【摘 要】为了最大化基站的可节能空间,解决全网绿色基站的智能发现问题,通过改进Affinity Propagation聚类算法对基站日负荷曲线进行自适应聚类,并进一步挖掘分析周效应下的日潮汐现象和汐节能时段,智能化识别基站的个性化节能场景,从而周期性地采取差异a化节能策略。实验分析验证了该算法的高效性和准确性,预计节能空间可达20%以上,可应用于5G基站能耗的智能化管理,提高5G网络能效。
【关键词】Affinity Propagation聚类;轮廓系数;周效应;潮汐现象;个性化节能场景;5G基站;智慧节能
0 引言
国内5G网络所使用的频谱资源,决定了单个5G基站覆盖距离较短,覆盖相同区域,比4G网络需要更多的基站。5G基站耗电量预计将是4G的3~5倍[1],给运营商的运营成本带来极大挑战。因此针对基站的节能降耗研究势在必行。
针对基站节能场景问题,国内外学者展开了深入的研究工作,且取得不错的成果。基站节能场景这种分类问题,按照建模方法可以分为两类:第一类是基于简单的线性模型或专家经验,依靠人工经验判断与操作;第二类是基于机器学习算法,如梯度提升回归树、神经网络等。实验证明,机器学习算法比传统方案具有更好的节能效果。
时间序列聚类算法是一种挖掘时间序列间相似性的有效方法,可以从数据中发现一些潜在的模式。近些年有很多学者将聚类算法应用到用户行为、业务分析等方面,取得不错的成效。Jeffrey Erman[2]等人采用K-Means和DBSCAN算法有效识别相似通信特征的流量组;Jiang ZHU[3]等人对微博用户时序数据的聚类分析发现了不同群