一种基于制造技术

本发明专利技术涉及电量预测技术领域，具体为一种基于

【技术实现步骤摘要】
一种基于XGBoost的5G新建规划站点用电量预测方法


[0001]本专利技术涉及电量预测
，具体为一种基于
XGBoost
的
5G
新建规划站点用电量预测方法
。

技术介绍

[0002]5G
基站主设备，主要由
BBU
和
AAU
组成
。AAU
本质上就是
4G
时代的
RRU+
天线
。BBU
负责基带数字信号处理，
AAU
负责将基带数字信息转换成模拟信号，然后调制成高频射频信号，再通过功放单元放大功率，通过天线发射出去
。
[0003]现有技术中，一个
5G
室外基站单租户平均功耗在
3.8KW
左右，是
4G
基站的3倍以上，单个
5G
基站单租户年综合电费约
2.3
－3万元
/
年
。
平均每个
5G
基站每天要用
65
度电，电价基本在1元
/
度左右，所以一个
5G
基站每天用电成本为
65
元；此前工信部表示，截至
2022
年6月底，中国
5G
基站数达到
185.4
万个，已建成全球规模最大
、
技术领先的网络基础设施
。
据测算，到
2026
年，
5G
基站耗电量更将上升至全社会用电量的
2.1
％
。
很显然，用电量是
5G
基站运营成本的最大开销之一
。
[0004]但是，现有的基站用电量往往是通过一些经过专家经验得到的计算公式估算得到的，比如，基站总耗电量＝
(
主设备耗电量
+
空调耗电量
+
电源设备耗电量
+
其他及照明耗电量
)
×
耗电量波动系数
。
不同厂商的设备的耗电量不一致，不同设备的耗电量往往也不一致，所以，人为设置的波动系数会造成电量计算偏差较大
。
由于
5G
新建规划站点往往不具有一定数量的有效且稳定的用电量历史数据，基于时序预测的用电量预测方法往往也不能有效地建模来得到历史数据的时序特性
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于
XGBoost
的
5G
新建规划站点用电量预测方法，以解决上述
技术介绍
中提出的问题
。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于
XGBoost
的
5G
新建规划站点用电量预测方法，所述方法包括以下步骤：
[0007]S1.
通过传感器获得
5G
新建规划站点的板卡数据，通讯数据和用电量数据；
[0008]S2.
进行板卡数据预处理，针对每个不同的板卡建立一列数据来保存对应的板卡数据；
[0009]S3.
进行训练数据的清洗；
[0010]S4.
对清洗完的数据进行预处理；
[0011]S5.
构造网格搜索模型，搜索
learning_rate、max_depth
和
n_estimators
参数的最优值；
[0012]S6.
建立
XGBoost
回归预测模型，将各项参数的最优值输入模型中，使用训练数据训练模型；
[0013]S7.
输入测试数据到模型中，测试模型的泛化性能，保存测试完的模型到本地
。
[0014]优选的，步骤
S1
中，包括以下步骤
:
[0015]通过传感器获得
5G
新建规划站点的各项性能指标，包括“主控板数量”、“基带板数量”、“BBU/AAU
型号”、“BBU/AAU
个数”、“用户数”、“VONR
话务量
‑
ERL”、“5G
流量
(
上行
+
下行
)
‑
GB”、“上行
PRB
平均利用率”、“下行
PRB
平均利用率”、“PDCCH
信道
CCE
占用率”、“无线利用率”、“EE_BbuMeanPower”和“EE_RruMeanPower”，“EE_BbuMeanPower”和“EE_RruMeanPower
为预测标签，其余指标为输入指标
。
[0016]优选的，步骤
S2
中，包括以下步骤
:
[0017]进行板卡数据预处理，需要不同的列存储不同的板卡的数据，若数据中出现了
n
种类型的板卡，添加
n
列的数据来表示每种类型的板卡的数量，若某个
5G
新建规划站点并没有装配某类型的板卡，则
5G
新建规划站点的该类型的板卡数量置为
0。
[0018]优选的，步骤
S3
中，包括以下步骤
:
[0019]进行训练数据的清洗，若某个
5G
新建规划站点的数据有任意一个字段下有空缺值则该条数据不参与训练，按照8：2的比例对整体数据进行切分，
80
％的数据用于训练，
20
％的数据用于测试
。
[0020]优选的，步骤
S4
中，包括以下步骤
:
[0021]对清洗完的数据进行预处理，使用
z
分数法进行标准化处理，减小指标的量纲对于用电量回归预测的影响，标准化的数据将用于回归预测
。
[0022]优选的，步骤
S5
中，包括以下步骤
:
[0023]构建网格搜索模型，将
XGBoost
模型输入网格搜索模型，设置
learning_rate
的搜索范围为
100、200、500
和
700
，设置
n_estimators
的搜索范围为
100、200、500
和
700
，设置
max_depth
的搜索范围为
10、15
和
25
，设置
min_child_weight
的搜索范围为
1、3、5
和7，设置
gamma
的搜索范围为
0、0.1
和
0.2...

【技术保护点】

【技术特征摘要】
1.
一种基于
XGBoost
的
5G
新建规划站点用电量预测方法，其特征在于：所述方法包括以下步骤：
S1.
通过传感器获得
5G
新建规划站点的板卡数据，通讯数据和用电量数据；
S2.
进行板卡数据预处理，针对每个不同的板卡建立一列数据来保存对应的板卡数据；
S3.
进行训练数据的清洗；
S4.
对清洗完的数据进行预处理；
S5.
构造网格搜索模型，搜索
learning_rate、max_depth
和
n_estimators
参数的最优值；
S6.
建立
XGBoost
回归预测模型，将各项参数的最优值输入模型中，使用训练数据训练模型；
S7.
输入测试数据到模型中，测试模型的泛化性能，保存测试完的模型到本地
。2.
根据权利要求1所述的一种基于
XGBoost
的
5G
新建规划站点用电量预测方法，其特征在于：步骤
S1
中，包括以下步骤
:
通过传感器获得
5G
新建规划站点的各项性能指标，包括“主控板数量”、“基带板数量”、“BBU/AAU
型号”、“BBU/AAU
个数”、“用户数”、“VONR
话务量
‑
ERL”、“5G
流量
(
上行
+
下行
)
‑
GB”、“上行
PRB
平均利用率”、“下行
PRB
平均利用率”、“PDCCH
信道
CCE
占用率”、“无线利用率”、“EE_BbuMeanPower”和“EE_RruMeanPower”，“EE_BbuMeanPower”和“EE_RruMeanPower
为预测标签，其余指标为输入指标
。3.
根据权利要求1所述的一种基于
XGBoost
的
5G
新建规划站点用电量预测方法，其特征在于：步骤
S2
中，包括以下步骤
:
进行板卡数据预处理，需要不同的列存储不同的板卡的数据，若数据中出现了
n
种类型的板卡，添加
n
列的数据来表示每种类型的板卡的数量，若某个
5G
新建规划站点并没有装配某类型的板卡，则
5G
新建规划站点的该类型的板卡数量置为
0。4.
根据权利要求1所述的一种基于
XGBoost
的
5G
新建规划站点用电量预测方法，其特征在于：步骤
S3
中，包括以下步骤
:
进行训练数据的清洗，若某个
5G
新建规划站点的数据有任意一个字段下有空缺值，数据不参与训练，按照8：2的比例对整体数据进行切分，
80
％的数据用于训练，
20
％的数据用于测试
。5.
根据权利要求1所述的一种基于
XGBoost
...

【专利技术属性】
技术研发人员：吉宝伦，王炳亮，张文龙，刘晗，李伟，
申请(专利权)人：浪潮通信信息系统有限公司，
类型：发明
国别省市：