基于深度强化学习的基站动态开关研究

随着5G移动互联网的快速发展,为了满足用户不断增长的流量需求,5G基站大规模部署,导致能耗急剧增加。针对以上问题,通过采用流量预测与深度强化学习相结合的方法,建立基站动态开关模型。具体而言,该模型通过密集卷积神经网络(Densely Connected Convolutional Networks, DenseNet)对基站流量进行预测;进一步地,基于精确的移动流量预测,将基站开关控制问题建模为一个马尔科夫决策过程(Markov Decision Process, MDP),然后通过强化学习方法进行求解。此外,强化学习的reward函数设计在优化基站开关成本时综合考虑了多方面的因素,包括能耗和用户服务质量(Quality of Service, QoS)下降成本,目标是在降低能耗的前提下,最小化长期的基站能量消耗。最终通过对真实数据集的大量实验验证,提出的模型与当前使用的基站常开策略相比,能够节约37%的能量消耗,且节能效果也优于传统启发式算法。

“数智驱动 自智牵引” 中国联通基站绿色低碳发展迈上新台阶

5G将人类的生产、生活和娱乐带入了移动宽带新时代,数据量相比4G时代成百倍增长,然而网络能耗成为移动通信绿色可持续发展面临的关键问题。因此,移动通信网络绿色低碳的发展成为行业共识,更是关乎“双碳”目标能否达成的重要一环。

CLM4.0土壤水分传输方案改进在青藏高原陆面过程模拟中的效应

利用2010年5月25日-12月31日玛曲高寒草原的气象观测资料和陆面过程模式(CLM4.0)对玛曲高寒草原陆面过程进行了数值模拟。通过评估模式的模拟性能、模式对含砂量的敏感程度以及模式土壤水分传输方案改进对青藏高原地区陆面过程模拟的影响,发现CLM4.0模式能较好地再现观测站土壤温、湿度、地表辐射、湍流通量等的变化趋势,但土壤温度模拟偏低,感热通量模拟偏大;含砂量增多会减弱土壤的持水能力,使得夏季感热通量增大而潜热通量减小;CLM4.0模式中新引入的有机质对土壤温、湿度模拟均有重要影响,Richards方程和径流计算的修改则对土壤含水量模拟影响较大,这对其他陆面模式的改进具有一定的指导意义。

高寒草甸湍流特征量的季节变化特征

利用青藏高原东北边缘的若尔盖高寒湿地生态系统研究站玛曲高寒草甸观测场提供的2010年近地面层梯度和涡动观测资料,基于Monin-Obukhov相似理论(MOST)分析了该地区风速分量、温度、水汽和CO2的归一化标准差随稳定度参数z/L在均匀平坦地表的变化关系及其季节变化特征。结果表明,风速分量σu/u*、σv/u*和σw/u*与稳定度参数z/L呈1/3次方关系,并随|z/L|增大而增大,在近中性(|z/L|<0.05)时趋于常数,且σu/u*>σv/u*>σw/u*;水平方向风速的归一化标准差随空气动力学粗糙度z0m的增大而减小,σw/u*无明显季节变化,可近似为常数;温度、水汽和CO2的归一化标准差在不稳定条件下与z/L呈-1/3次方关系,归一化值随|z/L|的减小而增大,在中性条件下σq/q*>σc/C*>σT/T*。σT/T*、σq/q*和σc/C*的季节变化分别与感热、潜热和CO2通量的季节变化相反,且主要决定于特征尺度T*、q*和C*。其中感热通量的季节变化与潜热通量、CO2通量相反,且年变化幅度最小,相应地,σT/T*的季节变化与σc/C*和σq/q*相反,且年变化幅度最小。

机器学习在基站小区节能中的应用

随着移动通信网络快速发展,通信行业节能降耗面临着前所未有的挑战。为了降低网络运营成本,通过对大量基站数据的统计分析,基于多个关键业务指标,提出基站小区价值度的概念。利用多个机器学习算法模型融合的方案实现基站小区价值度的预测,并通过节能案例分析对算法方案的有效性进行验证。综合来看,对于可节能基站小区,该算法方案的查准率可达95%以上,可以为大规模基站小区节能提供很好的支撑。