技术研究报告-通信基站节能技术综合应用的研究

技术研究报告一、系统概述基站综合节能系统是一个集节能减排、网络通信、软件开发、数据模型分析等综合技术的工程，用于基站系统节能，实现企业低成本运营。根据数据统计，2007年江西移动年耗电量达2.3亿度，其中基站能耗占全部能耗的75%以上，而随着业务发展快速增长，江西移动的无线网络规模逐步扩大，基站耗电量亦逐年增加，而传统的监控系统无法对基站能耗进行实时监测，同时单一的节能手段，无法实现基站有效节能。基站综合节能系统结合通信基站自身特点，围绕基站机房土建建设、主设备、配套设备、空调、电源等方面多角度入手，从支撑手段建设、管理节能、技术节能三个维度开展基站综合节能技术研究，形成一套系统的节能方案。通过开发基站能耗管理系统、开展基站运行维护管理研究和基站节能技术组合应用研究，实现基站系统节能，将基站节能从“目标管理”转为“过程管理”。二、系统设计目标和系统介绍通信基站综合节能技术应用研究的总体目标是降低基站能耗，并实现基站节能效率最大化，同时完成对基站能耗的精确计量和采集，全网能耗的推算、节能方案的验证、站点能效分级。为达到这个目标，通信基站综合节能系统通过对基站系统分类，选取关键自变量，并对原有动力环境监控系统进行升级，构建能耗管理系统，完成对基站能耗的实时统计分析；突破传统的维护规程，因地制宜，改变基站运行环境；围绕基站土建、主设备、配套、空调等方面开展节能新技术研究，制定基站配套标准化、铁塔标准化，研究基站空调节能控制系统、蓄电池修复等节能技术，并有效结合，实现基站系统节能的目的。三、关键技术设计基站综合节能系统主要用于实现基站能耗监测、管理及基站系统节能。针对移动基站数量庞大，无法实现能耗准确统计，考虑采用基站统筹分类，建立数据模型，完成全网能耗的推算、节能方案的验证、站点能效分级；针对通信基站能耗产生原因，逐条挖掘技术潜力，并按各节能技术特点，有机组合，并创新提出基站标准化、铁塔标准化、蓄电池综合修复、基站空调节能控制系统等节能技术。(一)基站能耗管理1.标杆基站取定原则对室内外基站关键自变量进行筛选，确定室内基站月度能耗主要与月度话务量、载频总功率、开关电源输出功率、空调制冷功率、墙体导热系数、基站使用面积等六个关键自变量密切相关（考虑到墙体导热系数难以确定，建议可用墙面安装材料表示）。室外基站月度能耗主要与月度话务量、载频总功率、开关电源输出功率三个关键自变量相关。为保证统计数据的准确性，建立关键自变量的数据取值规则（上限、下限、取值步长，下限一律按0取值）。分别获取这6个关键自变量的取值范围，建立关键自变量的数据取值规则如下：取值规则月度话务量Erl载频总功率KW开关电源输出功率KW空调制冷功率KW基站使用面积㎡上限5000014.4152760下限00000步长62501.82.5315段位数88694同时要求标杆基站的数量应不低于同类基站总数的10%（标杆站选取越多推算该类其它非标杆站的能耗值准确度越高）并要求标杆站的选取应具有代表性，关键自变量数据相对稳定、不易出现数据突变的基站，其中每一个关键自变量值均应位于自变量范围中间值（如A类基站的月度话务量范围在6250~12500，则选取A类基站中的标杆站话务量应位于9375左右）。2.基站能耗数据采集通过配置的智能电力采集模块采集电度并输出至监控系统，通过监控系统传至监控中心主机。监控中心后台计算的电能监测管理系统适合监控中心已经具备实时采集各类用房的电压、电流、功率因数的情况，通过监控中心服务器的软件升级通过电压、电流、功率因数计算得出耗电量，基本原理如下：.......cos3cos3)()()()2()()(0000000000ttttttttttttttttttdiudiukWhttnttnttnttnttntdiu))1(())1(())1(()())1((00000cos3即通过检测连续时间内每个t时间段内的起始电压、电流、功率因数，通过相乘后在t内积分，从而得到该t内的耗电量，将该连续时间内的所有t内的耗电量相加，即可得到整个连续时间内的耗电量，t时间越短得到的耗电量数据越精确。3.能耗统计分类原则基站月度用电量与话务量、BTS类型、BTS机架数、载频总功率、配套功率、基站面积、等多个因数密切相关，而其中每一种因素对用电量的影响大小、时段不尽相同，因此需要在月度用电量和受制因素之间建立一种多元模型算法。根据统计学的方法，由不同自变量（如话务量、BTS机架数、载频、配套功率等）确定因变量（基站月度能耗）的模拟关系可采用多种计算方式，如多元回归法、模糊算法、神经网络算法等：1、模糊算法和神经网络算法虽然其精确度较高，但需要通过单独的软件进行分析（如MATLAB等），计算十分复杂，且需要对自变量不断修炼改善，不适合自变量的种类变化较大的案例使用；2、多元回归算法，相对于模糊算法和神经网络算法，精确度稍差，但可通过EXCEL表模拟出自变量和因变量的关系，操作简单，可以随着自变量种类的增加及时调整数据模型；分析基站能耗构成，基站能耗=各类设备的电压×运行电流×运行时段，其中电压和运行时段在同一类设备内相对固定，属于基本常数，而各类设备的运行电流是影响基站能耗值的唯一因素，因此，可以确定基站能耗分析中的自变量和因变量之间的对应关系（即一个变量受到多个其他变量的影响）为模拟线性关系，通过多元线性回归算法，利用相关系数分析，筛选与预测结果密切相关的影响因素作为自变量（如话务量、BTS机架数、载频、配套功率等等），结合因变量（如月度用电量）建立多元线性回归方程，构建基站能耗数据模型。4.分类算法研究4.1基本数据模型公式收集有关基站能耗用电数据通过回归方程预测未来基站的用电量，统计出和因变量有相关性的所有自变量数据，其中自变量记为X1、X2、X3……Xn。因变量为月度耗电量，记为Y值，计算结果就是确定Y值和各X值的关系，可用公式表示：Y=B+A1X1+A2X2+A3X3+……+AnXn其中A1~An表示自变量参数，表示对应X1~Xn和Y的影响量，B表示影响Y的固定值。4.2数据模型的计算4.2.1抽样基站为了验证多元线性回归算法的实用性，我们以2008年7～12月份之间能耗采集准确、设备配置稳定、供电相对正常、话务量和载频数记录完整等为条件，以苏州为例，筛选出68座典型基站，通过分析可能影响基站能耗的因数，最终得出下表：基站名称BTS类型话务量elrBTS机架数载频总功率KW配套功率KVA电源模块数只空调功率KW基站面积㎡阳光直射墙体数用电量(度)339省道爱立信220626963.64543.6937.24844113板桥中学爱立信220627647.0423.415.75312.62445536蔡同德爱立信220627345.25526937.24845528长桥村爱立信220637302.6126937.22035214车坊东爱立信220614180.9543927.24043999…………………………………………………………杜家村爱立信2206697532.4937.23631461端市村爱立信220627837.0735.615.75312.64825145妇幼中心爱立信22022861.45564.9937.23032992高鼎路爱立信220617320.16533.2937.22033481谷城巷爱立信220224227.1235.9515.75312.64035652和宜路二爱立信220622148.2643.615.75312.628441294.2.2确定模板变量上表罗列了8个自变量（月度总话务、BTS机架数、载频总功耗、配套功率、电源模块数、空调功率、基站面积、阳光直射墙体数），分别记为X1、X2……X8，其变量参数记为：A1、A2……A8，因变量为动环月度耗电量，记为Y值。4.2.3计算过程利用EXCEL进行分析：打开EXCEL表中的工具栏，数据分析栏，选择回归，Y值输入区域选择用电量1列，从第2行到数据的69行；X值输入区域选择自变量的所有区域，即从BTS机架～阳光直射墙体数；输出区域选择空余的一栏即可，然后把残差的选项全部选中，按确定键即可。4.2.4能耗数据模型公式计算结果中，Coefficients列，第1行B值，为2955.9，第2～9行为A1~A８值，分别为2955.946263、0.026418018、-103.8920777、531.3647249、-71.979237、-319.2585282、135.1742557、-1.056411485、-293.2160513，代入数据模型后得到能耗数据模型公式：Y=2955.9＋0.026418018X1＋-103.8920777X2＋531.3647249X3＋-71.979237X4＋-319.2585282X5＋135.1742557X6＋-1.056411485X7＋-293.2160513X84.2.5相关性差异分析相关性差异分析：列表中的t和P反映了该自变量与因变量的关系，t越大、P越小表示该自变量和因变量关系较大，反之就越小。通过对7月份的模型进行相关性差异分析，得出BTS机架数、配套功率、电源模块数、阳光直射墙体数等自变量和因变量的相关性较差，予以删除，再次进行回归分析，建立多元逐步最优回归方程。最终得出上述68座基站在2008年7月份的能耗分类数据模型算法公式为：Y=817.65＋0.024656433X1＋531.8694476X3＋40.27858473X6＋-2.55390618X7上述模型展示了现有68个站点的2008年7月份用电量特点，其它基站7月份能耗可以将自变量参数代入该数据模型中得到。但考虑到基站数据源较少，相对准确性有待提高，如利用上述公式来预测第全网能耗可能误差较大，所以尽还需要进一步扩大数据量，模型准确性与提供的数据量成正比。4.3建立数据模型库4.3.1获取其它数据模型依照4.2的方法，计算出上述站点2008年8～12月份的月度能耗数据模型，并建立数据模型库。8月数据模型：Y=594.6＋0.0258506X1＋349.076867X3＋70.06685805X6＋4.606960575X79月数据模型：Y=619.48＋0.038943554X1＋244.3819373X3＋62.31924315X6＋6.605513313X710月数据模型：Y=281.18＋0.055379764X1＋219.0298006X3＋49.32215253X6＋7.654272521X711月数据模型：Y=199.30＋0.044137897X1＋192.1362383X3＋35.61378227X6＋8.062778661X712月数据模型：Y=92.54＋0.056644312X1＋188.4067606X3＋31.50865499X6＋5.288459371X74.3.2建立数据模型库建立数据模型库可采用两种方案：1）关联月度平均气温获取苏州2008年7～12月份当地的平均气温：月份07年温度08年温度常年温度最高最低平均13.22.73.333.623.433.53.254.9311.91111.711.358.7415.815.616.115.8514.8523.221.422.221.820625.123.424.423.924730.229.830.630.227.9830.127.628.528.0527.6924.924.725.725.223.21019.919.920.520.2181113.112.112.712.412128.46.37.36.86可以得出上述7～12月份的数据模型分别关联30.2℃、28.05℃、25.2℃、20.2℃、12.4℃、6.8℃的室外平均气温，在后续的能耗管理中，可进一步拓展基站室外温度的采集，实现数据模型与月度平均气温关联的连续性。2）根据月度相关性进行归类统一针对月度平均气温变化较大，各年之间也有差异，造