第06版:信息通信
3上一版  下一版4
 
人机协同考验AI产业智慧
编辑:徐恒
AI深度学习 助力5G基站降低能耗
 
版面导航
 
3上一期
3上一篇 2020年11月20日 放大 缩小 默认        

AI深度学习 助力5G基站降低能耗

中国电机工程学会能源互联网分会专业委员 杨军
 

5G作为“新基建”的排头兵,成为拉动经济、缓解疫情冲击、稳增长稳就业的新抓手。随着智慧交通、泛在电力物联网、智慧城市等数字化应用蓬勃生长,一场伴随着5G万物智联而来的“数据海啸”正滚滚袭来,而海量数据引发的电力消耗也将成倍增长。5G设备高能耗的僵局亟待破解。

通信网络在5G时代发生重大变化

在相当长的一段时间内,现网的2G/3G/4G将会和5G RAT共存。目前70%的运营商站点频谱数≥5频,未来毫米波部署之后,站点频谱数普遍达到7~10频及以上,涵盖从700兆赫兹双通道到3.5G的64通道共9个频段。待5G FR1部署完成后,站点频谱数将更多,站点峰值功耗将增至约13700瓦,在未来几年,随着毫米波及新技术在现有频段的应用,最终站点日常功耗增至约13400瓦,峰值功耗将增至18900瓦。

由于5G频段的上移,为提升5G用户体验速率和实现热点地区及高容量业务场景的连续覆盖,运营商将以“宏基站为主,小基站为辅”的组网方式有效补充和解决4G网络覆盖的问题,截至2019年末,全国三大运营商4G基站总数合计在大约519万个,其中宏基站占比70%,约360万个。未来,基于5G中频段的宏站覆盖范围与4G宏站大致相当或稍弱,大致估算宏站需求个数是4G的1.2倍,大约在450万个,加上微基站数量,预测到2025年,我国5G基站总数将达到623万个。所以运营商将新增更多站点,导致消耗更多的电量。

通信运营能源的消耗主要是电力,占比80%-85%。其中的移网基站、固网通信机房和IDC机房占到总耗电量的95%以上。2019年,4G基站对全社会用电量的增量贡献约1.1-1.6%。因此控制能源费总量增长,核心点是基站和IDC机房。

5G高能耗对整个供电系统带来挑战

5G基站本身的能耗主要来源于基站的CU/DU(基带处理单元)设备和AAU(大规模天线阵列)。CU/DU消耗的电量主要用于计算,包括数字部分处理、管理和控制、核心网和其他基站间通信等。由于CU/DU的功率比较稳定,不受太大的业务负荷影响。而AAU则不同,随着负荷的增加,功耗也大幅增加。AAU设备内部集成了天线阵列、最高64个射频通道和部分基带功能,其能耗占基站设备总能耗的80%以上。

据相关机构预测,到2022年,我国5G网络建设规模至少达到250万站,届时运营商5G网络能耗成本将至少达到每年575亿元~750亿元。

5G基站的巨大电费开支,也将会对运营商的经营和盈利情况带来巨大冲击。2018年,三大运营商共盈利1492亿元。如果按未来5G的用电成本,和每年2.9%的利润增长率计算,2025年运营商的盈利将会大幅降低。除了基站自身设备能耗带来的挑战,5G的高能耗对整个供电系统也带来挑战。这些挑战包括市电容量、整流器容量、备电能力、温控能力等等。

5G的“高能耗”要从两方面来看,一个是绝对能耗,另一个就是相对能耗。如果是从它能够传输的比特率角度来看,实际上5G比4G强。5G的理论峰值速率为1G,约为4G(峰值速率)100M的10倍。5G基站的覆盖半径为100~300米,比4G基站的(覆盖半径)1~3公里密集很多倍。5G基站天线的系统容量和发射功率也是4G的好几倍。尽管5G基站的相对能耗低于4G,但绝对耗能过高,需要引起重视。

AI从基站软件侧实现节能优化

长期来看,5G基站节能还要从“源头”入手,即从基站的硬件侧和软件侧来实现节能优化。

硬件节能方案主要通过优化设备硬件设计、改进生成工艺、设备集成度等手段,达到降低基站设备基础能耗、不断提高基站设备能源利用率的目的。比如,在基带板方面推进高集成度和低功耗ASIC芯片解决方案、数字中频推进下一代7nm/5nm ASIC芯片、不断提高芯片的集成度、减少芯片使用数量等。而软件节能则是基于业务负荷状态对基站资源进行合理调度,在运行基站时更好地降本增效。5G基站的符号关断、载波关断、频道关断、深度休眠是网络管理精细化的重要趋势。

近年来,随着AI(人工智能)技术兴起,其在图像识别、生产控制等领域的优势,也将广泛应用于通信站点供电系统,促进站点供电自动化控制,持续提高站点能效和站点可靠性。在执行基站深度休眠时,基于AI的5G基站能耗分析和控制平台可针对网络覆盖、用户分布、场景特征等数据,利用机器学习算法对历史数据进行人工智能判断,采用下发不同的关断指令策略,在不妨碍用户正常使用网络的前提下达到最优节能效果。

深度学习技术如何在能源管理中施展拳脚的?在用户侧和需求侧,在从海量的用户数据挖掘出有价值的商业信息需要进行高层的语义分析,目前使用循环神经网络RNN、卷积神经网络CNN、长短记忆网络LSTM等来完成对海量文本的语义理解、信息抽取等数据挖掘任务。

在供给侧和售电侧,随着电网智能化要求提高,完成不同的领域任务需要训练不同的深度神经网络模型,而模型训练依赖海量历史数据、注意力机制与BERT,深度学习技术可有效降低训练新模型所需要的数据量要求。

 
3上一篇  
  


电子信息产业网 http://www.cena.com.cn
中国电子报社版权所有。未经许可,不得转载或镜像。
地址:北京市海淀区紫竹院路66号赛迪大厦8层 邮编:100048
订阅电话:010-88558892 | 88558816

 

关闭