基于能耗数据的网络节能方法及装置与流程

1.本发明涉及通信技术领域，具体来说涉及一种基于能耗数据的网络节能方法及装置。


背景技术：

2.在工业互联网领域，实现工业设备的节能降耗目标，实现绿色发展，降本增效，是企业发展的重点方向。
3.由于5g网络在性能以及无线传输方面的特性，5g网络基站能耗是4g网络的3～5倍，高耗能在5g业务推广初期造成了过高的运营成本，以及电力资源的过度消耗。因此，在网络运营中，5g基站急需开展节能操作。


技术实现要素：

4.本发明旨在解决现有的网络基站的电力资源过度消耗的问题，提出一种基于能耗数据的网络节能方法及装置。
5.本发明解决上述技术问题所采用的技术方案是：基于能耗数据的网络节能方法，包括以下步骤：
6.步骤1、通过智能能耗管理平台采集每个能耗单元基于时间序列的历史网络能耗数据；
7.步骤2、根据每个能耗单元基于时间序列的历史网络能耗数据分别进行训练，分别得到用于对各能耗单元进行网络能耗预测的神经网络模型；
8.步骤3、根据所述神经网络模型对预测时间段内对应能耗单元的能耗数据进行预测，根据预测时间段内每个能耗单元的能耗数据生成相应的节能策略，根据所述节能策略执行节能操作。
9.进一步的，所述步骤2之前还包括：
10.获取网管的操作日志及统计数据，将所述历史网络能耗数据与操作日志及统计数据进行对比，删除异常时间段内的历史网络能耗数据。
11.进一步的，所述步骤2之前还包括：
12.确定网络运维和网络优化的时间段，删除网络运维和网络优化的时间段内的历史网络能耗数据。
13.进一步的，所述历史能耗数据至少包括：电流、电压和功率。
14.进一步的，还包括：实时获取各能耗单元的的实时能耗数据，根据所述实时能耗数据对相应的神经网络模型进行校正。
15.另一方面，本发明还提出一种基于能耗数据的网络节能装置，包括：
16.智能能耗管理平台，用于采集每个能耗单元基于时间序列的历史网络能耗数据；
17.训练单元，用于根据每个能耗单元基于时间序列的历史网络能耗数据分别进行训练，分别得到用于对各能耗单元进行网络能耗预测的神经网络模型；
18.节能操作单元，用于根据所述神经网络模型对预测时间段内对应能耗单元的能耗数据进行预测，根据预测时间段内每个能耗单元的能耗数据生成相应的节能策略，根据所述节能策略执行节能操作。
19.本发明的有益效果是：本发明所述的基于能耗数据的网络节能方法及装置，基于能耗物联网采集的能耗数据，开展独立硬件级别的能耗预测，精准分析网络总体负载情况，从而开展网络节能，降低了网络基站的电力资源消耗。
附图说明
20.图1为本发明实施例所述的基于能耗数据的网络节能方法的流程示意图；
21.图2为本发明实施例所述的基于能耗数据的网络节能装置的结构示意图。
具体实施方式
22.下面将对本发明的实施方式进行详细描述。
23.本发明旨在解决现有的网络基站的电力资源过度消耗的问题，提出一种基于能耗数据的网络节能方法及装置。所述装置包括智能能耗管理平台、训练单元和节能操作单元，其主要的流程为：通过智能能耗管理平台采集每个能耗单元基于时间序列的历史网络能耗数据；训练单元根据每个能耗单元基于时间序列的历史网络能耗数据分别进行训练，分别得到用于对各能耗单元进行网络能耗预测的神经网络模型；根据所述神经网络模型对预测时间段内对应能耗单元的能耗数据进行预测，根据预测时间段内每个能耗单元的能耗数据生成相应的节能策略，节能操作单元根据所述节能策略执行节能操作。
24.首先，需要通过智能能耗管理平台采集每个能耗单元基于时间序列的历史网络能耗数据，然后根据得到的历史网络能耗数据训练得到神经网络模型，其中，每个能耗单元对应一个神经网络模型，然后，对于每个能耗单元，分别根据对应的神经网络模型进行能耗预测，得到每个能耗单元对应的能耗预测数据，进而根据能耗预测数据生成相应的节能策略并执行，使得网络基站不仅能够满足用户的网络性能需要，还能降低网络基站的电力资源消耗。
25.实施例
26.本发明实施例所述的基于能耗数据的网络节能方法，如图1所示，包括以下步骤：
27.具体而言，在能耗优化流程中，业务量预测以及与网络性能的关联性判断是能耗优化的重要组成部分。其中对于能耗数据的ai预测，体现了网络的整体负载情况。
28.基于能耗数据的ai预测，主要步骤如下：
29.步骤s1、通过智能能耗管理平台采集每个能耗单元基于时间序列的历史网络能耗数据；
30.具体而言，通过智能能耗管理平台，采集5g aau射频单元的能耗数据，包括电流、电压、功率，上传并解析至能耗数据库，对应每个能耗单元，形成基于时间序列的历史能耗数据。
31.同时，由于5g小区的能耗数据不仅取决于业务量，还包括信令数据能耗、传输能耗；同时无线资源能耗、硬件资源能耗在不同设备的调度方法下，形成不同的能耗规律。因此单纯的考虑无线网络资源，进行能耗管理、节能，存在局限性。
32.为了解决上述问题，本实施例还包括：
33.步骤s11.获取网管的操作日志及统计数据，将所述历史网络能耗数据与操作日志及统计数据进行对比，删除异常时间段内的历史网络能耗数据。
34.步骤s12.确定网络运维和网络优化的时间段，删除网络运维和网络优化的时间段内的历史网络能耗数据。
35.经过上述步骤s11和步骤s12对历史能耗数据进行清洗，排除异常时段的数据，从中排除5g业务异常波动，包括网络运维和优化过程中由于参数调整导致的短期业务波动造成的能耗数据影响，进而提高能耗预测的准确性。
36.步骤s2、根据每个能耗单元基于时间序列的历史网络能耗数据分别进行训练，分别得到用于对各能耗单元进行网络能耗预测的神经网络模型；
37.根据清洗，聚合之后的历史能耗数据训练得到用于能耗预测的神经网络模型，进而开展ai时间序列预测。
38.本实施例中，步骤s2还可以包括：实时获取各能耗单元的的实时能耗数据，根据所述实时能耗数据对相应的神经网络模型进行校正。
39.具体的，将预测效果与实际情况进行对比，计算误差值，通过更长期的数据采集及数据清洗，聚合策略，减少预测误差，实现动态模型调优。
40.步骤s3、根据所述神经网络模型对预测时间段内对应能耗单元的能耗数据进行预测，根据预测时间段内每个能耗单元的能耗数据生成相应的节能策略，根据所述节能策略执行节能操作。
41.具体而言，通过神经网络模型输出未来短期(如几个小时)内的能耗变化趋势，以及未来长期(如几天)内的能耗变化趋势，进而生成与能耗变化趋势对应的节能策略，节能策略可以包括：关闭一些频段，关闭一些时隙，关闭一些小区，关闭一些无线传输通道等。通过执行节能策略使得网络基站不仅能够满足用户的网络性能需要，还大大降低了网络基站的电力资源消耗。
42.该发明方案，配合广东移动智能能耗管理平台的节能功能，实现了20～70％的5g基站可控节能目标，同时网络性能保持稳定。
43.基于上述技术方案，本实施例还提出一种基于能耗数据的网络节能装置，如图2所示，包括：
44.智能能耗管理平台，用于采集每个能耗单元基于时间序列的历史网络能耗数据；
45.训练单元，用于根据每个能耗单元基于时间序列的历史网络能耗数据分别进行训练，分别得到用于对各能耗单元进行网络能耗预测的神经网络模型；
46.节能操作单元，用于根据所述神经网络模型对预测时间段内对应能耗单元的能耗数据进行预测，根据预测时间段内每个能耗单元的能耗数据生成相应的节能策略，根据所述节能策略执行节能操作。
47.可以理解，由于本发明实施例所述的基于能耗数据的网络节能装置是用于实现实施例所述基于能耗数据的网络节能方法的装置，对于实施例所述的装置而言，由于其与实施例公开的方法相对应，所以描述的较为简单，相关之处参见方法的部分说明即可。