CN117395690B - 基于人工智能的高功率密度5g基站能源管理*** - Google Patents
基于人工智能的高功率密度5g基站能源管理*** Download PDFInfo
- Publication number
- CN117395690B CN117395690B CN202311684446.6A CN202311684446A CN117395690B CN 117395690 B CN117395690 B CN 117395690B CN 202311684446 A CN202311684446 A CN 202311684446A CN 117395690 B CN117395690 B CN 117395690B
- Authority
- CN
- China
- Prior art keywords
- base station
- sequence
- acquisition time
- radio frequency
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000035772 mutation Effects 0.000 claims abstract description 75
- 238000004891 communication Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000003016 pheromone Substances 0.000 claims abstract description 37
- 230000035939 shock Effects 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims description 56
- 238000005265 energy consumption Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000755729 Clivia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/10—Current supply arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及能源管理技术领域,提出了基于人工智能的高功率密度5G基站能源管理***,包括:获取采集时刻的数据相对偏差因子;获取采集时刻的局部激变系数;根据局部激变系数获取射频发射功率突变点集合,获取所有种类的5G基站运行时的相关数据的突变点集合,根据所有突变点集合获取序列联袂指数;获取采集时刻的基站网络通信负荷指数,进而获取5G基站的预测差值,根据预测差值获取5G基站的第一能源信息素挥发因子,根据第一能源信息素挥发因子实现基于高功率密度的5G基站能源管理。本发明解决传统蚁群算法信息素挥发因子参数设置不当导致的5G基站的能源分配不合理的问题。
Description
技术领域
本发明涉及能源管理技术领域,具体涉及基于人工智能的高功率密度5G基站能源管理***。
背景技术
5G网络通常使用高频段的频谱,具有较高的传输损耗,而且5G技术支持更高的数据传输速率,所以5G网络需要更多的带宽,这些特征使5G基站需要具备更强大的信号处理能力,因此,5G基站通常被设计为高功率密度的基站。但是,通信基站的耗电量占通信***电量的绝大部分,所以,高功率密度5G基站通常需要更多的能源供应,以确保5G基站可以提供优质的服务。电力能源的消耗是5G基站运行的主要成本之一,对基站进行能源管理不仅可以优化能源利用、减少浪费、降低运营成本,还可以确保5G基站获得稳定的电力能源供应,减少***中断和故障的风险,提高通信服务的可靠性。
传统路径优化算法可以找到最优能源分配路径,对5G基站的能源进行优化分配,传统的路径优化算法如Dijkstra算法,实现简单,速度快,但对于高维数据处理效果较差,所以一般采用搜索能力强、可以处理复杂数据的蚁群算法,但是蚁群算法中需要设置的参数较多,不合适的参数设置会导致算法效率较低,导致5G基站的能源分配不合理。
发明内容
本发明提供基于人工智能的高功率密度5G基站能源管理***,以解决传统蚁群算法信息素挥发因子参数设置不当导致的5G基站的能源分配不合理的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于人工智能的高功率密度5G基站能源管理***,该***包括以下模块:
数据采集模块,采集5G基站运行时的相关数据并进行预处理,获取所有5G基站的运行状态监测矩阵和能源消耗序列;
偏差可能性分析模块,获取射频发射功率序列中每个采集时刻对应的残差值,根据残差值获取射频发射功率残差序列,根据射频发射功率残差序列获取射频发射功率序列中每个采集时刻的数据相对偏差因子;
突变程度分析模块,根据数据相对偏差因子获取偏差因子二级序列,获取局部突变系数,根据偏差因子二级序列获取左邻居偏差因子二级序列和右邻居偏差因子二级序列,根据采集时刻的局部突变系数、左邻居偏差因子二级序列和右邻居偏差因子二级序列获取采集时刻的局部激变系数;
影响程度判定模块,根据局部激变系数获取射频发射功率突变点集合,获取所有种类的5G基站运行时的相关数据的突变点集合,根据所有突变点集合获取序列联袂指数;
5G基站能源管理实现模块,对同一5G基站中同一采集时刻的所有种类的5G基站运行时的相关数据进行加权融合,获取所有5G基站中所有采集时刻的基站网络通信负荷指数,获取5G基站的网络通信负荷指数序列,根据网络通信负荷指数序列获取5G基站的预测差值,根据预测差值获取5G基站的挥发因子修正系数,根据5G基站的挥发因子修正系数获取5G基站的第一能源信息素挥发因子,根据第一能源信息素挥发因子实现基于高功率密度的5G基站能源管理。
进一步,所述获取射频发射功率序列中每个采集时刻对应的残差值,根据残差值获取射频发射功率残差序列的方法为:
将射频发射功率序列中每个采集时刻分别作为待分析采集时刻;
将待分析采集时刻与待分析采集时刻的上一个采集时刻的射频发射功率的差值的绝对值记为待分析采集时刻对应的残差值;
将残差值按照残差值对应的采集时刻的先后顺序进行排列,获取射频发射功率残差序列。
进一步,所述根据偏差因子二级序列获取左邻居偏差因子二级序列和右邻居偏差因子二级序列的方法为:
将待分析采集时刻的数据相对偏差因子的偏差因子二级序列中采集时刻早于待分析采集时刻的数据相对偏差因子,按照采集时刻的先后顺序组成的序列记为待分析采集时刻的左邻居偏差因子二级序列;
将待分析采集时刻的数据相对偏差因子的偏差因子二级序列中采集时刻晚于待分析采集时刻的数据相对偏差因子,按照采集时刻的先后顺序组成的序列记为待分析采集时刻的右邻居偏差因子二级序列。
进一步,所述根据局部激变系数获取射频发射功率突变点集合的方法为:
对所有局部激变系数采用自适应阈值分割算法进行分割,获取第一分割阈值;
将局部激变系数大于第一分割阈值的采集时刻标记为突变点;
将射频发射功率序列中所有突变点组成的集合记为射频发射功率突变点集合。
进一步,所述根据所有突变点集合获取序列联袂指数的方法为:
将能源消耗量突变点集合与射频发射功率突变点集合内包含的元素对应的采集时间之间的Jaccard相似系数记为第一相似系数;
将能源消耗量突变点集合与射频发射功率突变点集合内包含的元素分别按照时间先后顺序排列,将对应同一次序的元素对应的采集时间的差值的绝对值之和记为第一绝对值和;
将第一绝对值和与第二预设阈值的和记为第二绝对值和;
将第一相似系数与第二绝对值和的比值记为射频发射功率与能源消耗量之间的序列联袂指数;
分别获取射频接受功率、基带消耗功率、数据传输速率、连接设备数量、数据流量和能源消耗量之间的序列联袂指数。
进一步,所述对同一5G基站中同一采集时刻的所有种类的5G基站运行时的相关数据进行加权融合,获取所有5G基站中所有采集时刻的基站网络通信负荷指数的方法为:
对第1个5G基站中第1个采集时刻所有种类的5G基站运行时的相关数据进行加权融合,获取第1个5G基站中第1个采集时刻的基站网络通信负荷指数:
;
其中,是第1个5G基站中第1个采集时刻的基站网络通信负荷指数;/>是第1个5G基站的第1个采集时刻的能源消耗量;/>是第1个5G基站的运行状态监测矩阵中第/>行数据的第1个采集时刻的数据;/>是运行状态监测矩阵中包含的数据种类数量;/>是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数;/>是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数;
按照第1个5G基站中第1个采集时刻的基站网络通信负荷指数的获取方法,获取所有5G基站中所有采集时刻的基站网络通信负荷指数。
进一步,所述根据网络通信负荷指数序列获取5G基站的预测差值的方法为:
对5G基站网络通信负荷指数序列使用数据预测模型,获取5G基站下一个时序区间的网络通信负荷指数预测序列;
将5G基站的网络通信负荷指数序列与网络通信负荷指数预测序列对应数据的差组成的序列记为5G基站的预测差值序列;
将5G基站的预测差值序列内包含的所有数据的均值记为5G基站的预测差值。
进一步,所述根据预测差值获取5G基站的挥发因子修正系数的方法为:
将每个5G基站分别记为待分析5G基站,将所有5G基站中除5G基站之外的所有5G基站记为待分析5G基站的排外基站;
将待分析5G基站与待分析5G基站的排外基站的预测差值的差值记为待分析5G基站的排外基站的第一预测差值;
将待分析5G基站的所有排外基站的第一预测差值的均值的归一化值与第三预设阈值的差值记为待分析5G基站的挥发因子修正系数。
进一步,所述根据5G基站的挥发因子修正系数获取5G基站的第一能源信息素挥发因子的方法为:
将第四预设阈值与待分析5G基站的挥发因子修正系数的差值记为第一差值;
将第一差值与上一个时序区间中待分析5G基站的第一能源信息素挥发因子的乘积记为待分析5G基站的第一能源信息素挥发因子。
进一步,所述根据第一能源信息素挥发因子实现基于高功率密度的5G基站能源管理的方法为:
将所有5G基站的位置和5G基站与电网之间的路径作为蚁群算法的输入,将5G基站的第一能源信息素挥发因子作为5G基站的电网连接路径的能源信息素挥发因子,将所有蚂蚁的初始位置设置在电力资源存储中心,根据蚁群算法得到输出,蚁群算法的输出为电力存储中心向所有5G基站的供电最优路径。
本发明的有益效果是:
本发明根据高功率密度的5G基站网络通信负荷程度越高时,能源消耗量越大的特征以及运行状态监测矩阵中的5G基站运行时的相关数据与能源消耗量之间的相关关系,获取序列联袂指数,序列联袂指数可反映运行状态监测矩阵中的5G基站运行时的相关数据与能源消耗量之间的关联程度,避免只使用5G基站的能源消耗量进行网络通信负荷程度计算误差较高的问题,提高5G网络通信负荷程度判断的准确性;然后,基于序列联袂指数获取预测差值,根据预测差值对蚁群算法中的能源信息素挥发因子进行调整,即根据5G基站的网络通信负荷程度自适应获取5G基站所在能源传输路径的信息素挥发因子,为需要更多的能源供应的5G基站提供更多的能源供应,解决传统蚁群算法信息素挥发因子参数设置不当导致的5G基站的能源分配不合理的问题,提高蚁群算法的准确度和效率,使5G基站的供电最优路径的规划更为精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于人工智能的高功率密度5G基站能源管理***的流程示意图;
图2为数据相对偏差因子获取流程图。
具体实施方式
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做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。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的高功率密度5G基站能源管理***流程图,该***包括:数据采集模块、偏差可能性分析模块、突变程度分析模块、影响程度判定模块、5G基站能源管理实现模块。
数据采集模块,采集5G基站运行时的相关数据并进行预处理,获取所有5G基站的运行状态监测矩阵和能源消耗序列。
在5G基站部署电能计量仪和NMS网络管理***,使用电能计量仪和NMS网络管理***对5G基站运行时的相关数据进行采集,采用电能计量仪采集5G基站的能源消耗量,采用网络管理***采集5G基站的射频发射功率、射频接受功率、基带消耗功率、数据传输速率、连接设备数量和数据流量。其中,5G基站的能源消耗量即为耗电量;5G基站运行时的相关数据的种类可根据需要自行选取。
不同种类的5G基站运行时的相关数据的采集时刻、采集时刻的时间间隔、采集总时长均相同。将相邻两次采集时刻的时间间隔记为t,采集总时长记为T,本实施例中t经验值取1s,T经验值取10min,将5G基站的总数量记为。将采集总时长敌营的一个时间段记为一个时序区间。
在采集5G基站运行时的相关数据的过程中,可能会出现缺失数据,采用均值填充法对缺失数据进行填充。为避免数据之间量纲不同影响后续计算和分析,对填充后的5G基站运行时的相关数据采用Z-score方法进行归一化处理,至此,完成5G基站运行时的相关数据的预处理。其中,均值填充法和Z-score方法为公知技术,不再赘述。
根据5G基站运行时的相关数据建立5G基站的运行状态监测矩阵。将第个5G基站的运行状态监测矩阵记为/>。其中,/>。
运行状态监测矩阵的一行代表一个种类的5G基站运行时的相关数据,行号从小到大,依次对应的5G基站运行时的相关数据种类为射频发射功率、射频接受功率、基带消耗功率、数据传输速率、连接设备数量和数据流量,即在本实施例中,运行状态监测矩阵共有6行。
运行状态监测矩阵的一列代表同一个采集时刻采集的5G基站运行时的相关数据,按照时间的先后顺序,依次将5G基站运行时的相关数据对应的数据值从左至右填充至运行状态监测矩阵中。
将第个5G基站的运行状态监测矩阵的能源消耗量按照采集时刻的先后顺序进行排列,获取第/>个5G基站的能源消耗序列/>。
至此,获取所有5G基站的运行状态监测矩阵和能源消耗序列。
偏差可能性分析模块,获取射频发射功率序列中每个采集时刻对应的残差值,根据残差值获取射频发射功率残差序列,根据射频发射功率残差序列获取射频发射功率序列中每个采集时刻的数据相对偏差因子。
高功率密度的5G基站有助于满足日益增长的网络需求,支持更多的用户和设备同时连接到5G网络,提供更高的数据传输速率,但是,高功率密度基站通常需要更多的电力能源供应,增大了电力成本。同时,并不是所有采集时刻都需要较大的能源供应,通常,夜晚工作区的网络通信较少,5G基站若仍然保持较大的网络带宽,会导致网络资源的浪费、大量能源的消耗,增大电力成本。
因此,本实施例根据各个5G基站的网络通信负荷程度,采用蚁群算法,对网络通信负荷程度较高的5G基站分配较大的电力能源,满足用户的网络需求。
在高功率密度的5G基站中,基站网络通信负荷程度越高时,能源消耗量越大。但是,只使用5G基站的能源消耗量来判断5G基站的网络通信负荷程度并不准确。在5G基站的电力能源分配有限的情况下,若5G基站的连接设备较多、网络流量较大,5G基站可能处于网络拥塞状态,网络通信负荷程度较高,但是,由于电力能源分配有限,能源消耗量却相对较低。因此,需要分析5G基站的运行状态监测矩阵数据与能源消耗量数据的相关性,对能源消耗量进行修正,对网络通信负荷程度较高的5G基站分配较大的电力能源,满足用户的网络需求。
以第1个5G基站的运行状态监测矩阵的第1行数据对应的射频发射功率序列为例进行分析。射频发射功率序列为将1个5G基站获取的射频发射功率按照采集时刻的先后顺序进行排列后得到的序列。
将射频发射功率序列中第个采集时刻获取的射频发射功率与第/>个采集时刻的射频发射功率的差值的绝对值记为第/>个采集时刻对应的残差值。由于上述计算方式存在端点问题,因此,使用射频发射功率序列中所有采集时刻的射频发射功率均值对缺失的采集时刻的射频发射功率进行填充,使射频发射功率序列中每个采集时刻都有对应的残差值。其中,/>,/>为射频发射功率序列中包含的射频发射功率的数量。
将射频发射功率序列中所有采集时刻对应的残差值按照残差值对应的射频发射功率的采集时刻的先后顺序进行排列,获取射频发射功率残差序列。
获取射频发射功率残差序列的信息熵和射频发射功率残差序列内包含的残差值的均值/>。
当射频发射功率残差序列内包含的残差值越为一致、接近时,射频发射功率残差序列的信息熵越小。
根据射频发射功率残差序列内包含的残差值的均值、残差值和信息熵获取射频发射功率序列中每个采集时刻的数据相对偏差因子。
;
其中,是射频发射功率序列中第/>个采集时刻的数据相对偏差因子;射频发射功率残差序列中第/>个采集时刻的残差值;/>是射频发射功率残差序列中包含的残差值的均值;/>是射频发射功率残差序列的信息熵。
当射频发射功率残差序列内包含的残差值越为一致、接近时,射频发射功率残差序列的信息熵越小,射频发射功率残差序列内包含的所有残差值与残差值的均值差异越小,射频发射功率序列中每个采集时刻的数据相对偏差因子越小,即5G基站的射频发射功率越为稳定,数据相对偏差因子对应的采集时刻的射频发射功率出现偏离的可能性越小。
至此,获取射频发射功率序列中所有采集时刻的数据相对偏差因子,数据相对偏差因子获取流程图如图2所示。
突变程度分析模块,根据数据相对偏差因子获取偏差因子二级序列,获取局部突变系数,根据偏差因子二级序列获取左邻居偏差因子二级序列和右邻居偏差因子二级序列,根据采集时刻的局部突变系数、左邻居偏差因子二级序列和右邻居偏差因子二级序列获取采集时刻的局部激变系数。
将所有采集时刻的数据相对偏差因子按照数据相对偏差因子对应的采集时刻的先后顺序组成的序列记为偏差因子序列。
针对偏差因子序列中所有采集时刻的数据相对偏差因子的局部变化特征进行分析。
将偏差因子序列中第个采集时刻的数据相对偏差因子作为中心数据,建立长度为第一预设阈值的窗口,将窗口内包含的所有数据相对偏差因子按照数据相对偏差因子对应的采集时刻的先后顺序组成的序列记为中心数据的偏差因子二级序列/>。其中,第一预设阈值的经验值为11;当数据相对偏差因子的窗口内包含的数据相对偏差因子数量小于第一预设阈值时,则以君子填充法对缺失值进行填充。
根据每个采集时刻的数据相对偏差因子和数据相对偏差因子的偏差因子二级序列获取局部突变系数。
;
其中,是射频发射功率序列中第/>个采集时刻的局部突变系数;/>是第/>个采集时刻的数据相对偏差因子的偏差因子二级序列/>中,第/>个数据相对偏差因子对应的采集时刻的数据相对偏差因子;/>是射频发射功率序列中第/>个采集时刻的数据相对偏差因子;/>是第一预设阈值,经验值为11。
当数据相对偏差因子的偏差因子二级序列中包含的数据相对偏差因子与偏差因子二级序列中的中心数据的差异越大时,偏差因子二级序列中的中心数据对应的采集时刻的局部突变系数越大,即偏差因子二级序列中的中心数据对应的采集时刻的数据相对偏差因子的局部变化越为剧烈。
将第个采集时刻的数据相对偏差因子的偏差因子二级序列/>中采集时刻早于第个采集时刻的数据相对偏差因子组成的序列记为第/>个采集时刻的左邻居偏差因子二级序列/>。将第/>个采集时刻的数据相对偏差因子的偏差因子二级序列/>中采集时刻晚于/>个采集时刻的数据相对偏差因子组成的序列记为第/>个采集时刻的右邻居偏差因子二级序列/>。
获取同一采集时刻的左邻居偏差因子二级序列和右邻居偏差因子二级序列的dtw距离。其中,dtw距离的获取为公知技术,不再赘述。
根据采集时刻的局部突变系数、左邻居偏差因子二级序列和右邻居偏差因子二级序列获取采集时刻的局部激变系数。
;
其中,是射频发射功率序列中第/>个采集时刻的局部激变系数;/>是第/>个采集时刻的数据相对偏差因子的偏差因子二级序列/>中数据相对偏差因子的最大值;是第/>个采集时刻的左邻居偏差因子二级序列和右邻居偏差因子二级序列的dtw距离;/>是射频发射功率序列中第/>个采集时刻的局部突变系数;/>是自然常数;是射频发射功率序列中第/>个采集时刻的数据相对偏差因子。
当采集时刻的数据相对偏差因子与数据相对偏差因子的偏差因子二级序列中的最大值差异越大时,采集时刻的数据相对偏差因子与偏差因子二级序列中非中心数据的差异越大,采集时刻的数据相对偏差因子的局部变化越为剧烈。
当同一采集时刻的左邻居偏差因子二级序列和右邻居偏差因子二级序列的差异越大时,采集时刻的数据相对偏差因子的局部变化越为剧烈。
当采集时刻的数据相对偏差因子的局部变化越为剧烈时,采集时刻的局部激变系数越大,即采集时刻的射频发射功率的突变程度越大。
至此,获取每个采集时刻的局部激变系数。
影响程度判定模块,根据局部激变系数获取射频发射功率突变点集合,获取所有种类的5G基站运行时的相关数据的突变点集合,根据所有突变点集合获取序列联袂指数。
对所有采集时刻的局部激变系数采用大津法阈值进行分割,获取第一分割阈值。
将采集时刻的局部激变系数大于第一分割阈值的采集时刻标记为突变点,将射频发射功率序列中所有突变点组成的集合记为射频发射功率突变点集合。
按照与射频发射功率的处理和分析方法相同的处理和分析方法,对能源消耗量、射频接受功率、基带消耗功率、数据传输速率、连接设备数量和数据流量分别进行分析,获取能源消耗量突变点集合、射频接受功率突变点集合/>、基带消耗功率突变点集合、数据传输速率突变点集合/>、连接设备数量突变点集合/>和数据流量突变点集合/>。
在5G基站实际运行过程中,运行状态监测矩阵中的5G基站运行时的相关数据的变化会影响到能源消耗量,当5G基站的运行状态监测矩阵中包含的5G基站运行时的相关数据对应的突变点集合与能源消耗量突变点集合的相关性越高时,相关性越高的5G基站运行时的相关数据对能源消耗量的影响程度越大。
根据射频发射功率突变点集合、能源消耗量突变点集合、射频接受功率突变点集合、基带消耗功率突变点集合、数据传输速率突变点集合、连接设备数量突变点集合和数据流量突变点集合获取序列联袂指数。
;
其中,是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数,其中,/>;/>是能源消耗量突变点集合;是射频发射功率突变点集合;/>是射频接受功率突变点集合;/>是基带消耗功率突变点集合;/>是数据传输速率突变点集合;/>是连接设备数量突变点集合;/>是数据流量突变点集合;/>是/>与/>内包含的元素对应的采集时间之间的相似系数;/>是/>、/>、/>、/>、/>、/>和/>中包含的元素数量的最小值;/>是/>中包含的元素按照时间先后顺序排列后第/>个元素对应的采集时间;/>是/>中包含的元素按照时间先后顺序排列后第/>个元素对应的采集时间;是第二预设阈值,经验值为1。
当两个突变点集合中包含的元素对应的采集时间越为接近时,则两个种类的5G基站运行时的相关数据之间的序列联袂指数越大,即这两个种类的5G基站运行时的相关数据的关联程度越大,其中,运行状态监测矩阵中包含的对应种类的5G基站运行时的相关数据对能源消耗量的影响程度越大。
至此,获取射频发射功率与运行状态监测矩阵中每个种类的5G基站运行时的相关数据之间的序列联袂指数。
5G基站能源管理实现模块,对同一5G基站中同一采集时刻的所有种类的5G基站运行时的相关数据进行加权融合,获取所有5G基站中所有采集时刻的基站网络通信负荷指数,获取5G基站的网络通信负荷指数序列,根据网络通信负荷指数序列获取5G基站的预测差值,根据预测差值获取5G基站的挥发因子修正系数,根据5G基站的挥发因子修正系数获取5G基站的第一能源信息素挥发因子,根据第一能源信息素挥发因子实现基于高功率密度的5G基站能源管理。
以第1个5G基站中第1个采集时刻为例,对所有种类的5G基站运行时的相关数据进行加权融合,获取第1个5G基站中第1个采集时刻的基站网络通信负荷指数。
;
其中,是第1个5G基站中第1个采集时刻的基站网络通信负荷指数,其中,第1个5G基站对应第一个下标,第1个采集时刻对应第二个下标;/>是第1个5G基站的第1个采集时刻的能源消耗量,其中,第1个5G基站对应第一个下标,第1个采集时刻对应第二个下标;/>是第1个5G基站的运行状态监测矩阵中第/>行数据的第1个采集时刻的数据,其中,第1个5G基站对应第一个下标,第/>行数据对应第二个下标,第1个采集时刻对应第三个下标;/>是运行状态监测矩阵中包含的数据种类数量,本实施例中取值为6;/>是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数,其中,/>;/>是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数。
当序列联袂指数越大时,序列联袂指数对应的运行状态监测矩阵中的5G基站运行时的相关数据对基站网络通信负荷指数的影响越大。
按照第1个5G基站中第1个采集时刻的基站网络通信负荷指数的获取方法,获取第1个5G基站中所有采集时刻的基站网络通信负荷指数。
将第1个5G基站的基站网络通信负荷指数按照采集时刻的先后顺序进行排列,获取第1个5G基站的网络通信负荷指数序列。
采用差分自回归移动平均模型ARIMA作为预测模型,将第1个5G基站网络通信负荷指数序列输入差分自回归移动平均模型ARIMA,获取第1个5G基站下一个时序区间的网络通信负荷指数预测序列/>。
将第1个5G基站的网络通信负荷指数序列与网络通信负荷指数预测序列/>对应数据的差组成的序列的差记为第1个5G基站的预测差值序列/>。将第1个5G基站的预测差值序列内包含的所有数据的均值记为第1个5G基站的预测差值。
当5G基站的网络通信负荷指数序列与网络通信负荷指数预测序列差异越大时,预测差值序列内包含的数据越大,预测差值越大,则5G基站需要进行能源调整的可能性越大、需要越多的电力能源分配。
采用相同的计算方式,获取所有5G基站的预测差值。
根据5G基站的预测差值获取5G基站的挥发因子修正系数。
;
其中,是第/>个5G基站的挥发因子修正系数,其中,/>;/>是第/>个5G基站的预测差值;/>是除第/>个5G基站之外的第/>个5G基站的预测差值;/>为5G基站的总数量;/>为线性归一化函数;/>是第三预设阈值,经验值为0.5。
当5G基站的预测差值与其它5G基站的预测差值相比越大时,5G基站的挥发因子修正系数越大,即5G基站下一个时序区间具有较大的网络通信负荷的可能性越大,越应该对5G基站进行能源调整管理,使其下一时序区间的能源供应量增大。
根据5G基站的挥发因子修正系数获取5G基站的第一能源信息素挥发因子。
;/>
其中,是第/>个5G基站的第一能源信息素挥发因子;/>是上一个时序区间中第个5G基站的第一能源信息素挥发因子,其中,第一能源信息素挥发因子的初始值经验值为0.3;/>是第/>个5G基站的挥发因子修正系数;/>是第四预设阈值,经验值为1。
当5G基站的第一能源信息素挥发因子越大时,5G基站越需要更多的能源供应,能源信息素挥发因子越小。
越小能源信息素挥发因子的越可以增加蚁群算法中各个路径信息素的保留时间,增大能源供应量。
对所有5G基站的位置和5G基站与电网之间的路径采用蚁群算法进行5G基站的能源管理,具体为,蚁群算法的输入为所有5G基站的位置和5G基站与电网之间的路径,将5G基站的第一能源信息素挥发因子作为5G基站的电网连接路径的能源信息素挥发因子,将所有蚂蚁的初始位置设置在电力资源存储中心,输电路径之间的信息素含量经验值为10,蚂蚁数量经验值设1.5,信息素因子经验值为2,启发式因子经验值为1.5,最大迭代次数经验值为100次,蚁群算法的输出为电力存储中心向所有5G基站的供电最优路径。其中,/>为5G基站的总数量。
能源管理***根据电力存储中心向所有5G基站的供电最优路径,将电网电力能源输送到所有5G基站中,实现一种基于人工智能的高功率密度5G基站能源管理***。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于人工智能的高功率密度5G基站能源管理***,其特征在于,该***包括以下模块:
数据采集模块,采集5G基站运行时的相关数据并进行预处理,获取所有5G基站的运行状态监测矩阵和能源消耗序列;
偏差可能性分析模块,获取射频发射功率序列中每个采集时刻对应的残差值,根据残差值获取射频发射功率残差序列,根据射频发射功率残差序列获取射频发射功率序列中每个采集时刻的数据相对偏差因子;
突变程度分析模块,根据数据相对偏差因子获取偏差因子二级序列,获取局部突变系数,根据偏差因子二级序列获取左邻居偏差因子二级序列和右邻居偏差因子二级序列,根据采集时刻的局部突变系数、左邻居偏差因子二级序列和右邻居偏差因子二级序列获取采集时刻的局部激变系数;
影响程度判定模块,根据局部激变系数获取射频发射功率突变点集合,获取所有种类的5G基站运行时的相关数据的突变点集合,根据所有突变点集合获取序列联袂指数;
5G基站能源管理实现模块,对同一5G基站中同一采集时刻的所有种类的5G基站运行时的相关数据进行加权融合,获取所有5G基站中所有采集时刻的基站网络通信负荷指数,获取5G基站的网络通信负荷指数序列,根据网络通信负荷指数序列获取5G基站的预测差值,根据预测差值获取5G基站的挥发因子修正系数,根据5G基站的挥发因子修正系数获取5G基站的第一能源信息素挥发因子,根据第一能源信息素挥发因子实现基于高功率密度的5G基站能源管理;
所述运行状态监测矩阵和能源消耗序列的获取方法为:
运行状态监测矩阵每一行表示一个种类的5G基站运行时的相关数据,行号从小到大分别对应射频发射功率、射频接受功率、基带消耗功率、数据传输速率、连接设备数量和数据流量;
运行状态监测矩阵每一列表示同一个采集时刻采集的5G基站运行时的相关数据,按照采集时间进行排序;
将每个5G基站在每个时刻采集的能源消耗量按照采集时刻的先后顺序排序获取每个5G基站的能源消耗序列。
2.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述获取射频发射功率序列中每个采集时刻对应的残差值,根据残差值获取射频发射功率残差序列的方法为:
将射频发射功率序列中每个采集时刻分别作为待分析采集时刻;
将待分析采集时刻与待分析采集时刻的上一个采集时刻的射频发射功率的差值的绝对值记为待分析采集时刻对应的残差值;
将残差值按照残差值对应的采集时刻的先后顺序进行排列,获取射频发射功率残差序列。
3.根据权利要求2所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据偏差因子二级序列获取左邻居偏差因子二级序列和右邻居偏差因子二级序列的方法为:
将待分析采集时刻的数据相对偏差因子的偏差因子二级序列中采集时刻早于待分析采集时刻的数据相对偏差因子,按照采集时刻的先后顺序组成的序列记为待分析采集时刻的左邻居偏差因子二级序列;
将待分析采集时刻的数据相对偏差因子的偏差因子二级序列中采集时刻晚于待分析采集时刻的数据相对偏差因子,按照采集时刻的先后顺序组成的序列记为待分析采集时刻的右邻居偏差因子二级序列。
4.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据局部激变系数获取射频发射功率突变点集合的方法为:
对所有局部激变系数采用自适应阈值分割算法进行分割,获取第一分割阈值;
将局部激变系数大于第一分割阈值的采集时刻标记为突变点;
将射频发射功率序列中所有突变点组成的集合记为射频发射功率突变点集合。
5.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据所有突变点集合获取序列联袂指数的方法为:
将能源消耗量突变点集合与射频发射功率突变点集合内包含的元素对应的采集时间之间的Jaccard相似系数记为第一相似系数;
将能源消耗量突变点集合与射频发射功率突变点集合内包含的元素分别按照时间先后顺序排列,将对应同一次序的元素对应的采集时间的差值的绝对值之和记为第一绝对值和;
将第一绝对值和与第二预设阈值的和记为第二绝对值和;
将第一相似系数与第二绝对值和的比值记为射频发射功率与能源消耗量之间的序列联袂指数;
分别获取射频接受功率、基带消耗功率、数据传输速率、连接设备数量、数据流量和能源消耗量之间的序列联袂指数。
6.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述对同一5G基站中同一采集时刻的所有种类的5G基站运行时的相关数据进行加权融合,获取所有5G基站中所有采集时刻的基站网络通信负荷指数的方法为:
对第1个5G基站中第1个采集时刻所有种类的5G基站运行时的相关数据进行加权融合,获取第1个5G基站中第1个采集时刻的基站网络通信负荷指数:
其中,是第1个5G基站中第1个采集时刻的基站网络通信负荷指数;/>是第1个5G基站的第1个采集时刻的能源消耗量;/>是第1个5G基站的运行状态监测矩阵中第/>行数据的第1个采集时刻的数据;/>是运行状态监测矩阵中包含的数据种类数量;/>是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数;/>是射频发射功率与运行状态监测矩阵中第/>行数据对应的5G基站运行时的相关数据之间的序列联袂指数;
按照第1个5G基站中第1个采集时刻的基站网络通信负荷指数的获取方法,获取所有5G基站中所有采集时刻的基站网络通信负荷指数。
7.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据网络通信负荷指数序列获取5G基站的预测差值的方法为:
对5G基站网络通信负荷指数序列使用数据预测模型,获取5G基站下一个时序区间的网络通信负荷指数预测序列;
将5G基站的网络通信负荷指数序列与网络通信负荷指数预测序列对应数据的差组成的序列记为5G基站的预测差值序列;
将5G基站的预测差值序列内包含的所有数据的均值记为5G基站的预测差值。
8.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据预测差值获取5G基站的挥发因子修正系数的方法为:
将每个5G基站分别记为待分析5G基站,将所有5G基站中除5G基站之外的所有5G基站记为待分析5G基站的排外基站;
将待分析5G基站与待分析5G基站的排外基站的预测差值的差值记为待分析5G基站的排外基站的第一预测差值;
将待分析5G基站的所有排外基站的第一预测差值的均值的归一化值与第三预设阈值的差值记为待分析5G基站的挥发因子修正系数。
9.根据权利要求8所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据5G基站的挥发因子修正系数获取5G基站的第一能源信息素挥发因子的方法为:
将第四预设阈值与待分析5G基站的挥发因子修正系数的差值记为第一差值;
将第一差值与上一个时序区间中待分析5G基站的第一能源信息素挥发因子的乘积记为待分析5G基站的第一能源信息素挥发因子。
10.根据权利要求1所述的基于人工智能的高功率密度5G基站能源管理***,其特征在于,所述根据第一能源信息素挥发因子实现基于高功率密度的5G基站能源管理的方法为:
将所有5G基站的位置和5G基站与电网之间的路径作为蚁群算法的输入,将5G基站的第一能源信息素挥发因子作为5G基站的电网连接路径的能源信息素挥发因子,将所有蚂蚁的初始位置设置在电力资源存储中心,根据蚁群算法得到输出,蚁群算法的输出为电力存储中心向所有5G基站的供电最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684446.6A CN117395690B (zh) | 2023-12-11 | 2023-12-11 | 基于人工智能的高功率密度5g基站能源管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684446.6A CN117395690B (zh) | 2023-12-11 | 2023-12-11 | 基于人工智能的高功率密度5g基站能源管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117395690A CN117395690A (zh) | 2024-01-12 |
CN117395690B true CN117395690B (zh) | 2024-04-12 |
Family
ID=89472457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684446.6A Active CN117395690B (zh) | 2023-12-11 | 2023-12-11 | 基于人工智能的高功率密度5g基站能源管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117395690B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
CN114285086A (zh) * | 2021-11-25 | 2022-04-05 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及*** |
CN117040037A (zh) * | 2023-07-04 | 2023-11-10 | 中国船舶集团有限公司第七一六研究所 | 一种lng船舶机舱监控功率管理*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167214B (zh) * | 2021-12-02 | 2022-09-06 | 浙江大学 | 基于随机矩阵理论的低压配电网边-云协同故障检测方法 |
-
2023
- 2023-12-11 CN CN202311684446.6A patent/CN117395690B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
CN114285086A (zh) * | 2021-11-25 | 2022-04-05 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及*** |
CN117040037A (zh) * | 2023-07-04 | 2023-11-10 | 中国船舶集团有限公司第七一六研究所 | 一种lng船舶机舱监控功率管理*** |
Non-Patent Citations (1)
Title |
---|
基于一种改进的灰色模型的无线基站流量预测算法;韩笑雪;;信息通信(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117395690A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105227369B (zh) | 基于众包模式的移动Apps对无线网路资源利用的分析方法 | |
CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
Gao et al. | Reinforcement learning based cooperative coded caching under dynamic popularities in ultra-dense networks | |
CN112637907B (zh) | 毫米波网络中用户多关联和下行功率分配的联合优化方法 | |
CN104205666A (zh) | 用于无线***的功率动态联合分配以及用户调度的方法和*** | |
CN111405585A (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
CN115589250A (zh) | 一种星地中继物联网大规模中继选择与功率控制方法 | |
CN115622603A (zh) | 一种辅助传输信息年龄最小化优化方法 | |
CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN108990141B (zh) | 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 | |
CN109104734B (zh) | 一种集能型无线中继网络吞吐量最大化方法 | |
CN117395690B (zh) | 基于人工智能的高功率密度5g基站能源管理*** | |
Bhat et al. | Correlating the Ambient Conditions and Performance Indicators of the LoRaWAN via Surrogate Gaussian Process-Based Bidirectional LSTM Stacked Autoencoder | |
Wang et al. | Intelligent fault diagnosis method for mobile cellular networks | |
CN113518457B (zh) | 基于一维深度卷积神经网络的功率分配策略 | |
CN114698119A (zh) | 配网分布式保护***的5g通信/云边计算资源协同分配方法 | |
CN102638876A (zh) | 一种基于用户体验的节能型无线视频业务资源调度方法 | |
CN108833183B (zh) | 一种多时隙能量采集多归属异构网络的功率分配方法 | |
CN112730950A (zh) | 一种低压电网电压监测数据分层处理***及方法 | |
CN112436868B (zh) | 一种分布式光伏电力通道复用数据传输方法及*** | |
CN109041195A (zh) | 一种基于半监督学习的集能型无线中继网络吞吐量最大化方法 | |
CN117651288B (zh) | 智能户外电视的信号传输方法、装置、设备及存储介质 | |
CN117279019B (zh) | 频谱效率的预测方法、装置、电子设备及存储介质 | |
Ho et al. | Energy efficiency learning closed-loop controls in O-RAN 5G network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |