世纪新能源网-新能源行业媒体领跑者,聚焦光伏、储能、世纪新能源网、氢能行业。
  • 微信客服微信客服
  • 微信公众号微信公众号

AI技术可助力5G基站储能削峰填谷

   2021-06-04 人民邮电报18920
核心提示:随着5G基站建设速度加快、开站数量上升,运营商OPEX支出已超过净利润,电费快速增长且占比高达26%左右,给运营商经营带来非常大
随着5G基站建设速度加快、开站数量上升,运营商OPEX支出已超过净利润,电费快速增长且占比高达26%左右,给运营商经营带来非常大的挑战和压力,急需新的技术和解决方案帮助运营商降低基站电费支出。

传统基站电池仅用于市电停电时的应急备电,没有成为基站资产经营的一种生产工具,造成运营商较大的储能设备沉默资产浪费。当前电力部门结合电网的负荷变化,将每天24小时划分为尖峰、高峰、平时、低谷等几个时段,对各时段分别制定不同的电价,来鼓励用户合理安排用电时间,削峰填谷,提高设备的利用效率并节约能源,保障电网的安全稳定运行,对于降低用电客户用电成本、优化供电电网供电结构有着重大的效益收益和社会收益。

5G基站电源及储能工况更为复杂

通信基站储能系统削峰填谷需要优先保障备电可靠性及电池资产安全性,这部分受到市电停电、负载波动、电池容量、电池新旧等多重因素影响。不同于2G/ 3G/4G时代,5G基站电源及储能工况更为复杂,主要体现在:

5G基站负载功率更大,负载波动影响更为剧烈,电池放电电流变化更大,削峰时电池放电开始时刻、放电停止时刻需要更为精准,不同站点电池的SOC和SOH不同,需要储能系统调度及时、动态按站响应,固定错峰模型下难以准确计算出批量站点的设置参数,一刀切的做法很容易导致部分站点异常宕站或收益不足。

按用户差异化供备电管理,浙江铁塔建站要求依照负载2G/3G/4G备电3小时、5G备电1小时配置电池容量,不同站点备电时长不统一、相同站点备电时长分梯次,需要智能化算法自动匹配站点削峰填谷策略。

存在大量的电池混搭,人工完成海量数据分析和测算成本太高且难以实现,给不出准确的固定错峰设置参数。

5G建站按需扩容,不同时期的基站电源容量、电池配置和负载大小会发生变化,需要应用数字化工具实时监测站点配置变化,智能化调整削峰填谷参数。

由此可见,在5G基站上直接应用统一固定削峰填谷可能会引起电池过放导致备电不足而产生宕站,或电池欠放导致收益不能最大化,或深度放电导致影响电池寿命和投资资产安全,统一固定模型无法做到节省电费收益最优、资产全生命周期综合收益最优。

5G基站由市电供电,通过直流电源实现交流转直流能源转换,由电池储能系统实现交流停电时电池备电,保障通信设备负载持续供电和业务持续运行。根据每天峰谷电价情况设置错峰用电参数,实现谷价使用外市电(电池储能)、峰价不使用外市电(电池放电)的功能,最终达到降低电费的目的。5G智能电源可利用现网具备循环能力的电池实现错峰用电,也可以在现网备电电池基础上叠加智能锂电实现错峰用电。

5G基站AI削峰填谷需要动态监测电网、负载和电池情况,进行持续数据训练及建模,实现站点能源综合寻优。现网站点动环监控单元检测数量足够,但是每小时上报一次数据实时性不够。5G智能电源可以实现站点数字化精细管理,数据处理能力强大,通信上报响应高达秒级,智能锂电BMS实现高精准度的SOC和SOH预测,这些构成AI削峰填谷站点单元的基本数字化要素。

站点单元数据上报给云端汇流形成数据湖,基于大数据持续训练出AI停电模型、AI负载模型和AI电池模型,支持基于历史数据离线仿真回测,促进迭代提升,支持用户配置一站一策、一时一策多种灵活的省电策略,构建AI动态推理能力。

AI削峰填谷原理及寻优策略


AI削峰填谷实现动态精准预测,需要满足以下条件——

过去的历史数据特征分析和建模,从站点单元的历史停电、负载和电池特征、基站属性中提取特征字,把网络中提取的特征字聚类分析,依照特性算法,构建出基础模型。

现在的站点单元数据快速响应和处理,当前站点单元上报数据和基础模型比对与计算,综合考虑加权因子,给出站点单元预测信息。

未来的变化及自学习迭代。基于时空预测算法,既有时间上的负载变化规律的学习,又有空间上站与站业务切换带来的负载变化的学习;在两个空间上的每个原始特征都会被衍生变换出更多高阶特征,帮助模型充分挖掘数据规律。

根据站点负载的不同和突变情况,在AI预测算法中加入数据突变的趋势检测和概念漂移(是否判断数据规律发生变化)特性张量,使负载变量场景可迅速响应跟随。

错峰过程曲线转折点是寻优算法(电费模型)自助优化决策的结果,无人工规则的干预。由寻优模型直接输出充放电时间和充放电量,电源、锂电联动并做异常保护逃生,达到可靠备电前提下的电费最小。

AI削峰填谷还需要分析和处理特殊场景情况。

在高速路口等负载强随机波动站点场景,能够实现较高的动态预测精度,试点测试负载预测精度平均误差为5.7%。

在福利院等负载波动较小站点场景,能够进一步提高负载预测精度,试点测试平均误差为1.1%。同时通过充放电策略寻优获得全局最优的充放电量和充放电位置,实现节能收益最大化和系统可靠性的平衡,自动选择间歇式放电,控制温升,利于电池寿命延长。

在商务楼宇等重要站点场景,电池备电安全系数要求较高,系统判断冗余备电时间不足,不做削峰填谷,优先确保供电可靠。

AI技术应用于5G基站削峰填谷,有利于站点备电可靠性的提升,配置简化,无须根据不同站点配置不同的备电深度,非人工进行充放电策略设计,并实现站点削峰填谷综合收益最大化。

AI技术试点应用及效果分析

AI削峰填谷节省基站电费


针对杭州13个局点选取不同的负载大小与电池容量站点,进行AI削峰填谷特性验证,每年平均收益1784元/站,平均收益比例为17.1%,经济效益明显。全部试点投入运营长达半年多时间,站点零起宕站事故,站点供备电可靠性得到有效保障。

实现电池精准配置预测

通过对现网站点的停电信息、风险因子等大数据分析(如交流停电、负载功率、电池容量配置等),结合电池容量和负载预测,判断站点的电池欠配或过配容量,对电池进行精准运维和电池配置的优化指导,在可靠供电的前提下实现电池精准配置。

有益于供电可用度提升

PAV(Power Availability,供电可用度)特性实现站点级、区域级能源动力可用度有效看护,及时发现超过基线的异常情况,挖掘TOP N问题站点,便于及时采取有效措施。通过对全网站点进行动力可用度看护,电池备电风险性分析,识别供电薄弱点,实现精准改造,提高维护效率。

智能化风险预警

通过对现网站点的实时告警及下级设备的状态进行智能化分析,快速识别站点风险,基于风险提醒运维提前预防或宕站预测的方式降低站点宕站率,指导运维精准下站。

总体分为两部分:预防性预警分析与风险性预警分析。

预防性风险分析:基于站点电源设备的告警、性能数据及配置信息,进行大数据分析,提前识别有隐患的站点,给出隐患的具体信息及处理建议,指导前瞻性的运维,提前消除隐患,避免宕站。如电池老化、电池单体高温等风险。

风险性预警分析:基于站点需要及时处理的风险,及时上报风险预警,给出智能化原因分析及处理建议,指导运维精准下站,如不及时处理会引发站点宕站的风险。如PSU输出能力不足、电池熔丝断、电池剩余备电时长不足、交流停电时长过长等。

宕站根因智能化分析

针对已宕站站点,根据告警与历史性能数据自动分析,远程识别站点宕站根因,免运维下站定位故障。

* *

以上简要分析和论证了AI技术在5G基站储能系统削峰填谷应用的原理和可行性方法,该研究可以有效解决固定错峰方案在5G演进中的不足,极大提升通信基站备电可靠性,最大化削峰填谷节电收益。

通信基站运用数字化和智能化技术,加强了站点综合能源调度管理,实现站点级、网络级能源利用率最优,打下智能运维基础。

在3060(二氧化碳排放力争2030年前达到峰值,力争2060年前实现碳中和)政策的驱动下,预计运营商会积极试点及推广AI技术在通信基站的应用。该研究在业务上为运营商降本增效和基站能源架构转型保驾护航,在行业内初步实践基站能源调度寻优理论,为更多领域实现能源信息化提供了重要的理论和技术支撑。 
 
标签: AI 5G 基站
反对 0举报 0 收藏 0 评论 0
 
更多>同类资讯
2024全球光伏品牌100强榜单全面开启【申报入口】 2024第四届中国高比例风光新能源电力 发展研讨会
推荐图文
推荐资讯
点击排行
 
Baidu
map