小区总的用电负荷怎么计算「基于小区负荷系数的节假日无线网络容量预测」

通信世界网消息（CWW）每个节假日前后我国都会有大量人口的迁徙，尤其是传统春节，短期内大量人口的迁徙对移动通信网络的容量提出极大的挑战。另外，随着抖音、快手等短视频的崛起，无线流量呈爆发式增长。如何准确评估短期内不同区域的无线网络资源需求、如何确保短期内用户满意度保持稳定、如何降低无线运维成本是各大运营商亟需解决的问题。

容量及其资源需求与用户群体、时间段、区域等具有很强的关联性，容量需求具有非常大的随机性，这在一定程度上加大了无线网络容量资源需求预测的难度。

目前，容量预测主要有人工预测、统计学和人工智能等方法。人工预测主要是结合节前数据和经验进行评估，具有很大的不稳定性；统计学只结合历史数据，无法对网络资源、模型变化等作出实时判断；人工智能算法是将机器学习和深度学习算法用于无线容量的需求预测，这也是近年来该领域研究发展的方向。

考虑到各大运营商数据的保密性和网络资源更新的及时性，上述方法均存在以下不足：一是源数据不准确导致最终的预测结果与实际需求大相径庭；二是均未考虑不同频段的话务吸收特性，采用相同的算法会导致评估结果与实际需求不符；三是均未考虑5G分流，一定程度上造成资源评估需求大于实际需求；四是未考虑现网实际的硬件配置，无线网络资源是一个动态变化的过程，预测时需要综合考虑历史配置数据和现有的配置数据。

本文以现网基站、扇区配置、频带、带宽、节假日前后的真实历史话务统计数据为研究依据，通过大数据算法预测节假日小区级负荷系数，实现对全网无线容量资源需求的预估。通过近3年的节假日预测结果与最终小区实际所需资源进行对比，该预测算法准确率在92%左右，因此本文研究结果对各大运营商在节假日前及时优化无线网络资源并合理部署具有重要的参考价值。

评估方案策略研究

LTE无线基站设备采用“BBU+RRU”的组网形式，BBU为基带处理单元，放置在机房，RRU为射频单元，挂在通信铁塔或者电杆上，不同型号的RRU，支持不同的频段和载波数量。移动通信组织形式就是以基站为通信中心，通过BBU和RRU形式组网，RRU一般以120°为基准，按照0°、120°、240°三个方向挂在铁塔上，然后通过光纤连接天线进行信号的发射和接收。在RRU上配置的载波就形成这个覆盖方向上的小区，一般RRU上配置几块载波就是几个小区。同一个方向上的RRU，可能会由不同的频段组成。通常我们将同一个基站同方向上所有小区称为一个扇区，为了确保资源最大化利用，在日常容量评估中，需要将同一扇区下不同频段和带宽的小区看成一个整体进行研究。

为了实现资源配置有的放矢，本研究将所有的小区按照其覆盖区域进行场景分类，如高校、商场、机场、车站等，依据场景划分可计算出每个场景的系数。

高负荷小区定义

本研究采用中国移动通信集团定义的高负荷小区标准进行，不同制式以及带宽下的高负荷小区定义如下：小区满足有效RRC用户数达到门限、上行利用率达到门限、上行流量达到门限，或有效RRC用户数达到门限、下行利用率达到门限（PDSCH或PDCCH）、下行流量达到门限。

上述涉及的各数据取自连续7天忙时数据的算术平均值，即7天忙时数据（小区平均E-RAB流量、有数据传输的RRC数、利用率、上下行流量）=7天中每日忙时对应数据的算术平均值。

数据采集和分析

本文采集的数据为某移动公司真实的统计数据，主要包括无线性能数据和硬件资源配置数据。

4G的无线性能数据采集以自然周为统计粒度，采集对象为CGI、小区名称、基站名称、覆盖场景、制式、忙时上/下行流量、有效RRC连接最大数、峰值上下行最大利用率、大中小包等数据，统计时间为节假日前后一个自然周。

硬件资源配置数据采集主要包括RRU型号、通道、RRU配置、功率、方向角等数据，统计时间段为上一年节假日以及当前。

考虑到5G近两年才入网，因此本研究关于5G的无线性能统计数据只采集节假日前一个月的数据。

预测流程

预测流程的关键指标包括4G小区增幅系数、场景系数、5G小区分流系数，通过大中小包分类、有效RRC最大连接数、自忙时上行流量及下行流量预估小区负荷系数和小区所在扇区的负荷系数，最后计算出同扇区下各个小区预增的载波数量。

4G小区增幅系数预测

通过历史统计数据预测小区的增幅系数。首先是小区增幅系数预测，统计历史节假日前一个月的数据和历史节假日期间的数据，将两者进行对比，得到一个增幅系数。

其次是小区增幅系数的选择和修正，对某些特殊小区需要对计算出的小区负荷系数进行选择和修正。具体方式如下：历史节假日忙时利用率大于65%的小区需要对小区预测系数（主要是对上下行流量系数）进行选择，在预估系数中选取增幅最大的值；对于上个节假日到目前新增的小区，其小区增幅系数用场景系数进行修正；对于上个节假日流量增幅在10倍以上的小区使用场景系数进行修正。

再次是5G分流系数，统计同扇区下4G总流量和5G总流量，计算出5G分流比，最后在计算4G所需的负荷系数时，充分考虑5G分流情况，实现资源分配的有的放矢。

小区负荷系数预测

负荷系数预测主要是结合当前的话务统计情况以及同期历史话务增幅系数来预估节假日话务情况，从而得出小区的负荷系数，最终估算出每个小区需要扩容的载波数。

需要注意的是，为达到资源的最大利用率，需要考虑同扇区下不同小区之间的负荷均衡。在此，首先要按照不同制式和带宽下高负荷小区的定义来计算小区的负荷系数（有数据传输的RRC数和自忙时上/下行流量具体值由高负荷小区定义规定，不同制式、带宽以及大中小包，该值由不同的标准来定义），然后通过该算法可以得出每个小区的负荷系数，最终得出每个小区需增加的载波数量。

计算出各个小区负荷系数后，需要结合同扇区下所有小区系数进行二次评估，以避免资源的浪费。由于同扇区包含各种制式和带宽，因此需要对不同的频段和带宽按照表1进行有效载波数量换算，不同频段和贷款效载波换算关系如表1所示。

通过换算，得到每个扇区下最终要增加的载波数并分担到该扇区下的所有小区。预测结果输出通过将同扇区下负荷系数所需的硬件资源预测值与现网的配置进行比对，确定现有资源是否满足预测需求。如果满足需求且资源有闲置的，可调整其资源用于资源不足的地方；如果不满足需求，则纳入后续的优化流程中，解决的手段主要有参数优化、硬扩、软扩等。

效果验证

本算法已在某地市使用3年，完成大大小小几十次节假日保障，从保障效果来看，该算法预估准确率在90%以上。

春节是每年人口流动规模最大的节假日，也是各大运营商重点保障时段。某市近3年春节预测流量、高负荷小区预估与实际结果对比如表2所示，可以看出，流量预估准确度在98%左右。

某市近3年春节高负荷小区预估与实际值对比如表3所示，可以看出，高负荷小区预估的准确度在92%左右，预估的结果基本上满足实际容量需求。

本研究从无线资源优化的最小单位——小区出发，通过有效RRC最大连接用户数、流量、硬件配置等真实历史数据，对小区级别的负荷进行预估，提前实现无线网络资源的精准调整。

受限于目前的算法和工具，本文也存在一些不足，主要体现在：一是只考虑了同扇区，未考虑同覆盖方向上小区的资源需求，一定程度上会影响资源预估的准确性；二是未考虑用户个性化需求以及数据业务的多样性给无线网络资源评估带来的不确定性因素。

后续本研究可以在以下几个方面进行改进和优化：一是运用栅格化数据，通过对栅格化数据进行分析和处理，结合小区在每个栅格上上报的情况以及负荷情况来预估容量，从一定程度上保障预估的精确性；二是运用其他大数据，结合现有的M域、O域和B域数据进行分析和挖掘，实时掌握用户消费习惯、终端信息、流动轨迹等数据，并制订相应的预估方案；三是机器学习，通过机器学习和训练，一定程度上可以跟踪分析无线网络、用户的多样性和动态性，从而提升无线网络资源预估的准确性。频段带宽等效载波