专利名称：基站能耗模型建立方法、能耗预测方法及装置的制作方法
技术领域：
本发明涉及基站能耗管理，特别是涉及基站能耗模型建立方法、预测方法及装置。
技术背景
随着通信业的发展，网络规模的不断扩大，通信行业所消耗的能源越来越大。最新数据表明，整个中国通信行业年耗电量已超过200亿千瓦时，耗电占能源消耗总量的90%; 而无线基站的主设备和配套设备中的空调是主要的耗电源。
为了节能减排，降低企业运营成本，提高企业生产经营管理的效率和效益，通信运营商需要对能耗数据进行统计及预测，找出并分析能耗异常变化的站点，根据标杆站点采集的数据，建立模型，分析得到不同条件下最优的节能措施和方法，为节能方案的选择和能耗运行管理体系提供决策依据。
现有的能耗管理系统存在如下不足1、传统能耗管理方案采用如BMDP、SPSS等统计软件，没有针对通信业的能耗管理功能，需要手动导入能耗数据，手动确定分析方法和自变量因变量，才能进行统计分析； 2、传统能耗管理系统基本上未涉及能耗模型的建立和预测。发明内容
本发明的主要目的就是针对现有技术的不足，提供一种基站能耗模型建立方法旨在建立合理的能实施准确能耗预测的能耗模型。
本发明的另一目的是提供一种基站能耗模型建立装置，可用来建立合理的能实施准确能耗预测的能耗模型。
本发明的又一目的是提供一种准确有效的基站能耗预测方法。
本发明的再一目的是提供一种准确有效的基站能耗预测装置。
为实现上述目的，本发明采用以下技术方案一种基站能耗模型建立方法，包括以下步骤a.获取历史的能耗数据和对应预置自变量的基站业务及配置数据；b.利用多元线性回归分析，对步骤a所获的数据进行直线拟合，返回描述此直线的回归分析参数，建立起能耗模型；c.进行模型验证；d.根据模型验证的结果进行模型修正，再重复步骤b-c直至模型验证的结果表明所获得的能耗模型已达到预定效果。
优选地，还包括以下步骤e.将使用能耗模型计算出的能耗预测值与对应的实际能耗值比较，通过检验两者的相对误差是否在设定范围内来判断能耗模型是否需要重建，如果是，则进入步骤f，否则能耗模型建立完毕；f.根据相对误差的检验结果进行模型修正，再重复步骤b-e直至检验结果表明相对误差在设定范围内。
优选地，步骤f中的模型修正包括从步骤a所获取的数据中剔除部分能耗数据和基站业务及配置数据，该部分数据是使能耗预测值与实际能耗值偏差落入预定范围的数据，或者是根据拟合曲线判断偏离的散点分布落入预定范围的数据。
优选地，所述自变量包括载频数、基站面积、房屋能耗系数、主设备能耗系数、空调能耗系数、开关电源能耗系数和月度业务量中的一种或多种。
优选地，所述步骤b中，直线拟合的回归方程为 y = In1X1 + m2x2 + · · · mnxn+ b所述回归分析参数包括系数I^nvmn、各系数的标准误差值Se1, se2, sen、常量b 及常量b的标准误差值Seb、判定系数R2、回归平方和Q1 (SMg)、残差平方和Q2 (Sresid)0
优选地，所述模型验证包括变量相关性检验，所述变量相关性检验包括以下步骤cll.根据回归分析参数计算复相关系数R为R= (Q1ZSyy)1^=(1-Q2ZSyy)1/2其中Syy= Σ (y1-y_)2，为y的总离差平方和，是每一观测值Ji与其平均值I的离差的平方的总和，且Syy= Q1+ Q2 ；Q1= Σ (y\_y_)2，为y的回归平方和，是每一计算值与平均值y_的离差的平方的总 和；Q2=E (y1-y\)2=E ε Λ为y的残差平方和，是每一观测值71与计算值的离差的平方的总和；cl2.根据复相关系数R得到判定系数R2为R2= I— (Σ (y1-y\)2/(m-n-l)) /( Σ (y「y_)2/(m-l))其中m-1为Syy的自由度f，n为Q1的自由度fpm-n-l为Q2的自由度f2，f、f\、f2为统计量中含独立变量的个数，m为观测量数目，η为自变量数目；cl3.根据判定系数R2值判断回归方程的拟合优度是否达到设定要求。
优选地，所述模型验证还包括回归方程显著性F检验，所述回归方程显著性F检验包括以下步骤c21.计算统计量F= (Q1Ai)/ (Q2/(m-n-1))F为回归均方差与剩余均方差的比值，c22.根据F值判断回归方程的显著性是否达到设定要求。
优选地，步骤d中的模型修正包括剔除部分能耗数据和基站业务及配置数据以对复相关系数R进行修正，使得判定系数 R2达到O. 8以上。
优选地，步骤a中，所述能耗数据和所述基站业务及配置数据从基站配备的动力设备及环境集中监控系统(简称动环监控系统)中获取。
一种使用前述任一项的能耗模型建立方法建立的能耗模型预测能耗的方法，包括以下步骤根据欲预测的时期，获取基站业务及配置数据；调用已建立的能耗模型，代入基站业务及配置数据，计算出能耗预测值。
一种基站能耗模型建立装置，包括模型数据获取装置，用于获取历史的能耗数据和对应预置自变量的基站业务及配置数据；模型建立装置，用于利用多元线性回归分析，对所获的数据进行直线拟合，返回描述所拟合的直线的回归分析参数，建立起能耗模型；模型验证装置，用于进行模型验证；·模型修正装置，用于根据模型验证的结果进行模型修正，直至模型验证的结果表明所获得的能耗模型已达到预定效果。
优选地，还包括模型预测检验装置，用于将使用能耗模型计算出的能耗预测值与对应的实际能耗值比较，通过检验两者的相对误差是否在设定范围内来判断能耗模型是否需要重建；所述模型修正装置还用于根据相对误差检验的结果进行模型修正，直至检验结果表明相对误差在设定范围内。
一种基站能耗预测装置，其使用前述的基站能耗模型建立装置建立的能耗模型， 包括数据获取装置，用于根据欲预测的时期，获取基站业务及配置数据；预测值计算装置，用于调用被选中的能耗模型，代入基站业务及配置数据，计算出能耗预测值。
本发明有益的技术效果是本发明利用多元线性回归分析，对所获历史的能耗数据和基站业务及配置数据进行直线拟合，通过返回描述此直线的回归分析参数，建立起能耗模型，并经模型验证，再根据模型验证的结果进行模型修正，直至模型验证的结果表明所获得的能耗模型已达到期望的效果，本发明的基站能耗模型建立方法和建立装置，不但能建立具有预测功能的能耗模块，而且其所建立的能耗模型是合理有效的，相比以往的能耗管理系统，通过本发明获得的能耗模型具有准确的能耗预测功能。
图1为根据本发明基站能耗模型建立方法一个实施例的流程图；图2展示了本发明一个优选实施例基站能耗模型建立的具体步骤；图3展示了本发明一个实施例基站能耗预测的具体步骤；图4根据本发明基站能耗模型建立装置一个实施例的结构框图；图5根据本发明基站能耗预测装置一个实施例的结构框图。
具体实施方式
以下通过实施例结合附图对本发明进行进一步的详细说明。
可利用线性回归分析预测法建立能耗模型。回归分析预测法是一种研究自变量和因变量之间的非确定性因果关系，以便预测因变量未来发展趋势的统计方法。它是在分析自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方法作为预测模型。在自变量选择中，业务量、空调设备系数、主设备系数等都和用电量(能耗)是相关关系。
参见图1，在一个实施例里，基站能耗模型建立方法包括以下步骤a.获取模型数据获取历史的能耗数据和对应预置自变量的基站业务及配置数据；b.建立模型利用多元线性回归分析，对所获的数据进行直线拟合，返回描述所拟合的直线的回归分析参数，建立起能耗模型；c.模型验证进行模型验证，从而判断所建立的能耗模型是否已达到预定效果；d.模型修正根据模型验证的结果进行模型修正，再重复步骤b-c直至模型验证的结果表明所获得的能耗模型已达到预定效果。
参见图1，在一个优选的实施例里，在步骤d后还包括以下步骤e.将使用能耗模型计算出的能耗预测值与对应的实际能耗值比较，通过检验两者的相对误差是否在设定范围内来判断能耗模型是否需要重建，如果是，则进入步骤f，否则能耗模型建立完毕； f.根据相对误差的检验结果进行模型修正，再重复步骤b-e直至检验结果表明相对误差在设定范围内。
在更优选的实施例里，步骤f中的模型修正包括从步骤a获取的数据中剔除部分能耗数据和基站业务及配置数据，该部分数据是使能耗预测值与实际能耗值偏差落入设定范围的数据，或者是根据拟合曲线判断偏离的散点分布落入设定范围的数据。
以下结合图1进一步描述更优的实施例及其中一些步骤的优选特征。
1、根据预置自变量获取数据移动通信基站的能耗相关因素包括载频数、基站面积、基站的建筑材料及其结构特点、 主设备品牌及型号、空调品牌及型号、开关电源品牌及型号、月度业务量等，统称为基站能耗参数。
优选地，预置7个与能耗相关性较大的因素作为7个自变量载频数、基站面积、房屋能耗系数、主设备能耗系数、空调能耗系数、开关电源能耗系数、月度业务量。
获取历史的能耗数据及与所确定的自变量对应的基站业务及配置数据。
2、建立模型根据变量y与其多种影响因素(Xl，X2,-, χη)间基本存在线性关系，进行多元线性回归分析。理论回归方程为y = Hi1X1 + m2x2 + . . . mnxn+ by为用电量即能耗值，X1, X2,-, Xn与7存在线性关系的载频数、基站面积、房屋能耗系数、月度业务量等基站业务及配置数据。
经过数据处理和函数转换，可将这些基站能耗参数转化成为与用电量y线性关系的变量X1, X2,-, Xn。例如，可运用统计软件对各品牌的月度能耗实验数据进行分析统计， 其中能耗消耗最大的大功率品牌能耗系数为I (最大值)，能耗消耗最小的小功率品牌能耗系数为O (最小值)，以达到将非线性函数关系的品牌型号转换为与基站能耗线性函数关系的目的。
利用预先提供的回归分析模块，通过使用最小二乘法对所获的历史能耗数据、基站业务及配置数据进行最佳直线拟合，可以返回描述所拟合的直线的回归分析参数系数 In1, nv“mn、各系数的标准误差值Se1, se2, . . .，sen、常量b及其标准误差值Seb、判定系数R2、 回归平方和Q1、残差平方和Q2等。如此，建立起能耗模型。
3、模型验证模型验证包括变量相关性检验和回归方程显著性F检验。
(I)变量相关性检验计算复相关系数R为R= (Q1ZSyy)1^=(1-Q2ZSyy)1/2 其中Syy= Σ (y1-y_)2，为y的总离差平方和，是每一历史能耗值Ji与其平均值I的离差的平方的总和，反映历史能耗值与平均值的离散程度，Syy越大则表示y波动越大，且Syy= Q1+ Q2 ；Q1= Σ (y\_y_)2，为y的回归平方和，是每一计算值与平均值y_的离差的平方的总和，反映估计值与平均值的离散程度，即自变量X的重要程度，Q1越大表示由Λ X引起y的波动越大，其与回归方程有关；Q2=E (y1-y\)2=E ε Λ为y的残差平方和，是每一历史能耗值71与计算值y\的离差的平方的总和，反映历史能耗值与计算值偏差，92越大表示由其它因素影响引起y的随机波动越大，其与回归方程有关。
复相关系数反映因变量与所有自变量间整体线性关系的密切程度，即曲线的拟合优度。
根据复相关系数R得到判定系数R2为R2= I— (Σ (y1-y\)2/(m-n-l)) /( Σ (y「y_)2/(m-l))其中m-1为Syy的自由度f，η为Q1的自由度f1; m-n_l为Q2的自由度f2，f、fKf2为统计量中含独立变量的个数，m为观测量数目，η为自变量数目。
根据判定系数R2，能解释因变量y的波动中由整体X引起的百分比率，其值在0-1 之间，值越大表明回归方程的拟合优度越好。优选可以设定，对于判定系数R2而言，预定效果是要求R2的验证值达到O. 8以上。
(2)回归方程显著性F检验优选的，还进一步进行显著性F检验。显著性F检验是进行方差分析，其作用是检验因变量y与自变量X1, X2,…，χη整体有无线性关系。
计算统计量F为F= (Q1Ai)/ (Q2/(m-n-1))F为回归均方差与剩余均方差的比值，F值越大回归关系越显著。
计算概率上的临界值Fa (n，m-n-1)，其中显著性水平a通常可取为O. 1，O. 05，或0.01。若计算出的F < Fa (n，m-n-1)，即F值小于临界值Fa (n，m-n_l)，则说明因变量与自变量之间不存在回归关系；若F彡Fa (n, m-n-1)，即F值在临界值Fa (n, m-n-1)以上，说明因变量与自变量之间存在回归关系，多元线性回归模型在显著性水平a下有显著意义，且 F值越大，回归关系明显。
4、根据模型验证结果进行模型修正通过模型验证的结果，模型可能存在自相关、非线型、非常数方差等特征，例如判定系数R2的值趋近于O或F值远小于临界值Fa，就需要剔除因变量或自变量的数据。
通过剔除数据，清除一些自变量和基站业务及配置数据、历史能耗数据的影响，对复相关系数R进行修正，可得到修正后的判定系数R2= I— (Σ (y1-y\)2/(m-n-l)) /( Σ (y「y_)2/(m-l))其中Syy的自由度Pm-LQ1的自由度A=I^Q2的自由度f2=m-l-n，f为统计量中含独立变量的个数，m为观测量数目，η为自变量数目。
根据需要可进行多次变量调整，通过剔除因变量或自变量的数据，并进行数据转换将因变量与自变量的非线性函数关系转化成为线性关系。
优选地，修改后使用的模型判定系数优选至少达到O. 8以上，以达到比较合理的、 理想的模型拟合效果，以及修改后使验证显著性F的结果达到期望要求。
5、模型预测检验将已知的基站业务及配置数据代入到所建立的能耗模型，计算出能耗预测值，再与对应的实际能耗值比较，检验两者的相对误差是否在设定的范围内，在非设定范围内则继续进行模型修正，重建模型。
6、根据模型预测检验结果进行模型修正在该模型修正过程中，可以由系统自动剔除预测值与现实值偏差最大的一部分数据， 例如预测值与现实值偏差超过 30%的数据范围，或者偏差最大的前10%数据，更新数据后可自动重建模型和回归分析。也可以由用户手动剔除散点分布比较明显的数据，也能达到修正模型的目的。散点是指在模型预测检验后，根据拟合数据生成拟合曲线，在曲线图上预测值与现实值偏差较大，例如散点分布超过纵坐标值的三分之一，且呈现发散分布趋势的点。
以下结合图2说明一个优选实施例的能耗模型建立的具体步骤步骤SOl)首先，根据查询请求，采集动环监控系统记录的历史用电数据和对应于预置自变量的基站业务及配置数据，判断是否已记录所查询年月份的历史用电数据，如是，进入步骤S03，如否，进入步骤S02 ；步骤S02)提示数据不存在，是否有手动录入数据，是则进入步骤S03)，否则结束本流步骤S03)调用服务端的回归分析模块，代入刚查询到(或新录入的)的历史用电数据、 基站业务及配置数据，计算并返回回归分析参数和拟合数据，至此建立起能耗模型；步骤S04)调用服务端的模型验证模块，代入上一步计算的模型数据及其基站业务及配置数据，校验模型相关性和显著性F ；如果模型相关性校验与显著性F校验通过，接下来进入步骤S06，进行模型预测检验； 如果模型相关性校验与显著性F校验任一者不通过，接下来进入步骤S05，进行模型修正；在此阶段，可通过界面向用户显示模型的判定系数、观测值等系数，如果模型相关性校验与显著性F校验通过，可在界面上显示推荐用户使用此模型的提示，如果不通过，可在界面上显示不建议使用此模型的提示；步骤S05)可以通过剔除因变量或自变量的数据，重建模型，修正复相关系数R来满足判定系数R2的条件，以及使显著性F满足条件；步骤S06)进一步进行模型预测检验，计算出能耗预测值，再与对应的实际能耗值进行比较分析，或观察此模型的拟合效果图像，判断相对误差是否在设定的范围内，从而确定是否继续进行模型修正；如果模型预测检验通过，进入步骤S07，保存模型；如果模型预测检验不通过，接下来返回步骤S05，继续模型修正并重建模型根据模型验证结果进行模型修正时，可向用户提供两种选择手动修正处理或自动地对模型进行修正处理；如果选为自动修正，则在由已建模型获得的预测值的基础上，由系统自动剔除预测值与现实值偏差最大的前10%数据，再重建模型；如果选为手动修正，用户可以手动剔除预测值与现实值偏差较大而达到设定阈值的数据，再重建模型；步骤S07)保存所建立的能耗模型。
当前述的模型验证和模型预测检验都通过时，说明此模型是一个比较合理的、理想的模型，使用这个模型计算出来的能耗预测值将与对应实际能耗值相对误差较小，所以， 可保存此能耗模型以供将来实施准确的能耗预测。
以下结合图3说明一种实施例的能耗预测方法，包括以下步骤步骤S11)根据欲预测的时期获取能耗相关因素数据即基站业务及配置数据，例如 根据欲预测的年月份，调用服务端的查询模块，查询动环监控系统中的基站业务及配置数据；如查询到相关数据，进入步骤S12)；如查询结果为空，进入步骤S13)；步骤S12)调用被选中的能耗模型，代入基站业务及配置数据，计算出能耗模型预测值；步骤S13)系统提示数据不存在，并判断是否有手动录入数据，是则进入步骤S12)，否则结束本流程。
按照用户指令，系统可从所有地区或分组的已保存能耗模型中自动加载被选中的模型。
在另一方面，本发明还提供一种基站能耗模型建立装置，在图4所示的实施例里， 其包括 模型数据获取装置100，用于预置自变量并获取历史的能耗数据和对应所述自变量的基站业务及配置数据；模型建立装置200，用于利用多元线性回归分析，对所获的数据进行直线拟合，返回描述此直线的回归分析参数，建立起能耗模型；模型验证装置300，用于进行模型验证；模型修正装置400，用于根据模型验证的结果进行模型修正，直至模型验证的结果表明所获得的能耗模型已达到期望的效果。
优选地,该建立装置还包括模型预测检验装置，用于将使用能耗模型计算出的能耗预测值与对应的实际能耗值比较，通过检验两者的相对误差是否在设定范围内来判断能耗模型是否需要重建。
所述模型修正装置还用于根据相对误差检验的结果进行模型修正，直至检验结果表明相对误差在设定范围内。
在另一方面，本发明还提供一种基站能耗预测装置，其使用前述的基站能耗模型建立装置建立的能耗模型，在图5所示的实施例里，其包括数据获取装置500，用于根据欲预测的时期获取基站业务及配置数据；预测值计算装置600，用于调用被选中的能耗模型，代入基站业务及配置数据，计算出能耗预测值。
在多种实施例中，所述建立装置和所述预测装置可以参照对应方法的各种优选实施例的特征来实施具体配置。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局 限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
权利要求
1.一种基站能耗模型建立方法，其特征在于，包括以下步骤 a.获取历史的能耗数据和对应预置自变量的基站业务及配置数据； b.利用多元线性回归分析，对步骤a所获取的数据进行直线拟合，返回描述所拟合的直线的回归分析参数，建立起能耗模型； c.进行模型验证； d.根据模型验证的结果进行模型修正，再重复步骤b-c直至模型验证的结果表明所获得的能耗模型已达到预定效果。
2.如权利要求1所述的基站能耗模型建立方法，其特征在于，还包括以下步骤 e.将使用能耗模型计算出的能耗预测值与对应的实际能耗值比较，通过检验两者的相对误差是否在设定范围内来判断能耗模型是否需要重建，如果是，则进入步骤f，否则能耗模型建立完毕； f.根据相对误差的检验结果进行模型修正，再重复步骤b-e直至检验结果表明相对误差在设定范围内。
3.如权利要求2所述的基站能耗模型建立方法，其特征在于， 步骤f中的模型修正包括从步骤a所获取的数据中剔除部分能耗数据和基站业务及配置数据，该部分数据是使能耗预测值与实际能耗值偏差落入预定范围的数据，或者是根据拟合曲线判断偏离的散点分布落入预定范围的数据。
4.如权利要求1或2所述的基站能耗模型建立方法，其特征在于，所述自变量包括载频数、基站面积、房屋能耗系数、主设备能耗系数、空调能耗系数、开关电源能耗系数和月度业务量中一种或多种。
5.如权利要求1或2所述的基站能耗模型建立方法，其特征在于，所述步骤b中，直线拟合的回归方程为 y = In1X1 + m2x2 + mnxn+ b 所述回归分析参数包括系数叫為…队、各系数的标准误差值Se1, se2, sen、常量b及常量b的标准误差值Seb、判定系数R2、回归平方和Q1 (SMg)、残差平方和Q2 (Sresid)0
6.如权利要求5所述的基站能耗模型建立方法，其特征在于，所述模型验证包括变量相关性检验，所述变量相关性检验包括以下步骤 cll.根据回归分析参数计算复相关系数R为 R= (Q1ZSyy) 1/2=(1-Q2/Syy)1/2 其中Syy= E (yi_y_)2，为y的总离差平方和，是每一观测值Ji与其平均值I的离差的平方的总和，且Syy= Q1+ Q2 ； Q1= E (y\_y_)2，为y的回归平方和，是每一计算值与平均值y_的离差的平方的总和； Q2=E (y1-y\)2=E ^2，为y的残差平方和，是每一观测值71与计算值的离差的平方的总和； cl2.根据复相关系数R得到判定系数R2为 R2= I— (E (y1-y\)2/(m-n-l)) /(E (y「y_)2/(m-l)) 其中m-1为Syy的自由度f，n为Q1的自由度fpm-n-l为Q2的自由度f2，f、f\、f2为统计量中含独立变量的个数，m为观测量数目，n为自变量数目；cl3.根据判定系数R2值判断回归方程的拟合优度是否达到设定要求。
7.如权利要求6所述的基站能耗模型建立方法，其特征在于，所述模型验证还包括回归方程显著性F检验，所述回归方程显著性F检验包括以下步骤 c21.计算统计量F= (Q1Ai)/ (Q2/(m-n-1)) F为回归均方差与剩余均方差的比值， c22.根据F值判断回归方程的显著性是否达到设定要求。
8.如权利要求6所述的基站能耗模型建立方法，其特征在于，步骤d中的模型修正包括 剔除部分能耗数据和基站业务及配置数据以对复相关系数R进行修正，使得判定系数R2达到0. 8以上。
9.如权利要求1或2所述的基站能耗模型建立方法，其特征在于，步骤a中，所述能耗数据和所述基站业务及配置数据从基站配备的动力设备及环境集中监控系统中获取。
10.一种使用权利要求1-9任一项所述的方法建立的能耗模型预测能耗的方法，其特征在于，包括以下步骤 根据欲预测的时期获取基站业务及配置数据； 调用已建立的能耗模型，代入基站业务及配置数据，计算出能耗预测值。
11.一种基站能耗模型建立装置，其特征在于，包括 模型数据获取装置，用于获取历史的能耗数据和对应预置自变量的基站业务及配置数据； 模型建立装置，用于利用多元线性回归分析，对所获取的数据进行直线拟合，返回描述所拟合的直线的回归分析参数，建立起能耗模型； 模型验证装置，用于进行模型验证； 模型修正装置，用于根据模型验证的结果进行模型修正，直至模型验证的结果表明所获得的能耗模型已达到预定效果。
12.如权利要求11所述的基站能耗模型建立装置，其特征在于，还包括 模型预测检验装置，用于将使用能耗模型计算出的能耗预测值与对应的实际能耗值比较，通过检验两者的相对误差是否在设定范围内来判断能耗模型是否需要重建； 所述模型修正装置还用于根据相对误差检验的结果进行模型修正，直至检验结果表明相对误差在设定范围内。
13.—种基站能耗预测装置，其使用权利要求11或12所述的基站能耗模型建立装置建立的能耗模型，其特征在于，包括 数据获取装置，用于根据欲预测的时期获取基站业务及配置数据； 预测值计算装置，用于调用被选中的能耗模型，代入基站业务及配置数据，计算出能耗预测值。
全文摘要
本发明公开了一种基站能耗模型建立方法，包括以下步骤a.预置自变量并获取历史的能耗数据和对应所述自变量的基站业务及配置数据；b.利用多元线性回归分析，对所获的数据进行直线拟合，返回描述所拟合的直线的回归分析参数，建立起能耗模型；c.进行模型验证；d.根据模型验证的结果进行模型修正，直至模型验证的结果表明所获得的能耗模型已达到期望的效果。在此还公开了一种基站能耗预测方法。在此还公开了相应的基站能耗模型建立装置和基站能耗预测装置。相比以往的能耗管理系统，根据本发明获得的能耗模型具有准确有效的能耗预测功能。
文档编号H04W24/06GK103024761SQ20111028819
公开日2013年4月3日 申请日期2011年9月26日 优先权日2011年9月26日
发明者刘旭培, 曾颖, 潘水君, 张宁, 张登科 申请人:艾默生网络能源有限公司