移动通信网络的能源效率和可持续性(A 5G Americas white paper)学习-3（提高 RAN 能源效率的技术）

3.3 空间域节能技术

在空间域优化方面，5G 和 5G-Advanced 基站的演进代表着提高能源效率的重要一步。这些先进基站能够动态调整活动空间单元的数量，例如天线端口和天线单元，允许停用相关组件，例如发射单元、天线面板和逻辑天线端口。这种适应性不仅仅是一个特性，它是现代电信基础设施面向节能的一个重要方面。

5G NR 技术的核心是大规模 MIMO，这是一项备受赞誉的基础性创新，因为它能够提供卓越的频谱效率和广泛的覆盖范围。在大数据链路传输领域，大规模 MIMO 系统拥有丰富的空间元素，包括收发器链路、天线端口和物理天线单元。值得注意的是，每个空间元素都可以连接到一个或多个功率放大器，这些放大器共同消耗了整个基站约 70% 的功率。因此，在追求网络节能的过程中，基站能够明智地激活或停用特定空间元素变得至关重要。这种自适应能力在优化功耗的同时保持网络性能方面发挥着关键作用。调整这些空间元素的决定应该基于对诸如流量负载和用户无线电条件等因素的综合评估。

空间元素的适应精度对于确保用户体验的最小中断至关重要。例如，在高流量负载期间，建议激活所有可用空间元素以满足流量和 QoE 需求。相反，在低流量期间，只激活少数空间元素，尤其是靠近小区中心的有利位置的用户，这是一个谨慎的做法。

图 5 展示了分别在逻辑天线端口级和物理天线单元级两种不同的空间元素自适应实施方案。这种细致入微的节能方法标志着 5G 和 5G-Advanced 基站演进的变革性飞跃，增强了其可持续性，并加强了它们提供无缝、高性能电信服务的能力。

Figure 5: Spatial domain adaptation types(R1-2301505, Feb 2023)

类型 1 适配（逻辑天线端口级）

类型 2 适配（物理天线元件级）

3.4 功率域节能技术

功率放大器 (PA) 在接近其压缩或饱和点附近工作时，能效最高。然而，这种效率是以引入信号非线性失真为代价的，这可能会导致通信链路吞吐量下降。为了避免这个问题，通常将 PA 的工作点设置为远低于其压缩点，以保持 PA 响应线性。但这会导致更低的 PA 能效，需要更多的输入功率才能提供固定电平的射频输出功率。PA 压缩点和实际工作点之间的功率差值也称为“衰减”。

随着网络向更高载波频率发展，预计 PA 的功耗将增加，原因是使用更多的天线元件以及在更高频率下 PA 的效率较低。因此，开发优化 PA 效率和降低网络功耗的技术非常重要。特别是，这些技术应该减轻 PA 引入的非线性损害，使 PA 能够以更小的衰减工作。

3.4.1 数字预失真 (DPD) 技术

数字预失真 (DPD) 是一种已广泛用于提高 PA 能效的技术。DPD 通过预失真发送信号，使这种预失真和 PA 校正电路的综合影响产生线性信号。所需预失真函数通常由内部射频环回链学习，该链路将 PA 输出信号反馈回数字处理器。DPD 使 PA 更接近其饱和点工作，同时保持良好的线性度。

然而，随着基于多天线元件的波束成形系统的引入，DPD 的计算变得更加困难。接收器看到的非线性是由所有 PA 元件产生的复合失真，也可能受到 PA 之间交叉耦合失真影响。传统上为每个天线维护单独的反馈路径和 DPD 校正代价高昂，并且可能无法捕捉到互耦效应。

数字预失真 (DPD) 技术的原理

DPD 函数是一个非线性函数，它对发送信号进行预失真，使得 PA 校正电路的输出信号是线性的。DPD 函数的参数由内部射频环回链学习，该链路将 PA 输出信号反馈回数字处理器，以便不断更新和优化 DPD 函数。

3.4.2 改进的 DPD 技术

一种更合适的解决方案是使用空中训练，让接收器估计并反馈复合非线性。发射端的 DPD 功能按 MIMO 层计算，而不是按 Tx 天线计算。这种解决方案在功率和尺寸方面可以实现更便宜的 DPD 方案。

改进的 DPD 技术的原理

改进的 DPD 技术利用空中训练，让接收器估计并反馈复合非线性，即所有 PA 元件产生的非线性失真的总和。发射端的 DPD 函数按 MIMO 层计算，而不是按 Tx 天线计算，从而减少了反馈路径和 DPD 校正的数量和成本。接收端的非线性处理可以进一步缓解发射端 PA 的非线性，从而提高 PA 的功率效率。

此外，除了在发射端使用 DPD，还可以通过在接收端启用非线性处理来缓解发射端 PA 的非线性，从而提高 PA 的功率效率。但是，此类解决方案的总体复杂性仍然很高。

3.5 人工智能/机器学习在可持续发展中的关键推动作用

人工智能和机器学习在电信领域的应用正在发挥关键作用，提高网络基础设施的能源效率。正如爱立信2022年“打破能源曲线”报告所强调的，移动网络的能源消耗随着每一代技术的更新都在上升。这种趋势预计将持续下去，特别是随着5G的引入以及为支持新兴用例而增加站点密度的需求不断增长。因此，人工智能和机器学习技术的整合对于帮助电信行业实现净零排放目标和减少能源消耗至关重要。AI/ML工具用于网络节能的主要应用包括：

• 精确的网络规划: 人工智能/机器学习在提高网络设计和优化服务的能源效率方面发挥着关键作用。通过利用 AI/ML 模型，移动网络运营商 (MNO) 可以更深入地了解其网络和用户，从而能够精确地设计和部署网络资源。这确保了针对每个无线站点独特的需求量身定制节能解决方案，使网络部署优化与客户需求保持一致。

• 动态网络优化和能源管理: 网络优化服务对于提高能源效率至关重要。这些服务利用人工智能/机器学习驱动的预测和节能功能，在网络使用率较低期间做出实时决策，有效管理资源并减少能源消耗。AI/ML算法可以动态分配资源，例如RAN内的频段，以匹配实际需求，从而节省大量能源。鉴于RAN是移动网络中一个重要的能源消耗者，这些优化技术带来了显著的效益。

• 风险管理和洞察: 移动网络运营商有时会谨慎地激活节能功能，担心会对网络性能和客户体验产生潜在影响。然而，人工智能咨询服务为移动网络运营商提供了一个宝贵的机会，可以在不立即改变其运营网络的情况下彻底评估这些功能的影响。这是通过创建网络环境的数字孪生体并实施强化学习技术来实现的，使移动网络运营商能够发现优化能源效率的最有利设置。这种积极主动的方法不仅减轻了潜在风险，而且还增强了对人工智能驱动解决方案有效性的信心。

• 通过混合动力解决方案实现可持续发展: 人工智能/机器学习框架结合天气预报和电网信息等数据，在引入混合动力解决方案时优化能源效率。移动网络运营商可以确定何时使用电网、太阳能或风力发电，以及何时从可变电源充电或放电电池。这种优化确保网络能够以高效率满足预期的需求，从而产生潜在的成本节约，同时为可持续发展目标做出贡献。

• 可持续发展基准测试: 基准测试做法对于移动网络运营商评估其服务质量和可持续发展努力至关重要。人工智能技术超越了能源效率，为网络可持续性提供了额外的好处。基于使用真实网络数据的人工智能预测的虚拟驱动测试取代了涉及大量驾驶的手动基准测试做法，从而降低了成本、交通流量、排放和安全风险。人工智能/机器学习驱动的基准测试通过测量用户所在位置的网络性能，包括房屋、办公室和建筑物内部，提供了更准确和更具洞察力的结果。这不仅通过减少环境影响改善了可持续性，而且还提高了网络的整体效率和可靠性。

人工智能/机器学习在可持续发展中的关键推动作用

网络规划服务利用 AI/ML 模型，精确地设计和部署网络资源，以匹配实际需求。网络优化服务利用 AI/ML 驱动的预测和节能功能，动态管理资源并减少能源消耗。风险管理服务利用 AI/ML 驱动的数字孪生体和强化学习技术，评估和优化节能解决方案的影响。混合动力解决方案利用 AI/ML 框架，结合天气预报和电网信息等数据，优化能源效率。基准测试服务利用 AI/ML 技术，替代手动基准测试做法，降低成本、排放和安全风险，同时提高网络性能和可靠性。这些服务共同推动了网络的节能效果和可持续性。

如前所述，行业正在积极探讨利用AI/ML能力和算法，以增强跨网络规划和运营多个阶段的节能解决方案。此外，3GPP推动者正在积极参与，特别是专注于在AI/ML循环中实现数据和数据分析的无缝集成。这些推动者促进了AI/ML算法所需的必要信令。例如，这些数据可以作为预测小区负载和状态的输入，或者它可以提供有价值的反馈以完善预测。这反过来使得能够实施定制的节能措施，如流量卸载和动态激活休眠模式等策略。