技术研讨报告 通信基站节能技术综合应用的研讨.docVIP

技术研究报告精确计量全网能耗推算、节能方案验证、站点能效分级 基站综合节能系统主要用于实现基站能耗监测、管理及基站系统节能。针对移动基站数量庞大，无法实现能耗准确统计，考虑采用基站统筹分类，建立数据模型，完成全网能耗推算、节能方案验证、站点能效分级 基站能耗管理 标杆基站取定原则 对室内外基站关键自变量进行筛选，确定室内基站月度能耗主要与月度话务量、载频总功率、开关电源输出功率、空调制冷功率、墙体导热系数、基站使用面积等个关键自变量密切相关。室外基站月度能耗主要与月度话务量、载频总功率、开关电源输出功率个关键自变量相关。 为保证统计数据的准确性，建立关键自变量的数据取值规则（上限、下限、取值步长，下限一律按0取值）。分别获取这6个关键自变量的取值范围，建立关键自变量的数据取值规则如下： 取值规则 月度话务量Erl 载频总功率KW 开关电源输出功率KW 空调制冷功率KW 基站使用面积㎡ 上限 50000 14.4 15 27 60 下限 0 0 0 0 0 步长 6250 1.8 2.5 3 15 段位数 8 8 6 9 4 标杆基站的数量应不低于同类基站总数的10%标杆站选取越多推算该类其它非标杆站的能耗值准确度越高标杆站的选取应具有代表性，关键自变量数据相对稳定、不易出现数据突变的基站，其中每一个关键自变量值均应位于自变量范围中间值（如A类基站的月度话务量范围在6250~12500，则选取A类基站中的标杆站话务量应位于9375左右）。 通过配置的智能电力采集模块采集电度并输出至监控系统，通过监控系统传至监控中心主机。 系统 即通过检测连续时间内每个时间段内的起始电压、电流、功率因数，通过相乘后在内积分，从而得到该内的耗电量，将该连续时间内的所有内的耗电量相加，即可得到整个连续时间内的耗电量，时间越短得到的耗电量数据越精确。 能耗统计分类原则 基站月度用电量与话务量、BTS类型、BTS机架数、载频总功率、配套功率、基站面积、等多个因数密切相关，而其中每一种因素对用电量的影响大小、时段不尽相同，因此需要在月度用电量和受制因素之间建立一种多元模型算法。 根据统计学的方法，由不同自变量（如话务量、BTS机架数、载频、配套功率等）确定因变量（基站月度能耗）的模拟关系可采用多种计算方式，如多元回归法、模糊算法、神经网络算法等： 1、模糊算法和神经网络算法虽然其精确度较高，但需要通过单独的软件进行分析（如MATLAB等），计算十分复杂，且需要对自变量不断修炼改善，不适合自变量的种类变化较大的案例使用； 2、多元回归算法，相对于模糊算法和神经网络算法，精确度稍差，但可通过EXCEL表模拟出自变量和因变量的关系，操作简单，可以随着自变量种类的增加及时调整数据模型； 分析基站能耗构成，基站能耗=各类设备的电压×运行电流×运行时段，其中电压和运行时段在同一类设备内相对固定，属于基本常数，而各类设备的运行电流是影响基站能耗值的唯一因素，因此，可以确定基站能耗分析中的自变量和因变量之间的对应关系（即一个变量受到多个其他变量的影响）为模拟线性关系，通过多元线性回归算法，利用相关系数分析，筛选与预测结果密切相关的影响因素作为自变量（如话务量、BTS机架数、载频、配套功率等等），结合因变量（如月度用电量）建立多元线性回归方程，构建基站能耗数据模型。 分类算法研究 4.1基本数据模型公式 收集有关基站能耗用电数据通过回归方程预测未来基站的用电量，统计出和因变量有相关性的所有自变量数据，其中自变量记为X1、X2、X3……Xn。因变量为月度耗电量，记为Y值，计算结果就是确定Y值和各X值的关系，可用公式表示： Y=B+A1X1+A2X2+A3X3+……+AnXn 其中A1~An表示自变量参数，表示对应X1~Xn和Y的影响量，B表示影响Y的固定值。 4.2数据模型的计算 4.2.1抽样基站 为了验证多元线性回归算法的实用性，我们以2008年7～12月份之间能耗采集准确、设备配置稳定、供电相对正常、话务量和载频数记录完整等为条件，以苏州为例，筛选出68座典型基站，通过分析可能影响基站能耗的因数，最终得出下表： 基站名称 BTS类型 话务量elr BTS机架数 载频总功率KW 配套功率KVA 电源模块数 只 空调功率KW 基站面积㎡ 阳光直射墙体数 用电量(度) 339省道 爱立信2206 26963.645 4 3.6 9 3 7.2 48 4 4113 板桥中学 爱立信2206 27647.04 2 3.4 15.75 3 12.6 24 4 5536 蔡同德 爱立信2206 27345.255 2 6 9 3 7.2 48 4 5528 长桥村 爱立信2206 37302.61 2 6 9 3 7.2 20 3 5214 车坊东 爱立信