Page 22 - 通信工程技术管理与发展

Technology Management and Development of Communication Engineering
通信工程技术管理与发展

从基础的回归模型、时间序列模型；发展到基于机器学习的预测方法，例如支持
向量机和人工神经网络；到结合多种预测方法的综合预测模型；再到近来受到广
泛关注的深度学习模型和概率预测方法。

当前，已经有一些文献研究了针对通信流量的预测方法，但基站级的 5G 通
信负载预测仍然较少。因此，需要建模 5G 基站通信负载的特性，充分考虑单个
基站通信负载随时间变化的时间相关性和多个相邻基站之间由于用户流动产生的
负载转移所对应的空间相关性，并考虑影响基站通信负载的外部相关因素，建立

短期甚至超短期的 5G 基站通信负载预测方法。此外，5G 基站通信负载预测研
究的重要制约因素之一在于缺乏公开有效的基站级 5G 通信负载数据集。
（五）基站聚合与协同调度
5G 基站难以直接参与需求响应，需要进行协同调度。考虑到 5G 基站数量

众多、分布广泛、单站体量较小的特点，电力系统无法直接对海量基站进行直接
调度，需要将单个基站建模为有自身运行可行域的可控负荷，并引入协同机制，
将海量的分布式 5G 基站资源聚合。因此，设计 5G 基站聚合框架、协同机制、
调度算法成为关键问题。

图 1-5 给出了一个 5G 基站协同调度示例，主要由 5G 基站本地控制，云端
协同控制以及与电力系统的对接机制组成。在本地端，通过 5G 基站的单站能量
管理系统对于本基站内部的设备进行管理，实时监测各用能设备和储能电池的状
态，实现用能设备的功耗管理，制定储能电池的充放电策略，并决定基站直流电

源的工作状态。同时，与云端的协调机制通过有线或无线公网通信，上传本基站
的设备工作信息和可调度容量信息；接收云端下发的调度信息，并根据调度信息，
做出本地设备的用能决策，优化用能行为。在云端，部署相应的通信、计算资源
和决策算法实现分布式资源云边协同。一方面，接收每一个基站上传的实时信息，

评估每个 5G 基站的可调用状态。另一方面，与电力系统需求响应主站，上传聚
合后整个 5G 基站系统的调度可行域，作为电力系统决策的边界条件；接收电力
系统需求响应主站给出的调度信息，例如调度指令、价格信息等，并进行 5G 基
站系统的全局优化，确定每一个基站的响应行为，并通过通信网络将指令下发调

度指令。其中，在云端将所有基站的可调度信息进行聚合，形成整个 5G 基站系
统的调度可行域，是电力系统和通信系统有效互动的重要前提。在电力系统的优
化决策模型中，如果将颗粒度细化到每个 5G 基站，将会导致模型规模过大难以

·10·