节能效果受损 。 使用KPI回滚式自优化策略 ， 可寻找节能进入门限与网络性能的拐点 ， 最大化节能 。
系统根据全场景话务模型 ， 节能效果和KPI趋势的大数据分析 ， 强化自学习 ， 在线不断迭代优化 。 利用聚类算法寻求最优调整步长 ， 监控网络核心KPI（包括建立类、掉话类、切换类、用户体验类等） ， 在允许浮动范围内 ， 不断迭代预测模型 ， 最终达到节能和系统性能的最佳平衡点 。

「网络」人工智能为网络节能增效 全方位构建低碳通信网络


推荐阅读


上一篇：努比亚■业内最高屏幕刷新率5G手机上市努比亚Play 5G手机支持144Hz屏幕刷新率

下一篇：『苹果』曾经引领世界潮流的苹果，如今却开始打价格战！华为：你随便打