前言：中文期刊网精心挑选了通信电源节能技术范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
通信电源节能技术范文1
1．1移动通信机房能耗状况分析
从整体看，移动通信公司的能耗包括:电耗、油耗和耗材，而电耗为其主要能耗，约占总能耗的80%以上，因此，移动通信公司的节能主要是指节约电能。移动通信公司的电能消耗大体包括:日常行政办公用电和通信网络运营用电两部分。日常行政办公用电占总用电的比重很小，这部分的节能工作主要靠加强日常行政管理实现，而通信网络运营用电的节能减排技术将是重点研究对象［1，2］。通信网络运营用电主要集中在通信机房内，通信机房中的电能消耗主要分为两部分:通信设备用电和机房环境用电。通信设备用电是指通信机房的主设备和配套电源等设备的用电，通常机房主设备包括:交换设备、数据设备、无线设备和传输设备等;配套设备主要指通信电源设备和蓄电池;机房环境用电主要包括:机房空调、机房照明和机房监控等用电。从大量实际工程数据粗略统计结果可知，在通信机房的总用电中，通信主设备用电约占45%，配套电源设备用电占8%，机房空调用电约占40%，而机房照明、机房监控等其他用电约占7%，具体能耗分布如图1所示［3］。从图1中可看出，机房设备用电和空调用电占总用电的90%以上，因此，笔者将重点研究通信机房设备和空调的节能减排技术应用。
1．2移动通信机房能耗状况存在的问题
目前，移动通信机房还存在相当数量技术陈旧、能耗高的通信设备，并且由于网络结构的不合理，导致网络结构复杂，网络层级较多，网元节点过多，增加了网络设备的能耗;同时还存在相当数量的通信电源设备缺少智能化控制功能，部分电源设备技术落后，供电效率很低，增加了供电系统的能耗。另外，很多通信机房的制冷方式还是基于先冷环境，再冷设备的方式，通信机房内的机架排列及送风制冷方式不合理，导致机房空调制冷效率低，增加了空调系统的能耗;同时，很多无线基站机房的空调系统也没有智能监控系统，为使基站机房中通信设备能正常工作，保持机房标准的环境温度，需要将空调长期处于开机工作状态，产生了大量的不必要的能源浪费。因此，在通信机房中采用先进的节能技术，是移动通信公司节能减排的必然选择。
2节能减排技术在移动通信机房中的应用
移动通信公司的通信机房大体分为两类:通信枢纽机房和无线基站机房。通信枢纽机房面积较大，机房内设备较多，产生的能耗也很大;单个无线基站机房面积较小，一般不超过20m2，机房设备不多，相比枢纽机房的能耗也较小，但移动无线基站数量庞大。截止目前，中国移动无线基站总数量已达40万个，因此无线基站总耗电量巨大，据粗略统计其耗电量约占通信网总耗电的70%以上。以下将分别讨论节能减排技术在这两类机房中的应用。
2．1节能减排技术在移动通信枢纽机房的应用
移动通信枢纽是移动网络的核心和汇聚中心，其通信设备较多，能耗较大。移动通信枢纽机房的主要能耗包括:通信主设备、配套电源设备和空调设备的能耗。因此，移动通信枢纽机房的节能减排主要是机房通信设备和空调的节能减排。
2．1．1移动通信枢纽机房主设备的节能减排技术应用
移动通信枢纽机房内的主设备是根据网络建设的需要依不同项目分期分批建设安装的，目前在网设备新旧交错，能耗指标也参差不齐。因此，移动公司枢纽机房主设备节能减排的技术应用主要从以下几方面考虑。1)对于早期安装的通信设备，在条件允许情况下，通过更换或采用技术改造等方式，淘汰高能耗、低效率的设备，合理调整用电负荷，以达到节能效果。2)对于新增设备，要选择高集成度、低能耗、采用节能技术的通信设备，将设备能耗指标纳入到设备选型的指标范畴。3)在通信网络设计中，应合理组织、优化网络结构，推进通信网络的IP化进程。通过IP化可简化网络结构，减少网元数量，节省设备资源，减少设备能耗，以达到节能减排的目的。4)提高机房内通信设备利用率，尽可能利用现有通信设备资源满足网络运行需求，以避免大量设备低负载运行，浪费电能。
2．1．2移动通信枢纽机房配套电源的节能减排技术应用
移动通信枢纽机房的配套电源设备主要包括:高低压配电、备用电源、UPS(UninterruptiblePowerSystem)和直流电源等。对于配套电源设备的节能，主要应关注以下两方面。1)合理的设备选型和容量配置以及设计安全、可靠、高效率的电源系统是通信电源设备节能的关键。首先，在通信电源设计中，应尽量减少供电环节，避免增加不必要的供电环节，减少由于供电环节过多造成的能耗;其次，合理设计导线路由，使供电系统尽可能靠近负荷中心，减少供电距离，缩短电缆长度，降低电能损耗;另外，合理设计供电方式，根据用电负荷的大小和机房实际情况，通过科学计算，灵活选用集中或分散方式供电，以达到节能降耗的目的。2)除要关注通信电源设备在设计和设备选型阶段的节能外，还应关注通信电源在运营过程中的节能，提倡合理的节能运行方式。在实际运营中，应根据通信机房内实际工作负荷情况，在保证安全的前提下，合理调整电源的工作模块。一般情况下，通信枢纽机房电源设计容量都是按满足一定时期主设备负载并考虑一定的冗余。因此，在机房使用初期，机房内设备较少，用电负荷远未达到设计容量，这个阶段可采用人工方式关断多余的电源模块，以提高电源模块工作效率;另外，要根据机房内设备重要等级，确定不同等级的保护方式，以减少电源的冗余度，达到节能降耗的目的［4］。
2．1．3移动通信枢纽机房空调的节能减排技术应用
通信机房的主要能耗是通信设备和空调，通信设备是机房运行的主体，其能耗指标由设备型号决定。在正常情况下，尤其是枢纽机房的设备，其节能潜力有限，而空调能耗占机房能耗的40%左右，其节能潜力巨大。因此，移动枢纽机房空调设备的节能应是重点关注的。通信枢纽机房空调设备的节能主要包括:机房空调设备本身的节能和机房空调环境的节能。
1)机房空调设备的节能。空调设备节能主要是采用节能技术的空调，如变频节能空调，它既可降低开关损耗，又可提高低频运转时的能效，该技术已经很成熟，并得到广泛应用。另外，通过对机房专用空调进行自适应控制技术，以达到节能效果。其实现方式是通过自动计算机房不同的工作条件、空调冷量分布环境等综合数据，动态跟踪计算空调外部环境的温湿度，精确控制空调送风量，使空调始终处于最合理的工作状态，优化冷量的利用效果，提高空调使用效果，达到节能减排的目的［5］。
2)机房空调环境的节能。机房空调环境节能主要是指通过合理布置机房内的空调机组、风路及设备机柜排列，形成机房内有组织的气流流向和流量，实现精确、高效的送风方式，以节省空调机组的用电量。在设计机房内气流组织时，首先遇到的是送风方式的问题，通常机房空调送风方式分为两种:上送风和下送风，上送风方式是上送风侧回风，一般采用射流+弥漫方式送风，这种方式气流组织比较混乱，冷却效果不好，即使采取一些补救措施，存在问题仍然较多;下送风方式是下面送风侧面集中回风的送风方式，从气流热压原理以及大量实际工作和运营经验证明，下送风方式更为合理。其次是机柜排列问题，在早期，为保持机房内的设备美观、整洁和维护方便，机房内每列机柜都是朝一个方向排列的。而通信机柜内的散热部分主要在机柜背面，空调送入的冷风从机柜正面进入，在机柜内经过冷热交换，带走热量，热风从机柜的背面吐出，因此，机柜朝一个方向排列方式容易造成前排机柜吐出的热风被后排机柜从正面吸入，这样后排机柜进风温度会明显高于前排，使机房内温度分布不均衡。要保证设备处于良好的工作温度，就会使机房总体制冷增加，增加了多余能耗。为此，从节能及合理的气流组织角度考虑，相邻两排机柜采用“面对面”和“背靠背”的方式排列更为合理，具体机柜排列与气流组织如图2所示。由于通信设备都是采用正面进冷风、背面出热风的交换方式，因此，这种机柜排列方式可以很自然地形成冷热风道隔离，避免了不必要的冷热交换，可大幅提高空调系统的制冷效率，减少空调耗电。因此，对于新机房建议采用下送风方式和机柜“面对面”和“背靠背”的排列方式，以便合理组织气流。由于早期节能观念不强，因此机房建设时大多采用上送风方式，机柜也是按一个朝向排列，对于这种情况的机房，应视具体实际情况，进行适当改造。如有条件可加装风管、风帽及冷热空气隔离挡板，以使冷热空气相互隔离，做到对通信设备的精确送风，并能在一定程度上起到节能的效果［6-10］。
2．2节能减排技术在移动无线基站机房的应用
通信基站一般由无线主设备、配套电源设备、传输设备、数据设备和空调设备等组成。由实际工程和运营调查的大量数据可知，通信基站中无线主设备耗电量约占基站机房总能耗的42%～46%，空调耗电量约占基站机房总能耗的45%～48%，配套电源占总能耗的7%～9%，照明、监控等其余部分约占总能耗的2%～3%。因此，通信基站的节能应重点关注无线主设备和空调及电源的节能技术［11］。
2．2．1通信无线基站机房主设备的节能减排技术应用
通信基站无线主设备的主要节能技术有3种:分布式基站组网技术、载频智能关断技术和多密度载频技术。分布式基站组网模式最初源自于第三代移动通信中的“BBU(BuildingBasebandUnit)+RRU(RemoteRadioUnit)”的组网模式，它将传统的无线基站分为BBU基带和RRU射频模块两部分，利用光纤替代传统的射频馈线，将射频模块RRU部分拉远，这种模式减少了射频馈线导致的损耗。同时，因RRU一般都不需要新建机房，因此，采用分布式基站组网技术，可达到节能减排的目的。一般情况下，无线基站的载频配置都是按满足实际测试的忙时话务量考虑的，而实际上无线基站的业务量在时域上是不均衡的。在业务量小时，载频利用率会降低，载频智能关断技术正是针对话务量的这一特点设计的。当话务量小时，适当关闭部分载频、时隙甚至是信道与板卡，以提高载频利用率，节约电能。多密度载频是在一块单板上集成多个载频收发信机，共用基带、射频、功放和电源单元，相对于单载频和双载频，其能耗更低［12］。
2．2．2移动无线基站机房配套电源的节能减排技术应用
移动基站电源节能技术主要包括开关电源整流模块休眠技术和蓄电池恒温箱技术。通常移动基站电源容量是按无线主设备负载和蓄电池平均充电电流进行配置的，受蓄电池充电电流的制约，通信电源整流模块设置的冗余很大。正常情况下负载率不高，而清晨和晚间时段业务量小时，负载率会更低，使电源模块的使用效率降低。因此，根据基站通信电源的这一特点，通过监控模块实时控制冗余电源模块进行休眠，自动对冗余电源模块进行软关断或开启，减少电源模块的空载损耗，降低不必要的电源模块能耗，节约电能，提高电源运行效率。移动基站蓄电池对环境温度要求较高，当温度降低时，蓄电池容量会减少。例如，通过实际测试数据表明，当蓄电池温度从25℃降到0℃时，蓄电池的容量就会下降到额定容量的80%左右。当温度过低，还会对蓄电池的使用寿命产生严重影响，而温度过高也会使蓄电池的使用寿命受到影响。因此，采用专用蓄电池恒温箱，降低蓄电池的温度，而不是把整个机房的温度都降低，同样也可以达到节能的效果。
2．2．3移动无线基站机房空调的节能减排技术应用
移动基站机房面积都不大，大多不超过20m2，机房内设备不多，产生热源主要是无线主设备，其业务量在时域上也不均衡。因此，散发的热量在时域上也不均衡，并且机房外部温度环境随着季节和时间的不同，变化也很大。传统的制冷方式为保持机房内的温度，空调机要长时间工作，产生大量的多余冷量，造成大量不必要的能耗，因此，基站空调节能潜力很大。当前基站空调节能采用的新技术为基站一体化空调节能系统，其模型如图3所示。该系统由中央空调控制器、进风机、出风机、温湿度传感器等4部分组成。进风机、出风机组成通风系统，中央空调控制器和温湿度传感器组成控制系统，用于测试室内外温湿度，并判断控制通风系统和空调机的工作状态。采用基站一体化空调节能系统，可充分利用基站机房室内外温湿度环境。当室外温度低于室内，通过引入室外大量冷空气，对室内自然降温，同时，排出机房内热空气。依靠大量的空气流通，实现机房内散热，以低功率的通风系统替代高功率的空调机，达到节省电能的目的。同时，系统也减少了空调的工作时间，延长了空调的使用寿命。实践证明，此种节能方式在实际工程中效果相当明显［13-17］。
3结语
通信电源节能技术范文2
关键词：基站；开关电源模块休眠技术；节能降耗
前言
目前，国家的经济在向节能降耗的方向稳步迈进，通信企业是我国经济重要的组成成员，肩负的节能降耗的责任与义务，同时，也是提高企业经济效益的需要，现如今，与通信设备有关的开关电源采用的是直流的方式供电，为了提高相关电源系统的稳健性与可靠性，采用整流模块冗余的配置方式，将其应用在开关电源系统中，然而，在实际的开关电源使用中对于蓄电池的使用并没有达到其额定的充电容量，导致很长的时间段内，整个整流模块的使用率较低，诚然，导致了很多电能源的浪费，另一个方面，相关的电源生产商在积极的研发相关的技术来提高电池的使用效率，进一步强调节能环保，不断的优化开关电源的内部结构，使其转换的效率进一步得到提高。与此同时，基站开关电源模块休眠技术是一种崭新的技术，其越来越广泛的应用，极大的提高了开关电源的使用及转换效率，降低了通信电源的耗能。
1 基站开关电源休眠技术原理
基站的开关电源整流模块的耗损主要有如下部分，即空载耗损、输出耗损以及带载耗损，根据相关的通信电源设备在不同的负载下一般具有不同的工作效率，一般条件下随着负载的增大开关电源设备的效率有上升的趋势。同时，在一般情况下，当整流模块工作效率达到比较高的水平，是开关电源的负载率达到40-80%范围时，另一方面，对开关电源的负载率进行提高，并且对整流模块的实际的工作数量进行减少，这样，可以降低空载的耗能，从而实现节能的目的，基站开关电源模块休眠技术依据负载的电流的大小，并且与电源系统匹配的实际的模块的容量与数量进行比较，利用智能化的相关技术，实现对整流模块的实际的使用数量进行自动化的调节，使得有一部分的电源模块处于未工作的状态，即休眠状态，同时，自动调整整流模块的负载率，使其能够达到最佳的工作负载率，最终，实现降低电源系统的空载消耗与有载的耗损，达到节能的目的。在休眠节能的模式中，模块的主电路处于未工作状态，但控制电路在工作，整个电源系统处于待机状态，当系统出现有关的异常情况时，相关的休眠模块立即进入工作状态。其次，可以根据实际的负载情况，动态的调整整流模块的数量，当负载增加到一定的程度时，可实现对休眠模块的自动唤醒，保证整个开关电源系统运行的可靠性，同时，利用相关的控制软件来实现对各个模块的休眠次序与时间进行调节，使得电源模块系统的工作处于均衡状态，因此，对各个模块的使用寿命实现了适当的延长。最后，为了进一步的提高开关电源模块的稳健性与可靠性，可采取相关的安全保护措施，防止系统在异常的情况下产生失效，其有关的安全保护措施有：当开关电源系统处于电池均充，控制器失效，模块出现故障等情况时，应该立即将模块的休眠功能关闭；当相关的异常排除以后，在开启开关电源的模块休眠功能。通过这些措施，能够有效的保护开关电源系统，使其可靠的运行。
2 实施的效果分析
国内三大电信运营商中的几万个站点中的通信电源系统模块，在东莞铭普的改造下，实现了模块的休眠功能，改造后的休眠模块技术的实际使用效果，达到了预期的目的，相关的数据如表1与2所示：
从表1中可以得出，当负载率低于40%时，相关的基站的站点具有良好的改造前景，同时，在改造后也能够产生良好的实施效果。表2显示的为现有电源设备负载率的分布。
从表3中可以看出，现有的通信电源相关设备网络，其负载率在40%以上只占到了27%，表明现有的通信设备的负载率低下，存在严重的资源浪费，但也存在了较大的改造的空间。目前，三大运营商积极的实施相关基站站点的改造，有效的降低了能耗，带来了丰厚的社会与经济效益[1]。
移动公司对其运营的两个基站进行了相关的开关电源休眠节能测试，在其他的可控的因素相同的条件下，通过对比改造前后的相关数据，判断其节能的效果，整流模块型号为：DMER048-50010H，开关电源型号：MER048-6013Y，其中，在测试中，一个基站（基站1）采用的两组500AH的后备电池组，基站的负载为15A，配置了6个整流模块；另一个（基站2）采用了两组500AH后备电池组，基站的负载电流为14A，配置了6个整流模块。在实际的检验过程中，过程进行的顺利，没有出现相关的运行设备异常的情况，相关的检测人员采集了必要的参数，在测试开关电源模块休眠功能的有关安全保护性能时，当出现模块故障、停电以及蓄电池充放电等异常是，可以临时的关闭基站的开关电源的休眠功能，进而保证了电源系统的安全性，实验后，对两个基站的节能情况进行分析，在两个基站配置6个整流模块时，在工作的模块数相同的条件下，其负载率与节电率之间的关系为：随着工作的休眠模块数越多、负载率相应增大、负载电流相应增大时，节电率与节电量呈现下降的趋势。当两个基站的负载电流保持相同并且负载电流保持在15A时，随着开启模块数量的增加同时休眠的模块数量越来越多，其结果为节电率与节电量逐渐的增加。与其同时，系统的总输入功率增加，系统此时的节电量的增加是系统的无效耗能上升而导致的，因此，需要考虑整流模块适当的冗余设置，但是不能盲目设置，应结合实际情况而定。其次，对比改造前后零线的电流情况：当休眠模块的工作数量为3个，负载电流为75A时，此时零线的电流呈现下降的趋势，否则零线电流会呈现上升的趋势，其原因为：整流模块的单相供电而导致三相不平衡，然而，三相供电模式的整流模块没有收到明显的影响，当系统的零线电流增大时会产生一些消极的影响，但当零线的电流增加的幅度不大时，此时，产生的消极影响可忽略不计[2]。最后，在对两个基站的测试后，对其产生的经济效益进行分析，在改造时，其基站开关电源模块的休眠技术的成本在1000元上下，对相关的数据进行计算分析，得出，当基站的负载电流高于100A时，节能的效果不明显，当负载的电流低于100A可以考虑使用基站开关模块休眠技术，同时，各个模块构成了具有一定联系的系统，当各个模块协同工作，可以适当的降低各个模块的工作时间，这样能够有效的提高各个模块的使用寿命，同时，降低了相关人员的维护与修理的成本以及空载耗能，进而，进一步的提高了企业的经济效益。总之，相关的通信企业应根据自身的实际情况，考虑实施基站开关电源休眠节能技术，从而，实现通信企业的可持续发展。
3 结束语
基站开关电源模块休眠技术的应用对于通信企业来说具有重要的现实意义，其可以有效的实现节能降耗，进而给通信企业带来了实实在在的经济利益，通信企业应根据自身的实际情况，认真研究与实施基站开关电源模块休眠技术，从而，为国家时间节能减排的发展目标作出自己应有的贡献。
参考文献
通信电源节能技术范文3
节能 环保 爱地球
上世纪末,随着中国资本市场和技术生产要素逐渐从珠三角向长三角地区转移,继东莞之后,台达在吴江建立了在中国大陆的第二个生产基地。
经过10年的发展,吴江厂已经发展成为占地21.4万平方米、拥有9个分厂、年产值达数亿美元的大型研发和制造基地。台达的大多数产品都已在吴江生产,包括电源、风扇、机电、视讯等产品,而太阳能光伏逆变器、电子纸、LED高清投影机、LED Wall及触控屏幕模块等新兴产品也会陆续在吴江生产。台达在创业初期就定下了“环保、节能、爱地球”的经营理念,并且希望通过在电力电子产业领域的耕耘以及对先进节能技术的研发,为用户提供更为洁净、更具效率的能源方案,从而降低对地球资源的耗用,减少对生活环境的污染。
台达是这样说的,也是这样做的。台达研发生产的通信电源转换器的转换效率已经达到98%。台达与合作伙伴一起推出了显像材料和技术都更上一层楼的电子纸产品。台达还推出了集装箱式的数据中心解决方案。为了减少运输工具的能耗,台达大力投入研发各种电动车、混合动力车的环保高能量密度电池与马达、控制系统。
节能环保从点滴做起
中国台湾省高雄世界运动会体育场是全球太阳能发电量最大的体育场,共使用8844块太阳能板,全年可发电114万度,相当于减少了660吨二氧化碳的排放量。这套太阳能发电系统就是台达承建的。
台达每年将总营收的5%用于研发,在全球拥有44个研发中心。台达的产品研发始终以环保节能与降低碳排放为核心。从产品设计上看,台达已经把所有电源产品的效率提高到92%甚至更高;从产品制造环节上看,台达吴江厂很早就已经采用了无铅制程等众多环保工艺;从再生能源产品上看,台达积极致力于风能、光能等产品的研发和推广应用。台达子公司中达电通股份有限公司网络动力事业部总经理李思贤表示:“将绿色环保转变成真正的商机是台达一直努力的方向。虽然从目前情况看,多数公司在绿色环保上的努力还没有对营业收入的增加起到明显作用,但是不可否认,绿色环保是大势所趋,台达必须抢占先机。”
在台达的绿色动力展车上,台达高压直流供电解决方案吸引了众多参观者的注意力。李思贤表示:“直流供电解决方案是未来的发展趋势。目前,电信运营商等大型用户已经普遍采用了直流供电解决方案。台达目前可以提供240V～400V的直流供电解决方案。”
与采用交流供电方式的UPS相比,直流供电系统的实现方式更简单,不仅效率更高,而且更节能环保。直流供电系统的成本通常只有UPS的1/3。从目前情况看,直流供电系统大多是针对用户的特殊需求进行定制的。
上世纪90年代初,台达就开始进行节能环保UPS技术的开发和产品的更新换代。以UPS为例,台达在UPS技术方面的专利每年平均超过10个。台达根据客户的需求不断推出节能环保的新型产品。
例如,台达2009年推出的HIFT UPS采用模块化架构,系统可冗余,能够实现在线热插拔和动态扩容,为用户节省大量资金和降低能源消耗。HIFT UPS具有很高的整机效率。当负载降至30%时,HIFT UPS的效率仍可超过94%,从而大大减少了系统的能耗。
随着数据和应用的集中,数据中心机房对绿色UPS的需求日益增加。李思贤表示,台达将把绿色环保理念扩展到机房一体化产品领域,适时推出用于下一代数据中心的整体解决方案。
台达品牌元年
以前,台达的业务模式以ODM为主,主要为少数大客户提供大批量的产品定制服务。经过几十年的发展,台达在产品制造和质量控制等方面已经拥有非常丰富的经验。为实现企业的可持续发展,台达需要不断拓宽产品线,发掘更多的行业用户。因此,台达决定将2010年定为企业的品牌元年,着力打造绿色节能方案提供商的企业品牌形象。
李思贤表示:“目前,从收入来看,台达的ODM业务和自有品牌业务各占50%。未来,台达希望进一步增加自有品牌的业务量。从产品线来看,机电、通信电源和UPS将成为台达的三大核心支柱。”
厂庆的当天,台达投资600多万美元兴建的吴江科研中心正式揭幕。在过去10年中,台达吴江厂区陆续建成了物性失效分析实验室、焊锡技术实验室、精密量测实验室等10个专业实验室,拥有近百名专业研发人员。由于专业实验室和相关技术人员不断增加,原有的实验室大楼已经不敷使用。考虑到未来的发展,台达决定建立新的科研中心,除了将原有的专业实验室纳入进来以外,各事业群的研发单位也集中到新的科研中心大楼里。李思贤介绍说:“科研中心预计将有1200位实验室专业人员和产品研发人员。他们将致力于基础研究工作。科研中心将成为台达全球研发体系中的重要一环。”
台达倡导的绿色环保理念被应用到科研中心大楼的建设过程中。科研中心大楼采用绿色建筑施工工艺,包括Low-e玻璃、地道风、中央雨水集中生态池、渗漏式停车场地砖等。
李思贤表示:“台达已经从一个单纯的IT产品电源供应商转变为ET(Energy Tech)解决方案供应商。虽然目前UPS等电源产品在台达的业务中占有很大的比重,但是台达的长远目标是为用户提供整合的解决方案,包括UPS、机柜、智能配电、系统监控等。这是一个渐进的过程。台达还要与服务器等IT设备厂商、系统集成商合作,为用户提供整合的数据中心解决方案。”
通信电源节能技术范文4
关键词：IDC机房；节能减排；技术应用；局部热岛；精确送风
Abstract: In recent years, with the rapid development of IDC, with a processing capacity of the server is more and more strong, network equipment and storage equipment is more and more large capacity, more electrical energy consumption, electricity costs in the enterprise more on the rise. In order to make the enterprise electricity cost is reduced and the realization of energy-saving emission reduction, so we must use IDC machine room energy-saving emission reduction technology.
Key words: IDC room; energy saving; application of technology; local heat island; precise air
中图分类号:S210.4文献标识码：A 文章编号：
1 概述
IDC业务属于中国电信重要转型业务之一，近几年发展迅速，规模越来越大，消耗的电能、空调冷量也越来越多。数据中心机房能源需求和能源成本急剧增大，也引起政府与业界的普遍关注。为此，在保障系统设备及客户信息数据安全的前提下，如何提高数据中心机房的管理水平、提高电能利用率、消除机房过热的问题，是许多数据中心面临的严峻挑战。
在此背景下，响应集团及国家节能减排的号召，从2008年至2010年，广东电信分别对IDC机房采用的部分重点空调、电源节能减排技术进行了初步探索 ，如下表所示:
下面将从上表中重点选择一种IDC机房节能减排技术——上送风机房机柜精确送风系统，并对其实际应用情况和节能效果进行详细介绍。
2 上送风机房机柜精确送风节能技术应用
中国电信作为大型电信运营商企业，IDC机房空调的能耗占整个电信机房能耗45％左右，并且原有的大多数IDC机房采用上送风空调系统，空调制冷效率较低，耗能严重。通过对IDC机房内的机柜采用精确送风的制冷模式，将空调冷风直接输送到每个机柜内，使得气流组织更合理，可以提高空调的制冷效率，达到节能减排的目的。
2.1 节能技术特点-先冷却设备后降室温
采用精确送风技术将从空调出来的冷空气直接送到机柜内需要冷却的位置，进入机柜内的冷风温度较低，先直接作用冷却机柜的设备，可以利用较大的温差带走设备热源的热量，提高热交换的效率，将温度相对较高的冷风排到机房中。这时机房环境温度会比采用普通上送风方式下的环境温度高，但机房的环境温度不会对通信设备的冷却有任何影响。
因此，精确送风技术特点是先冷却设备后降室温。
2.2 实际应用
针对上送风空调系统，对机房电能耗高、局部发热严重的广东某IDC机房四楼设备采用了上送风机房机柜精确送风节能减排技术。
下面首先分析IDC机房电能耗高、局部发热严重的原因，然后采取相应的措施，通过实施机柜精确送风节能技术，完成IDC上送风机房机柜精确送风节能减排改造。
2.2.1首先找出电耗高、局部发热严重的主要原因
2.2.2 采取措施
通过上述原因，对不合格项采取针对措施：
2.2.3 实施：
（1）对原有机柜进行送风通道的改造。2楼~4楼共对339个机柜门进行了改造，将原机柜前门改为门式送风器，增加密闭储风结构的送风通道,门式送风器内侧可以附加贴隔热棉，减少热交换损耗。通过门式送风器连接全封闭的冷风进风通道，直接将气送到设备的进风口。
（2）对原有送风管道进行改造。包括改造原有1级风管；增加2级风管和3级风管。1级风管：上送风机房原有的主风管，在1级风管中，通常每隔2至3米设一个风口。2级风管：一端连接1级风管，另1端连接3级风管的一段中间连接风管。3级风管：每个机柜顶部配置与2级风管连接的1段风管。
2.3 节能效果评估
2.3.1 测试
第一步：安装电表测试空调用电。
第二步：采用红外热成像仪测试机柜改造前后的温度分状态，一般情况下，改造前，服务器前门温度入风温度25~27度，这时测试出风温度的分布状态。精确送风改造后，服务器前门温度入风温度13~15度左右。
第三步：再测试出风温度的分布状态。从出风温度的不同可以得出前后两种制冷效果的不同。
机柜改造前，从服务器背面热成像图2-1可以看出，几个机柜的平均出风温度在36度以上，局部热点温度在47度以上，温度有12度~21度的上升幅度。由于外界冷空气是自然流入或服务器自带的风扇吸入，冷风流量小，无法控制送风量，容易形成局部热空气重新吸入服务器的现象，所以，机柜容易形成局部热岛现象。只能依靠增加空调数量、耗费电能、产生较低的室内空气温度来控制局部热岛现象的产生。
机柜经过精确送风改造后，从服务器背面热成像图可以看出，几个机柜的平均出风温度在30度左右，局部热点温度在40度以下，温度有15~17度的上升幅度，每个机柜的温升比较均匀。由于每个机柜可以精确控制送风量的大小，可以很方便的根据设备发热量进行控制，能够有效的防止机柜热岛现象的产生。
2.3.2节能减排效果
测试结果如下表所示：
从上表可见，通过对IDC机房进行精确送风系统改造，能够达到一定的节能减排效果，并且产生一定的经济效益。
2.3.3安全性
由于采用精确送风技术后，IDC 机房中制冷空气的气流组织比较合理，通过精确分配冷量，对于机房内部局部过热的位置可以通过调节风量来加强冷却，有效地消除机房内的局部热岛，提高设备运行的安全性。
通过调节风量消除局部热岛的计算方法如下：一般情况下，传统的上送风机房电信设备机柜发热量是4kVA=3.2kW/架以下。举例以机柜的发热量为3.2kW来计算送风管的送风量。假设送风温度13℃，出风温度28℃，有15℃的温差。
计算公式：Q=G×1.01×T=ρ×V×1.01×T
式中：Q——总显热（假设负载的耗电量90%转化为热量）
G——空气流量，kg/s；V——为系统风量，m3/s；ρ——为干空气密度，1.185kg/m3
系数1.01为干空气的定压比热，kJ/kg.K。
V=Q/(ρ×T×1.01)=3.2×0.9/(1.185×15×1.01)=0.160421m3/s
一般送风管可以有两种形式：梯形及圆形：
梯形面积约为：S=(0.35+0.2) ×0.15/2=0.04125m2
圆形面积约为：S=3.1415 ×0.08^2=0.0201056m2
送风风速：梯形v= 0.160421/0.04125=3.89m/s；
圆形v=0.160421/0.0201056=7.98m/s
由此可见，采用全封闭冷风机柜精确送风时，送风截面积、送风温度一般情况不变，只要改变冷空气的送风风速，就可以满足不同发热量的机柜的散热要求。达到精确控制、精确消除“机房热岛”现象的目的，同时也可以达到少开空调、节约电能的目的。
2.3.4节能技术应用适用范围和建议
在IDC机房采用精确送风系统节能减排技术能够有效地解决了IDC机房不超过8kVA大功率机柜引起的局部过热的难点，提高了制冷效率，降低空调负荷，产生良好的节能效益。
但是，通过在IDC机房的实际应用也发现了该节能技术应
用范围的局限性如下：
（1）上送风机房精确送风系统节能减排技术适用在IDC机柜平均功耗在4kVA/每柜的范围内，如果超过8kVA/每柜，就需要采用其它节能减排技术—大功率服务器机柜制冷节能技术。
（2）上送风机房精确送风系统节能减排技术比较适用于已有的上送风机房空调条件好、机柜间距合适的情况。比如，由于空调压力不够，可能造成机柜节能效果不佳或存在设备宕机的危险。如果机柜间距较小，可能导致机房环境温度较高，人在机房里面工作将感觉到非常的不舒服。改造的2层和4层IDC机房由于机柜间距比较合理，改造后IDC机房温度保持在规定的正常范围之内，而3层IDC机房由于机柜之间的间距只有800mm，机房的温度较高，尽管设备温度保持在正常工作范围之内，但是，人呆在该层IDC机房中能够感觉温度有点不适。
建议：对于新建的IDC机房建议采用下送风空调，同时，采用专用的下送风机柜，以使IDC机房空调达到最佳运行效果，实现IDC机房节能减排和保证通信设备安全性的最终目的。
3 结语
从上面的分析可见，在IDC机房中采用上送风机房精确送风系统节能减排技术，兼顾了“节能减排”和“安全性”的要求，节能效果明显。当然，IDC机房节能减排技术远远不只上述提到的这种技术，随着IDC机房的业务发展，需要不断研究新的节能减排技术，实现IDC机房节能减排、高效安全的最终目标。
参考文献：
通信电源节能技术范文5
关键词：通信基站；能耗模型；最小二乘支持向量机；粒子群；滚动时间窗
中图分类号：TP18；TN929.5 文献标志码：A
Modelling of Base Station Energy Consumption System
Based on Sliding Window PSO-LSSVM
ZHANG Yingjie1，2，XU Wei1，2，TANG Longbo1，2， ZHANG Ying1，2，
LIU Wenbo1，2，HU Zuolei1，2，FAN Chaodong3
（1. College of Information Science and Engineering，Hunan University， Changsha 410082， China；
2.Institute for Communications Energy Conservation， Hunan University， Changsha 410082， China；
3.The College of Information Engineering， Xiangtan University， Xiangtan 411105， China）
Abstract：Base station is a major node for communication network's energy consumption. The accurate calculation of the energy-saving amount for the base station under EPC model is a technology bottleneck in this field. This paper proposed a modeling method of energy consumption of the base station based on particle swarm optimization （PSO） and least squares support vector machine （LSSVM） of sliding window， oriented at three kinds of typical scenarios base station. In this approach， a sliding window was established by selecting configuration parameters of base station and real-time data for pretreatment， and then the dynamic energy consumption model was obtained for the base station， which varied in accordance with that of the sliding window by means of the parameters for PSO training model and LSSVM regression training model. Compared with the simulation and test results from the sample base station， the proposed energy consumption model shows high prediction accuracy and generalization ability， and is applicable for the evaluation of energy-saving engineering of the base station.
Key words：base station；energy consumption model；LSSVM（Least Squares Support Vector Machine）；PSO（Particle Swarm Optimization）；sliding window
S着通信业务快速发展，通信业能源消耗也呈快速增长趋势，而通信基站是通信行业能耗的重点，因此，持续有效地整体推进通信基站节能降耗已经成为通信行业节能减排的关键.从目前的形势来看，通信基站的合理设计及节能措施的选择还未形成一个完整体系[1]，通信节能发展的瓶颈是过于概念化和粗放型的能源规划，不断增加节能设备，缺少综合信息集成应用、运行监管及评估体系.所以，研究并建立能够精确计算基站能耗的数学模型，对通信企业节能减排和基站用电的精细化管理具有积极的意义.通信基站能耗系统主要由电源系统（包括通信电源、蓄电池组），基站主设备（包括BTS、天馈系统、BSC），环境设备（包括基站空调、新风系统、热交换系统）以及辅助系统（包括照明设备、监控系统）等部分构成.基站总能耗主要集中在通信设备用电和机房环境用电，通过实际调研及实测数据计算可知，通信基站能耗主要由主设备能耗和空调系统能耗构成.主设备能耗主要包括无线设备能耗、电源损耗与传输设备能耗等，其中无线设备能耗为主要能耗点[2]，而空调系统耗能与设备发热量以及整个基站的热传导情况直接相关；同时，空调系统能耗还受到气象条件、建筑环境及内部运行设备等多方面因素的影响.由于通信基站能耗的相关特征数据（包括基站建筑材料及结构属性、基站所处位置及外部环境特征、基站设备参数、气象参数等）复杂多变，同时要考虑环境条件的约束，所以通信基站能耗建模具有一定的复杂性[3].
在通信行业，能耗建模相关研究主要集中在基站主设备能耗计量、空调能耗计量及空调节能量计算、基站能耗分类建模等方面.周小兵[4]以广东中山地区90 mm厚彩钢板结构通信基站为研究对象，利用基站总耗电量、空调及新风系统耗电量、室内外气温的实测数据计算空调基准耗电量的方法，方便准确地得到了空调基准耗电量，对核定通信基站节电量具有一定的参考价值.杨苹等人[5]根据基站内外部特征，分析了外部环境因素和内部设备构成对基站能耗的影响，建立了基于建筑能耗分析软件DeST的基站能耗模型；通过DeST进行通信基站能耗分析具有一定的局限性，且模型准确率低，不能作为理想的能耗预测模型.杨天剑等人[6]通过多元线性回归确立影响基站耗电量的主要因素，然后通过聚类算法将大量基站能耗数据分类，最后通过能耗标杆得到了通信基站的耗能预测模型；该方法通过多元线性回归和聚类分析得到基站能耗标杆，在设备环境参数和能耗关系上具有一定研究意义，但对基站整体能耗预测尚有不足.李阳[7]以基站的热平衡模型为基础，应用Simulink仿真软件对基站能耗进行动态仿真建模，同时，对基站当前使用的主要节能技术进行建模，构建出一个较完整的基站能耗动态仿真模型；该研究模型主要应用于仿真模拟，实际应用到通信基站能耗计量方面仍有缺陷.虽然众多研究机构及学者在通信基站能耗建模方面做了大量的工作，但建立起来的概念型与统计型的能耗模型也只能在基站能耗预测预警与节能措施选择时起到一定的辅助决策作用，仍然缺乏一个能够实时精确计算基站能耗的模型.
基于此，本文综合考虑了通信基站总耗电量、主设备耗电量、空调耗电量、电源系统耗电量、外部气象参数、室内外温度、基站环境特征、建筑材料及结构等数据，通过对不同类型典型场景基站进行动静态数据采集，分析基站能耗与时间、空间、环境参数等数据间的多维关系，找出基站能耗的主要影响因素，并采用基于滚动时间窗的PSO-LSSVM算法建立准确计量基站能耗的多输入复杂系统能耗模型.
1 基于滚动时间窗的最小二乘支持向量机
1.1 支持向量机理论
支持向量机（Support Vector Machine，SVM）是Vapnik于20世纪90年代初依据统计学理论提出的一种基于数据的机器学习算法.支持向量机的基本原理是通过非线性映射把输入向量映射到一个高位特征空间，在该空间用线性学习机方法以解决原空间的非线性分类和回归等问题.SVM最初是用来解决模式识别中的分类问题，后来Vapnik通过定义ε不敏感损失函数提出了支持向量机回归算法（SVMR），用于解决非线性回归问题[8].
支持向量机能够将算法转化为线性规划或二次规划问题，从而解决局部极小问题，实现全局最优；用核函数代替高维特征空间的内积运算，使得高维空间问题得到很好的解决.同时，它可以通过容量调节惩罚参数来平衡拟合能力和泛化能力间的权重关系，具有结构简单、稀疏性好等优点[9].支持向量机能够较好地实现结构风险最小化准则，也能很好地处理非线性、高维数、局部极小以及过学习等实际问题.在建筑、水利、气象、医学等领域支持向量机已经成功应用到分类、预测及预警中.
1.2 LSSVM算法介绍
支持向量机在计算时每增加一个样本数据就需要求解一个二次规划问题，不仅增加了运算量而且实时性较差.为了解决这种问题，Suykens等人[10]提出了最小支持向量机（Least Squares Support Vector Machines，LSSVM）理论.
给定训练样本集D={xi，yi}Ni=1，其中N为训练样本量，xi∈Rm为m维输入，yi∈R为一维目标输出.将样本空间中的非线性函数估计问题转化为高维特征空g中的线性函数估计问题[11-12].
f（x）=wTφ（x）+b （1）
式中：w=[w1，…，wn]T为权值系数向量；φ（・）=[φ1（・），…，φn（・）]T为映射函数.这一回归问题可以表示为一个等式约束优化问题，其优化目标为：
minw，b，eJ（w，e）=12wTw+λ2∑ni=1e2i（2）
s.t. yi=wTφ（xi）+b+ei，i=1，…，n（3）
然后，用拉格朗日法求解上述优化问题：
L（w，b，e，a）=J（w，e）-∑Niai（wTφ（xi）+
b+ei-yi）（4）
式中：ai（i=1，…，n）为拉格朗日乘子.
根据优化条件对式（4）求偏导可得：
Lw=0w=∑Ni=1aiφ（xi）
Lb=0∑Ni=1ai=0
Lei=0ai=γei
Lw=0wTφ（xi）+b+ei-yi=0（5）
再根据Mercer条件，定义核函数：
k（xi，yi）=φT（xi）φ（yi）.（6）
由方程式（5）和（6）消去ei，w后，得到
0 1 … 1
1 k（x1，x1）+1/γ … k（x1，xn）
1 k（xn，x1） … k（xn，xn）+1/γ×
ba1 an=0y1 yn（7）
最后得到最小二乘支持向量机非线性模型：
f（x）=∑Ni=1aik（x，xi）+b（8）
1.3 滚动时间窗原理描述
应用一个固定范围并随时间滚动的数据区间来进行能耗建模能够很好地解决模型时效性问题，由于这个固定范围的数据区间随时间不断滚动，所以称其为滚动时间窗.滚动时间窗方法是以样本选择方式来处理数据实时更新对能耗模型影响的基本方法，它通过一个不断向前移动并把最近时间段的新样本包括在内的“时间窗口”来不断进化基站能耗预测模型[13].该方法中，新样本数据实时地更替旧样本数据，滚动的当前时间窗内样本数据的变化需要重新构建更优的预测模型.
假设有一组n维时变向量数据，某时段拟合样本数据从时间点t逐渐滚动到（t+p），而构建预测模型时可获得建模样本的最早时间点为（t-q）.此时，对于t′∈[t，t+p]的任意时间段，都有（t′-q）到t′之间的样本数据能够进行建模，将（t′-q）到t′之间的样本数据记为当前时间窗数据，随着t′的增长，时间窗数据也随之变化更新.图1为时间窗的滚动示意图，可以看出建模时间窗不断向后移动，即新数据不断加入，并对下一时刻进行拟合建模，这是一个滚动优化的过程[14].
2 PSO优化的LSSVM算法
支持向量机在精度和效率上的优越性跟其参数的取值密切相关，但是其参数数量很多而且参数的选择范围很大，这样就使得最优参数的选取变得困难.同时，由于最小二乘支持向量机模型是非线性的，采用解析的方法得到其模型参数几乎不可能，使用数值计算也很难得到真正的最优参数，所以，必须选择一个合适的模型参数优化方法.
2.1 基于PSO算法优化模型参数
LSSVM模型中径向基核函数的选用需要确定两个参数：核参数σ和惩罚因子γ.γ越小，模型泛化能力越强，平滑性越好，但是拟合能力会降低；而σ越大，所得训练模型就会越平滑，泛化能力也越强；同时，粒子也是由这两个参数所决定，所以他们的优化必不可少.通常我们采用参数空间穷尽搜索法对LSSVM参数进行优化，但其缺点是较难确定合理的参数范围.而本文采用PSO优化LSSVM参数能够很好地解决这种问题，且能够快速准确地选取到最优参数.
粒子群算法PSO（Particle swarm optimization，PSO）是1995年由Kennedy和Eberhart[15]提出的一种启发式搜索算法.最初，PSO算法从鸟群觅食行为中得到启发，然后图形化模拟鸟群的不可预测运动，并以此作为算法的基础.然后引入近邻的速度匹配、惯性权重w，并考虑多维搜索和距离的加速，形成了最初的PSO算法[16].
与其他进化算法类似，粒子群算法采用“种群”的方式不断“进化”自己的搜索模式.在PSO算法中，可以将优化问题的每个潜在解看成是多维空间中的一个“点”，将各异的“点”称做“粒子”，多个“粒子”就组成一个群体.当PSO初始化生成一群随机粒子（即随机解）后，粒子即开始不断迭代来找到最优解，在这个过程中，每个粒子都有自己运动的方向及速率，即粒子都有一个矢量速度，不同粒子间会通过协作竞争来逐渐搜索出复杂空间中的最优解[17].
粒子迭代第t次时，其位置信息可用式（9）表示，运动速度用式（10）表示.
Xi（t）=（Xi1（t），Xi2（t），…，Xid（t））（9）
Vi（t）=（Vi1（t），Vi2（t），…，Vid（t））（10）
在每一次迭代过程中，粒子会通过跟踪两个“极值”来不断更新优化自己的速度及位置.其中，跟踪的第一个“极值”即为当前粒子在多维空间中经历的最优值，称为个体极值pBest，用公式表示为：
Pi（t）=（Pi1（t），Pi2（t），…，Pid（t））（11）
而另一个“极值”则是整个种群所有粒子经历的最优值，称为全局极值gBest，用公式表示为：
Pg（t）=（Pg1（t），Pg2（t），…，Pgd（t））（12）
另外，如果将种群一部分作为粒子的邻居而不是全部，那么在该粒子的所有邻居中搜索到的极值则称为局部极值l Best，表示为：
Pl（t）=（Pl1（t），Pl2（t），…，Pld（t）） （13）
粒子迭代更新自身速度和位置公式如下：
Vik（t+1）=ωVik（t）+c1r1（Pik（t）-Xik（t））+
c2r2（Pgk（t）-Xik（t））（14）
Xik（t+1）=Xik（t）+Vik（t+1）（15）
式中：t榈鼻笆笨塘W拥牡代次数；ω为粒子的惯性权重系数；c1，c2为学习因子，表示粒子向pBest和gBest运动的加速度权重；r1，r2是介于（0，1）的随机数；k=1，2，…，d.
本文选取模型预测结果的均方误差MSE作为PSO适应度函数，然后通过求解LSSVM模型的最小均方误差来得到最优参数γ，σ2.优化的具体步骤如下：
1）初始化粒子群各参数（学习因子c1=1.5，c2=1.7，最大进化代数maxgen=1 000，种群规模sizepop=30）；
2）通过适应度函数计算出各个粒子的适应度值；
3）比较粒子当前适应度值与自身个体最优值pBest，若前者更优，则把粒子当前位置作为目前的个体最优值gBest；
4）对粒子当前适应度值与全局最优值gBest进行比较，若前者更优，则把当前粒子位置作为目前的全局最优值gBest；
5）根据式（14）和式（15）对粒子速度及位置进行更新；
6）判断是否满足结束条件（到达最大循环次数或者误差满足要求），若满足条件则退出循环，否则，回到步骤2）继续循环.
2.2 基于PSO优化的滚动时间窗LSSVM改进算法
基于滚动时间窗的LSSVM回归估计方法的动态建模过程如下：
1）设置各参数初始值；
2）对采集的系统数据进行预处理；
3） 应用PSO优化算法寻优模型参数γ和σ2；
4）选取当前时刻t到（t-q）时刻的样本作为当
前区间时间窗数据；
5）采用基于LSSVM回归估计算法训练模型；
6）利用建立好的模型进行预测；
7）有新数据集进入时，数据窗进行滚动，形成新的时间窗数据；
8）选取新的时间窗数据重新建模并进行预测；
9）返回步骤7）.
图2为基于PSO优化的滚动时间窗LSSVM改进算法的基站动态能耗建模流程图.
随着样本数据的更新，上述建模过程循环进行，模型也不断随之更新，这样就能够实时地跟踪基站系统的能耗变化.建模过程中，选取了径向基RBF （Radial Basis Function，RBF）核函数，其中核参数γ和σ2的化必不可少.γ越小，模型泛化能力越大，平滑性越好，但是拟合能力会降低；同时，σ2越大，所得训练模型就会越平滑，泛化能力也越强.
3 基站能耗预测模型试验仿真
试验样本主要选取2013年1月至2016年1月湖南张家界、邵阳地区某运营商的典型场景基站数据，基本数据类型包括基站每月总耗电量（kW・h）、基站围体面积（m2）、室内外温度（℃）和载频数（个数）.基站总耗电量以月・度为单位可以有效过滤由单日能耗异常产生预测偏差的影响，故本文以月・度基站总耗电量为输出，其他变量为输入.同时，以3个月新出现的动态数据作为时间窗数据的更新数据，并随时间不断推移，以更新的时间窗数据作为能耗动态模型的输入数据.
本文采用均方根误差RMSE、相关系数R和决定系数R2 3种评价标准.均方根误差能够很好地反映出预测值的精确度，而相关系数绝对值可以用来反映预测值和实测值关系的方向和密切程度，相关系数绝对值越大，说明预测值和实测值线性关系越好；决定系数为相关系数的平方，能很好的反映模型的拟合程度，其值越接近1，模型的拟合程度越好[18].设Xi为模型预测值，为预测平均值，Yi为对应实测值，为实测值的平均值，其中i=1，2，…，N，定义：
RMSE=1Nσ2∑Ni=1（Xi-Yi）2（16）
R=∑Ni=1（Xi-）（Yi-）∑Ni=1（Xi-）2・∑Ni=1（Yi-）2 （17）
试验所用计算机CPU为AMD Athlon（tm）Ⅱ X2255 Processor 3.10 GHz，内存为4 GB，工具为MATLAB R2011a.将采集的样本数据进行修正和归一化处理后，取前240组数据进行训练模型，后120组数据进行测试.测试结果如图3-图5所示.
对比图3，图4和图5，观察表1可以看出，基于标准LSSVM建立的能耗模型拟合效果较差，而基于PSO-LSSVM和基于滚动时间窗PSO-LSSVM得到的通信基站能耗模型均能够较准确地拟合出能耗的变化，且后两种模型拟合相关系数高，各参数均表现出较好的泛化能力.采用滚动时间窗，可反应系统当前能耗状况的数据快速更新，模型也随之不断更新，从而使得建立的能耗模型更加精确.
基于测试样本的模型预测效果及误差图分别如图6和图7所示，拟合效果相关参数如表2所示.
从图7可以看出，基站能耗预测误差基本稳定，九成以上的预测值准确度都在90%以内，误差没有随数据变化而较大幅度的增大，而呈现逐步缩小稳定的趋势.从图6，图7和表2可以看出，基站能耗模型能够较好地跟踪实测能耗值的变化趋势，且基站能耗预测精度较高.
目前，通信基站在未采取节能措施的情况下，基于现有文献对通信基站能耗模型的研究，文献[19]采用二元一次线性回归建立了基站能耗模型，其空调耗电模型及设备耗电模型单站试算平均误差分别为18.87%～30.2%及12.32%～19.4%.而文献[7]基于建筑行业的Dest软件模拟建模的预测精度为82%～87%.文献[7]基于Simulink仿真技术建立的动态基站能耗模型仿真精度为86.64%～98.4%.可以看出，在各个不同的典型场景下，基站能耗预测值都普遍不高，虽然文献[7]建立的模型精度偏差不大，但是其超过1/3的能耗预测结果准确度低于90%，其整体预测精度仍然较低.相比来说，本文的研究预测模型整体预测精度更高，使用前景更大.
4 结 论
本文首先综合分析了通信基站总耗电量、主设备耗电量、空调耗电量、电源系统耗电量、外部气象参数变化、室内外气温等数据结构参数，同时，对不同类型典型场景基站的动静态数据进行了采集分析，得到基站能耗与时间、空间、环境参数等数据间的多维关系，计算出影响基站能耗的主要因素，然后，采用基于滚动时间窗的PSO-LSSVM方法建立准确计算基站能耗的多输入复杂系统能耗模型.将该模型与其他相关研究模型的预测精度进行对比，结果表明，本文方法具有更高预测准确度，且整体预测精度在90%以上.综上，本文研究模型具有预测精度较高，稳定性较好等优点，能够更准确地预测通信基站能耗以及更准确地计算节能量，具有良好的应用前景.
参考文献
[1] 张英杰，章兢，刘文强，等.通信行业能耗现状分析与节能战略思考[J]. 电信科学， 2011， 27（10）：103-109.
ZHANG Yingjie，ZHANG Jin，LIU Wenqiang，et al.Overview of current state of energy consumption and energy-saving strategies exploration in communication industry[J].Telecommunications Science， 2011， 27（10）：103-109.（In Chinese）
[2] LEI F， HU P. A baseline model for office building energy consumption in hot summer and cold winter region[C]//Management and Service Science，MASS '09，International Conference on. IEEE， 2009：1-4.
[3] 戎小寅. 严寒/寒冷地区通信基站动态能耗模拟及围护结构节能优化[D].哈尔滨：哈尔滨工业大学市政环境工程学院，2011：1-19.
RONG Xiaoyin.Dynamic energy simulation and energy efficiency optimization of building envelope for mobile telecommunication base stations in severe cold/cold regions[D].Harbin： School of Municipal and Environmental Engineering，Harbin Institute of Technology， 2011：1-19.（In Chinese）
[4] 周小兵.通信基站节能设计与空调基准耗电量的计算研究[D].长沙：中南大学能源科学与工程学院，2012：1-36.
ZHOU Xiaobin.Study on base station’s energy-saving design and air-conditioning baseline power consumption calculation[D].Changsha：School of Energy Science and Engineering，Central South University，2012： 1-36.（In Chinese）
[5] 杨苹，刘胜荣.南方地区移动通信基站的能耗分析与节能评估[J].西华大学学报：自然科学版，2010，29（1）：70-73.
YANG Ping，LIU Shengrong.The energy-consuming analysis and energy-saving evaluation of communication base station in South Region of China[J].Journal of Xihua University：Natural Science，2010，29（1）：70-73.（In Chinese）
[6] 杨天剑，张静.基于聚类算法的通信基站能耗标杆建立与分析[J].移动通信，2015（18）：92-96.
YANG Tianjian，ZHANG Jing.Establishment and analysis of energy consumption benchmark for telecommunication base station based on clustering algorithm[J].Mobile Communications，2015（18）：92-96.（In Chinese）
[7] 李阳.基于Simulink仿真技术的基站能耗建模及应用研究[D].北京：北京邮电大学经济管理学院， 2014：1-43.
LI Yang.Study on base station energy consumption modeling and application based on Simulink simulation technology[D]. Beijing：School of Economics and Management in Beijing University of Posts and Telecommunications，2014：1-43.（In Chinese）
[8] VAPNIK V.The nature of statistical learning theory[M].New York： Springer-Verlag，1995：17-21.
[9] 周欣然， 滕召. 一种在线稀疏LSSVM及其在系统建模中的应用[J]. 湖南大学学报：自然科学版， 2010， 37（4）：37-41.
ZHOU Xinran，TENG Zhaosheng.An online sparse LSSVM and its application in system modeling[J].Journal of Hunan Uniersity：Natural Sciences，2010，37（4）：37-41.（In Chinese）
[10]SUYKENS J A K，VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters，1999，9（3）：293-300.
[11]AHMADI M A，ROZYN J，LEE M，et al.Estimation of the silica solubility in the superheated steam using LSSVM modeling approach[J]. Environmental Progress & Sustainable Energy，2016，35（2）：596-602.
[12]SAFARI H，SHOKROLLAHI A，JAMIALAHMADI M，et al. Prediction of the aqueous solubility of BaSO4 using pitzer ion interaction model and LSSVM algorithm[J]. Fluid Phase Equilibria，2014，374（9）：48-62.
[13]阎威武，常俊林，邵惠鹤.基于滚动时间窗的最小二乘支持向量机回归估计方法及仿真[J].上海交通大学学报， 2004， 38（4）：524-526.
YAN Weiwu，CHANG Junlin，SHAO Huihe.Least square SVM regression method based on sliding time window and its simulation[J].Journal of Shanghai Jiaotong University，2004，38（4）： 524-526.（In Chinese）
[14]孙洁，李辉，韩建光.基于滚动时间窗口支持向量机的财务困境预测动态建模[J].管理工程学报，2010， 24（4）：174-180.
SUN Jie，LI Hui，HAN Jianguang.Dynamic financial distress prediction modeling based on rolling time window support vector machine[J]. Journal of Industrial Engineering and Engineering Management， 2010，24（4）：174-180.（In Chinese）
[15]KENNEDY J， EBERHART R C. Particle swarm optimization[C]//IEEE International Conference on Neural Networks， 1995， 4（8）：1942-1948.
[16]陈志坚， 黄伟杰. 基于多因素混合模型的运营期群桩轴力预测[J]. 湖南大学学报：自然科学版，2016，43（3）：155-160.
CHEN Zhijian，HUANG Weijie.Prediction of axial force in pile group during the operation period based on the mixed model of multiple factors[J].Journal of Hunan University：Natural Sciences， 2016，43（3）：155-160.（In Chinese）
[17]陈昌富，肖重阳，唐仁华.基于PSO搜索潜在滑裂面非极限状态土压力计算[J]. 湖南大学学报：自然科学版， 2013，40（2）：9-14.
CHEN Changfu，XIAO Chongyang，TANG putation of earth pressure under non-limit state based on PSO search of potential slip surface[J].Journal of Hunan University：Natural Sciences， 2013，40（2）：9-14.（In Chinese）
[18]王少军，刘琦，彭喜元，等.移动通信话务量多步预测的LSSVM方法研究[J].仪器仪表学报，2011，32（6）：1258-1264.
WANG Shaojun，LIU Qi，PENG Xiyuan，et al.Study on LSSVM method for multi-step forecasting of mobile communication traffic[J].Chinese Journal of Scientific Instrument，2011，32（6）：1258-1264.（In Chinese）
