一种5G宏基站群优化调度方法、装置、介质及终端设备与流程

一种5g宏基站群优化调度方法、装置、介质及终端设备
技术领域
1.本发明涉及储能式基站优化调度领域，尤其涉及一种5g宏基站群优化调度方法、装置、介质及终端设备。


背景技术：

2.目前针对基站运行成本成倍上升问题，现有研究主要集中于储能容量优化配置和储能调度等方面。在现有5g基站微网光储系统容量优化配置的研究中，以全寿命周期内5g基站微网总成本最低为目标，优化储能充放电功率，对5g基站微网光储系统容量优化配置，为解决5g基站高成本问题提供了思路，但缺乏对5g基站储能可调控资源的利用，造成了资源浪费。在5g基站储能资源参与电网调控方面，已有研究提出5g基站储能参与电网削峰填谷的调控策略，但是缺乏对光伏发电和基站负荷不确定性的考虑，该策略无法应对源荷随机性对运行结果的影响。并且现有5g基站储能参与电网调控的研究通过定义基站通信负载状态指标，将基站负载分为零负载、轻负载、重负载状态，未考虑基站业务影响因素，缺乏对基站通信负载能耗的定性分析。且现有研究多长于制定单个基站的能耗管理策略，忽视了多基站之间的协调配合能力。
3.为了研究5g基站调度需要建模5g基站通信负载的特性，现有技术多是利用基站历史流量数据，基于统计分析法或时间序列分析法对基站流量进行预测，预测结果与实际负荷的偏差具有极大的随机性。实际中，影响5g基站通信负载大小的因素不仅包括时序特性的流量数据，还包括在网用户密集度、wi f i用户接入率和典型日等外部因素，并且预测结果的随机性会对基站储能调控产生不良影响，较大的随机性甚至造成基站通信信号的不稳定。
4.此外，由于光伏发电机组的间歇性，以及储能可调度容量和基站通信负载等需求侧资源的不确定性，使得基站光储联合供电调度决策具有源荷均随机的特性。这些随机特性使基站的调度决策目标函数中出现大量的随机变量，传统的确定性调度方法在进行最优调度决策的过程中因满足不了含随机变量的约束条件而无法得到可行解，导致这类极端情况下的小概率事件发生。因此，传统的确定性调度方法并不适用于基站光储联合调度。


技术实现要素：

5.本发明实施例提供一种5g宏基站优化调度方法，量化解析影响因素与基站负荷功耗之间的关系，实现对各个基站通信负荷的准确预测；然后以储能充放电功率为优化变量，结合预测得到的基站群通信负荷和光伏出力对5g宏基站群进行调度。
6.为实现上述目的，本技术实施例的第一方面提供了一种5g宏基站群优化调度方法，所述方法包括：
7.采集各个5g宏基站中与业务流量相关的各类特征参数数据，对所述各类特征参数数据进行标准化处理，得到标准化数据集；
8.根据进行训练后的可解释循环神经网络模型，用所述标准化数据集中的测试集进
行预测，得到业务流量预测值；
9.根据5g宏基站负荷功耗与业务流量的关系模型，结合所述业务流量预测值，得到各个5g宏基站负荷功耗预测值；
10.根据光伏系统出力预测值、储能系统充放电预设功率、所有所述5g宏基站负荷功耗预测值和场景集，建立电力调度模型；
11.结合含有用户通信质量约束的求解约束条件，对所述电力调度模型进行求解，得到预测日的5g宏基站群储能充放电调整值；
12.根据所述储能充放电调整值，调节预测日的5g宏基站群储能系统充放电功率。
13.在第一方面的一种可能的实现方式中，所述场景集的获取方法具体为：
14.建立关于业务流量预测误差和光伏系统出力预测误差的高斯混合模型；
15.通过最大期望算法求得高斯调整参数集合取值，结合所述高斯调整参数集合取值得到预测误差联合概率分布函数；
16.根据误差联合概率分布函数，结合蒙特卡洛抽样法生成具有相关性的业务流量和光伏出力样本，得到场景集。
17.在第一方面的一种可能的实现方式中，在所述得到场景集后，还包括：采用同步回代消减法，基于样本距离对所述场景集进行聚类，从而得到满足所需场景数的场景集。
18.在第一方面的一种可能的实现方式中，所述求解约束条件还包含供电功率与用电功率平衡约束、基站每时刻承载业务流量上限约束、光伏系统出力约束、基站购电功率约束、储能电池充放电功率约束、储能电池荷电状态约束和储能电池供电可靠性约束。
19.在第一方面的一种可能的实现方式中，所述各类特征参数数据包括用户密集度、用户参数、资源参数、典型时和典型日；
20.所述用户参数包括wi-fi接入率；
21.所述资源参数包括rb资源块利用率和pdch信道资源；
22.所述典型时包括忙时和闲时；
23.所述典型日包括工作日和节假日。
24.在第一方面的一种可能的实现方式中，所述对所述各类特征参数数据进行标准化处理，具体包括：
25.采用二次插值方法填补各类特征参数数据的数据间隙；
26.采用四分位间距方法检测异常值，并将所述异常值去除。
27.采用离差标准化方法归一化所述各类特征参数数据。
28.在第一方面的一种可能的实现方式中，所述可解释循环神经网络模型包含输入层、第一线性层、非线性层和第二线性层；
29.所述输入层的数据包括当前小时的特征值和上一小时所述可解释循环神经网络模型的状态值；
30.所述第一线性层层内包含一个线性变换节点，作用于所述输入层的各元素，通过线性加权变换输出数据流量和信令相关k个神经元值，并作为所述非线性层的输入；k为正整数；
31.所述非线性层使用自定义激活函数组成k个节点，使所述可解释循环神经网络模型具有可解释性；
32.所述第二线性层的输入是所述非线性层所有节点的激活值，所述第二线性层的输出是经过所述第二线性层线性变换和组合后的激活值。
33.本技术实施例的第二方面提供了一种5g宏基站群优化调度装置，包括：
34.采集模块，用于采集各个5g宏基站中与业务流量相关的各类特征参数数据，对所述各类特征参数数据进行标准化处理，得到标准化数据集；
35.业务流量预测模块，用于根据进行训练后的可解释循环神经网络模型，用所述标准化数据集中的测试集进行预测，得到业务流量预测值；
36.负荷功耗预测模块，用于根据5g宏基站负荷功耗与业务流量的关系模型，结合所述业务流量预测值，得到各个5g宏基站负荷功耗预测值；
37.电力调度模型模块，用于根据光伏系统出力预测值、储能系统充放电预设功率、所有所述5g宏基站负荷功耗预测值和场景集，建立电力调度模型；
38.求解模块，用于结合含有用户通信质量约束的求解约束条件，对所述电力调度模型进行求解，得到预测日的储能充放电调整值；
39.调整模块，用于根据所述储能充放电调整值，调节预测日的储能系统充放电功率。
40.本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的5g宏基站群优化调度方法。
41.本技术实施例的第四方面提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的基于统计分析的5g宏基站群优化调度方法。
42.相比于现有技术，本发明实施例提供的一种5g宏基站群优化调度方法、装置、介质及终端设备，从5g宏基站负荷设备类型和通信业务类型角度出发，建立了5g宏基站功耗与业务流量的关系模型；其次本发明基于可解释循环神经网络算法建立了基站通信业务流量预测模型，通过量化分析基站通信业务流量与其影响因素的关系，实现对基站业务流量的准确预测；最后，得到各个5g宏基站负荷功耗与基站通信业务流量的预测值。
43.然后考虑源侧光伏出力的随机性和储能可调度容量、基站通信负载等需求侧资源的不确定性，以调度周期内所有场景预期产生成本之和最小为目标，以储能电池充放电功率为优化变量，在保证基站储能系统应急供能能力的基础上，以功率平衡约束、业务流量上限约束、电网购电功率上限约束以及储能充放电功率约束、用户通信质量约束等为求解约束条件，实现5g宏基站最优调度模型的求解。通过优化5g宏基站的储能电池充放电功率，实现所有可能场景下预期产生成本之和最小的目标，在充分消纳新能源的同时还减少电网购电量，节约了5g宏基站群的运行成本。
44.由于求解约束条件中含有用户通信质量约束，在模型求解中，引入用户通信质量约束相当于根据各基站电价差异和与用户的距离，直接调整各基站与其覆盖范围内用户之间的连接关系及带宽分配，从而进一步降低基站群运行成本和保证了用户通信服务质量。
附图说明
45.图1是本发明一实施例提供的一种5g宏基站群优化调度方法的流程示意图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.请参见图1，本发明一实施例提供了一种5g宏基站群优化调度方法，所述方法包括：
48.s10、采集各个5g宏基站中与业务流量相关的各类特征参数数据，对所述各类特征参数数据进行标准化处理，得到标准化数据集。
49.s11、根据进行训练后的可解释循环神经网络模型，用所述标准化数据集中的测试集进行预测，得到业务流量预测值。
50.s12、根据5g宏基站负荷功耗与业务流量的关系模型，结合所述业务流量预测值，得到各个5g宏基站负荷功耗预测值。
51.s13、根据光伏系统出力预测值、储能系统充放电预设功率、所有所述5g宏基站负荷功耗预测值和场景集，建立电力调度模型。
52.s14、结合含有用户通信质量约束的求解约束条件，对所述电力调度模型进行求解，得到预测日的5g宏基站群储能充放电调整值。
53.s15、根据所述储能充放电调整值，调节预测日的5g宏基站群储能系统充放电功率。
54.5g宏基站的功耗分为两个部分，即静态与动态部分。静态部分指当基站没有数据传输时，维持基站运行的最小功耗，动态部分指当基站业务流量增加时随之增加的功耗，则基站b的功耗可表示如下：
[0055][0056]
其中，表示基站b的静态功耗，ab表示负载系数，反映动态功耗与业务流量间的关系，q
b,t
表示基站b在不考虑用户接入控制时承载的业务流量，表示基站b在控制用户接入时增加的业务流量。
[0057]
公式(1)为5g宏基站负荷功耗与业务流量的关系模型。由公式(1)可知，若已知基站未来一段时间尺度内的业务流量，便可得到基站对应的负荷功耗。因此业务流量的预测可为基站电力调度提供参考依据，达到充分消纳新能源并减少电网购电的目的。换言之，只要对业务流量做出准确的预测，那么根据公式(1)中5g宏基站负荷功耗与业务流量的关系模型便可以得到准确的各个5g宏基站负荷功耗预测值。
[0058]
假设本实施例研究场景为含有b个宏基站及m个基站用户的通信网络。b和m分别表示基站和用户的集合，t表示时间段的集合，即b＝{1,2,
…
,b}，m＝{1,2,
…
,m}，t＝{1,2,
…
,24}，b、m、t分别表示基站、用户和时间段集合的编号索引。通过转移基站群中各基站的接入移动用户，管控各基站接入的用户设备数量，利用基站供电电价差异降低总成本。
[0059]
那么，移动用户与基站的接入关系可表示为：
[0060][0061]
用户m通过基站b通信的信干噪比sinr
b,m,t
为：
[0062][0063]
其中，h
b,m
表示用户m接收到来自基站b的平均信道增益，p
b,t
表示基站b在时间段t的发射功率，σ2表示信道噪声。h
b,m
与基于距离的路径损耗有关，当基站b与用户m之间的距离d
b,m
小于参考距离d
ref
(d
ref
》0)时，信道增益为固定路径损耗值k
l
，当基站b与用户m之间的距离d
b,m
大于参考距离d
ref
时，信道增益基于路径损耗指数α(α》0)随距离d
b,m
衰减，可表示如下：
[0064][0065]
信道信息的传输速率r
b,m,t
由香农定理可表示如下：
[0066]rb,m,t
＝w
b,m,t
log2(1+sinr
b,m,t
)
ꢀꢀ
(5)
[0067]
其中，w
b,m,t
表示带宽。
[0068]
基于以上分析，若已知基站未来一段时间尺度内的业务流量，就可以得到基站的功耗，进而在后续过程进行用户接入带宽、距离的控制，以及对光储系统进行调度。
[0069]
相比于现有技术，本发明实施例提供的一种5g宏基站群优化调度方法，从5g宏基站负荷设备类型和通信业务类型角度出发，建立了5g宏基站功耗与业务流量的关系模型；其次本发明基于可解释循环神经网络算法建立了基站通信业务流量预测模型，通过量化分析基站通信业务流量与其影响因素的关系，实现对基站业务流量的准确预测；最后，得到各个5g宏基站负荷功耗与基站通信业务流量的预测值。
[0070]
然后考虑源侧光伏出力的随机性和储能可调度容量、基站通信负载等需求侧资源的不确定性，以调度周期内所有场景预期产生成本之和最小为目标，以储能电池充放电功率为优化变量，在保证基站储能系统应急供能能力的基础上，以功率平衡约束、业务流量上限约束、电网购电功率上限约束以及储能充放电功率约束、用户通信质量约束等为求解约束条件，实现5g宏基站最优调度模型的求解。通过优化5g宏基站的储能电池充放电功率，实现所有可能场景下预期产生成本之和最小的目标，在充分消纳新能源的同时还减少电网购电量，节约了5g宏基站群的运行成本。
[0071]
由于求解约束条件中含有用户通信质量约束，在电力调度模型求解中，引入用户通信质量约束相当于根据各基站电价差异和与用户的距离，直接调整各基站与其覆盖范围内用户之间的连接关系及带宽分配，从而进一步降低基站群运行成本和保证了用户通信服务质量。
[0072]
示例性地，所述在所述各类特征参数数据包括用户密集度、用户参数、资源参数、典型时和典型日；
[0073]
所述用户参数包括wi-fi接入率；
[0074]
所述资源参数包括rb资源块利用率和pdch信道资源；
[0075]
所述典型时包括忙时和闲时；
[0076]
所述典型日包括工作日和节假日。
[0077]
在本发明实施例中，采用可解释循环神经网络的预测方法对业务流量的预测：
[0078]
采集基站中与业务流量相关的各类特征参数数据，包括用户密集度、wi-fi接入率等用户参数，rb资源块利用率、pdch信道资源占有率等资源参数，以及典型时(忙时、闲时)、典型日(工作日、节假日)等。其中，基站覆盖区域内，用户密集度增大时，通信请求相应增大，业务流量随之增加；wi-fi接入率增大时，由于wi-fi基于宽带网络，不占用基站流量，业务流量随之减小；rb资源块利用率和pdch信道资源占有率增大时，上下行数据和信令吞吐量增加，业务流量增加。
[0079]
一般而言，所述对所述各类特征参数数据进行标准化处理，具体包括：
[0080]
采用二次插值方法填补各类特征参数数据的数据间隙；
[0081]
采用四分位间距方法检测异常值，并将所述异常值去除。
[0082]
采用离差标准化方法归一化所述各类特征参数数据。
[0083]
对各类特征参数数据进行缺失值、异常值的填补与修正，然后进行归一化。采用四分位间距方法检测异常值，并将其从各类特征参数数据形成的数据集中去除，进而采用二次插值方法填充数据间隙，再采用离差标准化方法归一化形成标准化数据集，将不同维度数据归一化到0-1之间。最后将标准化数据集进行划分，在实际应用中常将70％的标准化数据集数据内容作为训练集，30％作为测试集。训练集用于对可解释循环神经网络模型进行训练。
[0084]
示例性地，所述可解释循环神经网络模型包含输入层、第一线性层、非线性层和第二线性层。
[0085]
所述输入层的数据包括当前小时的特征值和上一小时所述可解释循环神经网络模型的状态值。
[0086]
所述第一线性层层内包含一个线性变换节点，作用于所述输入层的各元素，通过线性加权变换输出数据流量和信令相关k个神经元值，并作为所述非线性层的输入；k为正整数。
[0087]
所述非线性层使用自定义激活函数组成k个节点，使所述可解释循环神经网络模型具有可解释性。
[0088]
所述第二线性层的输入是所述非线性层所有节点的激活值，所述第二线性层的输出是经过所述第二线性层线性变换和组合后的激活值。
[0089]
输入层，该层数据包括当前小时的特征值和上一小时模型的状态值。例如，第t小时将业务流量、资源、用户和典型时日等参数的典型特征按一定的顺序进行排序，得到一个特征向量同时取模型上一小时的内部状态值为向量则该层的输入为数据形式如下：
[0090][0091][0092][0093]
其中，表示第t小时第i个业务流量相关特征值，即为第i个输入神经元的值，共
有n个特征值，表示第t-1小时第i个隐层神经元的值，共有k个隐层神经元。输入层共有(n+k)个元素。
[0094]
第一线性层，该层与输入层是全连接的。层内只含一个线性变换节点，作用于输入层各元素，通过线性加权变换输出业务流量相关k个神经元值，并作为下一神经网络层的输入。该层用公式可表示为：
[0095][0096]
其中，w
ij
表示输入层第i个神经元与第一线性层第j个神经元之间的线性变换权值，βb为偏置，表示第t小时该层第j个神经元的线性输出值。结合输入层，第一线性层的变换可表示如下：
[0097][0098]
其中，表示输入层与第一线性层的第j个神经元的权向量，t表示矩阵的转置。
[0099]
非线性层，该层使用自定义激活函数f(x)组成k个节点，使模型具有可解释性。该层每个节点都与第一线性层全连接，输出一个激活值k个节点输出值组成激活向量既作为该小时记忆状态值传递到下一小时的输入层，又作为输出层的激活值决定模型最终的预测结果。变换关系如下：
[0100][0101]
使用ridge function作为激活函数，变换关系如下：
[0102][0103]
其中，pi表示非线性层第i个节点激活函数(即ridge function)的变换幂次。
[0104]
第二线性层，即模型的输出层，该层包含一个节点，输入是上一层所有节点的激活值，输出是经过该层线性变换和组合后的值，故该层输出为ridge functions的线性组合，可表示如下：
[0105][0106]
其中，表示上层第i个神经元与第二线性层变换权值，的大小反映了上层神经元对输出结果的影响力，δb为线性变换的偏置。
[0107]
将训练集的业务流量特征值数据放入可解释循环神经网络模型中进行训练，达到训练次数和精度后保存模型。
[0108]
在上述输出层中，可解释循环神经网络模型具体搭建为如下模式：
[0109][0110]
其中，即为第t小时基站b业务流量预测值q
b,t
。
[0111]
最后利用测试集进行预测，可使用平均绝对误差(mae)、均方根误差(rmse)等指标对模型的预测结果定性分析。若分析结果在误差允许范围内，则保存模型，否则继续对可解
释循环神经网络模型进行相关参数修正。
[0112]
示例性地，所述场景集的获取方法具体为：
[0113]
建立关于业务流量预测误差和光伏系统出力预测误差的高斯混合模型。
[0114]
通过最大期望算法求得高斯调整参数集合取值，结合所述高斯调整参数集合取值得到预测误差联合概率分布函数。
[0115]
根据误差联合概率分布函数，结合蒙特卡洛抽样法生成具有相关性的业务流量和光伏出力样本，得到场景集。
[0116]
示例性地，在所述得到场景集后，还包括：采用同步回代消减法，基于样本距离对所述场景集进行聚类，从而得到满足所需场景数的场景集。
[0117]
考虑预测的不确定性，在本发明实施例中采用预测业务流量和光伏出力叠加预测误差的方式描述实际业务流量和光伏输出功率。将这两种不确定资源的预测误差视为一个随机变量向量，记为其中，表示基站b业务流量预测误差，表示基站b光伏出力预测误差，因此随机变量向量xb的高斯混合模型可以描述如下：
[0118][0119][0120][0121]
其中，表示随机变量向量xb的概率密度函数，为多个多元正态分布函数的加权线性组合，m表示高斯子项的个数，ωm、μm、σm分别表示第m个高斯子项的权重、均值向量和协方差矩阵，nm(x|μm,σm)表示第m个高斯子项。可通过最大期望算法求得调整参数集合{ωm,μm,σm：m＝1,
…
,m}的取值，得到预测误差联合概率分布函数，进而采用蒙特卡洛抽样法生成具有相关性的业务流量和光伏出力样本，得到场景集。而随着蒙特卡洛法抽样得到的场景集规模的增大，计算负担必然会大大增加，可采用同步回代消减法，基于样本距离对初始场景集进行聚类，从而得到满足所需场景数的典型场景集。
[0122]
在保证5g宏基站安全稳定运行的前提下，电力调度应充分利用光储供电系统，最大规模地消纳光伏出力，减少碳排放。为了改善最优调度策略在光伏出力和业务流量预测不确定条件下的运行效果，可以通信网络系统日产生成本最小为目标，以储能充放电功率为优化变量，建立多场景得电力调度模型。该模型使得当前第t时刻的电网购电量与第t+δt时刻至预测日结束范围内的所有场景预期产生成本之和最小，电力调度模型可表示如下：
[0123][0124][0125]
其中，c
t
表示第t小时系统产生的成本，c
t.s
表示s场景下第t小时预测产生的
[0126]
成本，s代表场景，ns表示场景数，ps表示s场景出现的概率，表示基站b第t小时的电网电价，表示基站b第t小时基站功耗，表示基站b第t小时储能电池的充放
电功率，充电时为正，放电时为负，表示基站b第t小时基站配备光伏系统平均出力。
[0127]
示例性地，所述求解约束条件包含用户通信质量约束、供电功率与用电功率平衡约束、基站每时刻承载业务流量上限约束、光伏系统出力约束、基站购电功率约束、储能电池充放电功率约束、储能电池荷电状态约束和储能电池供电可靠性约束。
[0128]
在上述实施例中，已经确定了5g宏基站负荷功耗与业务流量的关系模型(公式(1))，进一步地，第t小时通信网络内基站群总功耗可表示如下：
[0129][0130]
由于设备硬件的限制，单基站功耗的取值范围为：
[0131][0132]
每个用户需与一个基站且只能与一个基站相连接，因而对接入关系有：
[0133][0134]
接入基站b后，为保证通信质量，信干噪比sinr
b,m,t
需要满足最小信干噪比原则以保持通信，定义sinr
b,th
为信干噪比门限值，则宏基站的发射功率p
b,t
需满足以下条件：
[0135][0136]
信道信息的传输速率r
b,m,t
应满足用户m在第t小时的需求即：
[0137][0138]
用户只能与接入的基站进行通信并获取带宽资源，所获带宽资源w
b,m,t
不超过基站总带宽
[0139][0140]
单个基站给接入用户分配的带宽之和不超过基站的总带宽：
[0141][0142]
将式(21)～(26)作为用户通信质量约束，由于求解约束条件中含有用户通信质量约束，在电力调度模型求解中，引入用户通信质量约束相当于根据各基站电价差异和与用户的距离，直接调整各基站与其覆盖范围内用户之间的连接关系及带宽分配，从而进一步降低基站群运行成本和保证了用户通信服务质量。
[0143]
另一方面，储能电池充放电的功率以及充电量的多少和荷电状态(soc，电池剩余容量与总容量的比值)有着直接的关系，如下式所示：
[0144][0145]
其中，表示基站b储能电池第t小时的荷电状态值，表示基站b储能电池
第t小时的充放电功率，充电时为正，放电时为负，表示基站b储能电池的充放电效率，eb为基站b储能电池总额定容量。
[0146]
储能系统的损耗成本可表示如下：
[0147][0148]
其中，表示电池固有成本，表示以循环次数为单位的电池循环寿命，表示储能电池参考dod。电池循环寿命受放电深度和环境温度tc的影响较大，这里分别用f1、f2表示受dod以及tc影响的函数关系：
[0149][0150][0151]
其中，dod＝1-soc，则第t小时内基站b储能电池损耗成本为：
[0152][0153]
其中，表示在额定环境温度和dod下由生产厂商测定的电池额定循环寿命。
[0154]
本研究5g宏基站可由光伏系统、配电网和储能电池供电，由储能系统提供供电可靠性，保证在停电时由光伏和储能共同保证5g基站不断电运行。通过下式得到保障基站供电可靠性的约束条件：
[0155][0156]
其中，表示第t+i小时基站b的功耗，表示第t+i小时光伏发电功率，t为停电时由光伏和储能共同保证5g基站不断电运行小时数，δt取为1小时。
[0157]
另一方面，5g宏基站光伏系统数据管理中心，由数值天气预报平台得到基站建设所在地区第t+δt时刻的数值天气预报，包括未来每小时的光伏面板光照强度及环境温度数据，计算得到该基站光伏系统预测出力，计算公式如下：
[0158][0159]
其中是基站b光伏面板的单位面积额定容量；sb为基站b光伏组件的面积；nb表示基站b配备的光伏面板数量；为地区天气预报t+δt时的光照强度值，单位为kw/m2；g
stc
为标准测试条件(stc)下太阳的辐射强度；α
p
为电池板的功率温度系数；t
stc
为标准测试条件下光伏阵列中电池板的温度；t为光伏阵列进行电能转化过程中电池板的工作温度，用表示天气预报t+δt时的光伏阵列所在地区的环境温度，通信网络区域内各基站所受光照强度视为相等，则
[0160][0161]
基站b光伏系统在一个调度周期内的维护成本可表示如下：
[0162][0163]
其中，表示维护系数，表示每kw维护成本，表示光伏安装容量。
[0164]
总的而言，在保证基站供电可靠性且日产生成本最小的目标下，对电力调度模型的计算需要满足以下约束条件。
[0165]
1)供电功率与用电功率平衡约束：
[0166][0167]
其中，表示基站b第t小时向电网购电功率。
[0168]
2)基站每时刻承载业务流量上限约束：
[0169][0170]
其中，表示基站b接收业务流量最大值。
[0171]
3)光伏系统出力约束：
[0172][0173]
4)基站购电功率约束：
[0174][0175]
其中，表示当地配电变压器和线路最大功率限值。
[0176]
5)储能电池充放电功率约束：
[0177][0178]
6)储能电池荷电状态约束：
[0179][0180]
7)储能电池供电可靠性约束，见式(32)。
[0181]
8)基站通信质量约束，见式(21)～(26)。
[0182]
本发明实施例提供的一种5g宏基站群优化调度方法，从5g宏基站负荷设备类型和通信业务类型角度出发，建立了5g宏基站功耗与业务流量的关系模型；其次本发明基于可解释循环神经网络算法建立了基站通信业务流量预测模型，通过量化分析基站通信业务流量与其影响因素的关系，实现对基站业务流量的准确预测；最后，得到各个5g宏基站负荷功耗与基站通信业务流量的预测值。
[0183]
然后考虑源侧光伏出力的随机性和储能可调度容量、基站通信负载等需求侧资源的不确定性，以调度周期内所有场景预期产生成本之和最小为目标，以储能电池充放电功
率为优化变量，在保证基站储能系统应急供能能力的基础上，以功率平衡约束、业务流量上限约束、电网购电功率上限约束以及储能充放电功率约束、用户通信质量约束等为求解约束条件，实现5g宏基站最优调度模型的求解。通过优化5g宏基站的储能电池充放电功率，实现所有可能场景下预期产生成本之和最小的目标，在充分消纳新能源的同时还减少电网购电量，节约了5g宏基站群的运行成本。
[0184]
由于求解约束条件中含有用户通信质量约束，在电力调度模型求解中，引入用户通信质量约束相当于根据各基站电价差异和与用户的距离，直接调整各基站与其覆盖范围内用户之间的连接关系及带宽分配，从而进一步降低基站群运行成本和保证了用户通信服务质量。
[0185]
本发明一实施例提供了一种5g宏基站优化调度装置，包括采集模块、业务流量预测模块、负荷功耗预测模块、电力调度模型模块、求解模块和调整模块。
[0186]
所述采集模块，用于采集5g宏基站中与业务流量相关的各类特征参数数据，对所述各类特征参数数据进行标准化处理，得到标准化数据集。
[0187]
所述业务流量预测模块，用于根据进行训练后的可解释循环神经网络模型，用所述标准化数据集中的测试集进行预测，得到业务流量预测值。
[0188]
所述负荷功耗预测模块，用于根据5g宏基站负荷功耗与业务流量的关系模型，结合所述业务流量预测值，得到5g宏基站负荷功耗预测值。
[0189]
所述电力调度模型模块，用于根据光伏系统出力预测值、储能系统充放电预设功率、所述5g宏基站负荷功耗预测值和场景集，建立电力调度模型。
[0190]
所述求解模块，用于结合求解约束条件，对所述电力调度模型进行求解，得到预测日的储能充放电调整值。
[0191]
所述调整模块，用于根据所述储能充放电调整值，调节预测日的储能系统充放电功率。
[0192]
本发明实施例提供的一种5g宏基站群优化调度装置，从5g宏基站负荷设备类型和通信业务类型角度出发，建立了5g宏基站功耗与业务流量的关系模型；其次本发明基于可解释循环神经网络算法建立了基站通信业务流量预测模型，通过量化分析基站通信业务流量与其影响因素的关系，实现对基站业务流量的准确预测；最后，得到各个5g宏基站负荷功耗与基站通信业务流量的预测值。在预测过程中，对基站通信负载的影响因素进行了分析，使用可解释循环神经网络算法对基站业务流量进行预测，相对于现有时序预测技术更加准确，削减了基站通信负荷预测的随机性。
[0193]
然后考虑源侧光伏出力的随机性和储能可调度容量、基站通信负载等需求侧资源的不确定性，以调度周期内所有场景预期产生成本之和最小为目标，以储能电池充放电功率为优化变量，在保证基站储能系统应急供能能力的基础上，以功率平衡约束、业务流量上限约束、电网购电功率上限约束以及储能充放电功率约束、用户通信质量约束等为求解约束条件，实现5g宏基站最优调度模型的求解。通过优化5g宏基站的储能电池充放电功率，实现所有可能场景下预期产生成本之和最小的目标，在充分消纳新能源的同时还减少电网购电量，节约了5g宏基站群的运行成本。
[0194]
由于求解约束条件中含有用户通信质量约束，在电力调度模型求解中，引入用户通信质量约束相当于根据各基站电价差异和与用户的距离，直接调整各基站与其覆盖范围
内用户之间的连接关系及带宽分配，从而进一步降低基站群运行成本和保证了用户通信服务质量。
[0195]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的5g宏基站群优化调度方法。
[0196]
本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的5g宏基站群优化调度方法。
[0197]
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
[0198]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
[0199]
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器也可以是其他易失性固态存储器件。
[0200]
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
[0201]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。