本发明涉及通信技术领域，具体来说涉及一种无线基站的节能降耗方法。
背景技术：
现在节能技术，更多是通信基站系统内，根据基站资源的消耗情况及网络覆盖情况进行数据挖掘分析，给出节能降耗的方案，其没有对网络数据诸如用户行为、以及网络性能进行充分考虑，其节能效果和网络性能难以平衡，节能方案的准确性较差。
技术实现要素：
本发明旨在提出一种基于大数据挖掘及ai调度的无线基站的节能降耗方法，以平衡节能降耗解决方案的性能和节能效果。
本发明解决上述技术问题所采用的技术方案是：基于大数据挖掘及ai调度的无线基站的节能降耗方法，包括以下步骤：
对网络的网络数据进行大数据采集和挖掘；
根据所述网络数据，并基于模型算法训练节能模型，所述节能模型为用户行为模型、能耗模型和kpi性能模型的关联模型；
节能策略系统根据所述节能模型确定节能策略，执行节能策略对应的节能操作。
进一步的，所述网络数据包括用户行为数据，所述用户行为数据至少包括：用户接入频繁度、数据包使用大小、位置移动性和业务切片内容，所述用户行为模型根据用户行为数据并基于模型算法建立。
进一步的，所述网络数据还包括基站能耗数据，所述基站能耗数据至少包括：基站电量、电流和电压，所述能耗模型根据所述基站能耗数据和用户行为数据并基于模型算法建立。
进一步的，根据使用场景的不同，所述能耗模型包括区域级能耗模型、场景级能耗模型和小区级能耗模型。
进一步的，所述网络数据还包括：kpi性能数据，所述kpi性能模型根据所述kpi性能数据、基站能耗数据和用户行为数据并基于模型算法建立。
进一步的，所述节能策略系统根据所述节能模型确定节能策略的方法包括：
节能模型对用户行为进行时间序列及空间定位管理，根据基站的历史能耗数据进行时间序列的能耗预测，将预测结果输入至节能策略系统中确定节能策略。
进一步的，所述节能策略至少包括：ai流控策略和时控节能策略，所述ai流控策略至少包括：小区协同策略、跨网协同策略和分流策略，所述节能操作至少包括：符号关断、通道关断和载波关断。
进一步的，还包括：根据预设周期对节能模型进行模型迭代训练得到新的节能模型，根据新的节能模型确定节能策略。
本发明的有益效果是：本发明所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，对5g网络大数据进行深度挖掘，深入研究4/5g网络协同组网，对用户行为、能耗和kpi性能进行关联性分析，提升了节能降耗解决方案的准确性，使得在保证网络性能的前提下能够更大幅度的进行节能降耗。
具体实施方式
下面将结合实施例对本发明的实施方式进行详细描述。
本发明所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，包括以下步骤：对网络的网络数据进行大数据采集和挖掘；根据所述网络数据，并基于模型算法训练节能模型，所述节能模型为用户行为模型、能耗模型和kpi性能模型的关联模型；节能策略系统根据所述节能模型确定节能策略，执行节能策略对应的节能操作。
首先，通过对网络基站数据、用户行为和网络性能等数据进行大数据采集和挖掘，然后，根据采集和挖掘的网络数据训练得到节能模型，所述节能模型是用户行为模型、能耗模型和kpi性能模型的关联模型，最后，根据节能模型调整节能策略，并执行相应的节能操作。
实施例
本发明实施例所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，包括以下步骤：
对网络的网络数据进行大数据采集和挖掘；
根据所述网络数据，并基于模型算法训练节能模型，所述节能模型为用户行为模型、能耗模型和kpi性能模型的关联模型；
其中，所述网络数据包括用户行为数据，所述用户行为数据至少包括：用户接入频繁度、数据包使用大小、位置移动性和业务切片内容，所述用户行为模型根据用户行为数据并基于模型算法建立。
所述网络数据还包括基站能耗数据，所述基站能耗数据至少包括：基站电量、电流和电压，所述能耗模型根据所述基站能耗数据和用户行为数据并基于模型算法建立。
根据使用场景的不同，所述能耗模型包括区域级能耗模型、场景级能耗模型和小区级能耗模型。相应的，对于用户行为，节能模型包含小区级粒度、小区成簇粒度、区域级粒度及全网级粒度的模型。
所述网络数据还包括：kpi性能数据，所述kpi性能模型根据所述kpi性能数据、基站能耗数据和用户行为数据并基于模型算法建立。
节能策略系统根据所述节能模型确定节能策略，执行节能策略对应的节能操作。
所述节能策略系统根据所述节能模型确定节能策略的方法包括：
节能模型对用户行为进行时间序列及空间定位管理，根据基站的历史能耗数据进行时间序列的能耗预测，将预测结果输入至节能策略系统中确定节能策略。
节能策略中规定了目标小区及区域的节能操作时段，比如12:00～14:00，如果在此期间，由于用户行为的变化，导致网络使用需求增加，则将根据对基站的实时电流监测结果，进行实时的电源激活及小区激活，从而应对用户行为的变化。
节能策略系统充分考虑小区件的协同网络分流，不同运营商间的协同网络分流，进行容量及用户感知多方面的评估。
所述节能策略至少包括：ai流控策略和时控节能策略，所述ai流控策略至少包括：小区协同策略、跨网协同策略和分流策略，所述节能操作至少包括：符号关断、通道关断和载波关断。
节能操作包括激活网络中厂家设备，具体包括通过指令进行小区去激活(软关)，从而减少5gaau，4grru的发射功率，还可以包括先软关再硬关的硬件拉闸机制，减少待机功率。
为了反映最新的用户行为和网络情况，本实施例所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法还包括：根据预设周期对节能模型进行模型迭代训练得到新的节能模型，根据新的节能模型确定节能策略，也可以根据操作者的需求，进行手动设置模型训练的数据范围和时间范围。
在进行节能操作的前后，分别对5g网络的业务统计数据、5g测试上报数据、4g网络的业务统计数据及mr测量报告数据进行大数据采集及挖掘，其中5g网络业务统计数据包括aau耗电量、bbu耗电量、用户业务量、小区及区域级的接入性能指标、保持性能指标和完整性能指标，并在实施节能操作前后进行指标对比分析，确保在节能降耗的同时用户感知保持在一定水平线以上。
1.基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，包括以下步骤：
对网络的网络数据进行大数据采集和挖掘；
根据所述网络数据，并基于模型算法训练节能模型，所述节能模型为用户行为模型、能耗模型和kpi性能模型的关联模型；
节能策略系统根据所述节能模型确定节能策略，执行节能策略对应的节能操作。
2.如权利要求1所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，所述网络数据包括用户行为数据，所述用户行为数据至少包括：用户接入频繁度、数据包使用大小、位置移动性和业务切片内容，所述用户行为模型根据用户行为数据并基于模型算法建立。
3.如权利要求2所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，所述网络数据还包括基站能耗数据，所述基站能耗数据至少包括：基站电量、电流和电压，所述能耗模型根据所述基站能耗数据和用户行为数据并基于模型算法建立。
4.如权利要求3所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，根据使用场景的不同，所述能耗模型包括区域级能耗模型、场景级能耗模型和小区级能耗模型。
5.如权利要求3所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，所述网络数据还包括：kpi性能数据，所述kpi性能模型根据所述kpi性能数据、基站能耗数据和用户行为数据并基于模型算法建立。
6.如权利要求1所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，所述节能策略系统根据所述节能模型确定节能策略的方法包括：
节能模型对用户行为进行时间序列及空间定位管理，根据基站的历史能耗数据进行时间序列的能耗预测，将预测结果输入至节能策略系统中确定节能策略。
7.如权利要求1所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，所述节能策略至少包括：ai流控策略和时控节能策略，所述ai流控策略至少包括：小区协同策略、跨网协同策略和分流策略，所述节能操作至少包括：符号关断、通道关断和载波关断。
8.如权利要求1所述的基于大数据挖掘及ai调度的无线基站的节能降耗方法，其特征在于，还包括：根据预设周期对节能模型进行模型迭代训练得到新的节能模型，根据新的节能模型确定节能策略。