【技术实现步骤摘要】
一种基于联邦学习的5G基站能耗优化方法
[0001]本专利技术涉及人工智能能耗优化领域,具体涉及一种基于联邦学习的5G基站能耗优化方法。
技术介绍
[0002]随着5G时代的到来,作为基础设施的5G基站建设发展迅猛。基站是指在一定的无线电覆盖区中,通过移动通信交换中心,与移动电话终端之间进行信息传递的无线电收发信电台。相比于4G基站,5G基站载波频率高,耗电量巨大。然而频率越高,电磁波的衰减越大。这意味着5G基站比4G基站的信号覆盖半径小。运营商为了实现重点区域的连续覆盖和提高5G覆盖率,大大增加了5G基站的建设数量,造成运营商的电费成本急剧增加。因此,对5G基站进行能耗优化(Energy consumption optimization,ECO)成为运营商当前迫切需要解决的问题和可持续发展的重要目标。
[0003]基站的能耗主要有3个部分组成:基站通信主设备能耗、环境温控设备能耗和其他辅助设备能耗。移动通信网络存在着明显的潮汐效应,在时间、空间上均呈现忙闲不均的特征。传统上,能耗优化主要是由人工根据基站设备的负载率手动设置符号关断、通道关断、载波关断和深度休眠的时间和时长进行,不能根据基站的实际情况智能地设置节能方案,难以在保证用户使用质量的前提下实现节能。现有的能耗优化方法主要使用基于序列特征的预测方法预测下一阶段的能耗曲线,例如差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,Arima)、Prophet模型和基于回归的预测方法,例如长 ...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习的5G基站能耗优化方法,其特征在于,包括如下步骤:a)对基站场景进行聚类;b)基站场景内部基站通过GRU网络训练基站参数并上传至中心服务器,中心服务器对参数进行联邦平均后下发至基站;c)将最终模型参数与本地参数进行融合,得到每个基站的最终模型;d)将不同场景下基站的流量数据输入到每个基站的最终模型进行学习,预测出不同场景下基站能耗时间序列。2.根据权利要求1所述的基于联邦学习的5G基站能耗优化方法,其特征在于,步骤a)包括如下步骤:a
‑
1)收集基站流量得到样本数据集D={x1,x2,...,x
i
,...,x
m
},其中x
i
为第i个基站流量数据向量,i∈{1,2,...,m},m为基站的数量,对样本数据集D中每个基站的流量数据向量进行归一化处理,得到归一化后的样本数据集D
′
={x
′1,x
′2,...,x
′
i
,...,x
′
m
};a
‑
2)在归一化后的样本数据集D
′
中随机选择k个基站流量数据向量,分别命名为{μ1,μ2,...,μ
i
,...,μ
k
},将{μ1,μ2,...,μ
i
,...,μ
k
}作为k个基站场景的聚类中心向量,μ
i
为随机选择的第i个基站的聚类中心向量,i∈{1,2,...,k};a
‑
3)通过公式d
ji
=||x
′
j
‑
u
i
||2计算得到步骤a
‑
2)随机选择后剩余的第j个基站流量数据向量x
′
j
与各基站的聚类中心向量{μ1,μ2,...,μ
i
,...,μ
k
}的距离d
ji
,j∈{1,2,...,m
‑
k},选取各距离d
ji
的最小值,将最小值对应的基站场景的聚类中心向量的序号作为第i个基站场景,将该最小值放入第i个基站场景的基站流量数据向量的集合C
i
中,i∈{1,2,...,k};a
‑
4)计算集合C
i
中所有基站流量数据向量的均值作为新的聚类向量中心μ
′
i
;a
‑
5)重复步骤a
‑
2)至a
‑
4,让第t轮的聚类向量中心μ
′
i
与第t
‑
1轮的聚类向量中心μ
′
i
保持不变,则完成基站场景聚类。3.根据权利要求2所述的基于联邦学习的5G基站能耗优化方法,其特征在于,步骤b)包括如下步骤:b
‑
1)将归一化后的样本数据集D
′
={x
′1,x
′2,...,x
′
i
,...,x
′
m
}中第i个归一化后的基站流量数据向量x
′
i
按照天数划分为工作日每天分段的能耗数据,划分后生成n个能耗数据样本,n个能耗数据样本形成能耗时间序列数据集A,其中,a
t
为t时刻输入的批量学习的能耗数据样本,t∈{1,2,...,n
is
},第i个基站场景的第s个基站拥有n
is
个能耗数据样本,其中s∈{1,2,...,S
i
},S
i
为第i个基站场景中基站的数量;b
‑
...
【专利技术属性】
技术研发人员:姚洪磊,刘冬兰,刘新,王勇,常英贤,王睿,张昊,张方哲,孙莉莉,罗昕,马雷,于灏,秦佳峰,苏冰,赵勇,井俊双,王晓峰,赵夫慧,孙梦谦,
申请(专利权)人:国网山东省电力公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。