本发明公开了属于基站储能配置技术领域的一种考虑通信特性的5G基站储能配置双层优化方法。从最小化5G运营商成本的角度出发，首先，从基站休眠机制、通信覆盖范围及用户服务质量、5G宏基站能耗模型等三个方面对5G基站进行特性分析；然后，建立储能配置双层优化模型；最后，采用遗传算法和cplex商业求解器相结合的方法进行求解，从而得到优化结果。对于电网而言，5G基站储能丰富了需求响应资源，能够平抑电网峰谷差，并延缓电网升级；对于运营商而言，可以有效盘活以前仅用于应急备电的电池资源，还能充分利用基站储能响应峰谷分时电价达到降低电费的效果，大幅度提升了基站储能配置的经济性。
1.一种考虑通信特性的5G基站储能配置双层优化方法，其特征在于，包括如下步骤：步骤1：对5G基站进行特性分析；从基站休眠机制、通信覆盖范围及用户服务质量、5G宏基站能耗模型三个方面分析5G基站特性；
步骤2：基于步骤1的分析结果，建立储能配置双层优化模型；从年、日两个不同的时间尺度分别建立外层优化模型和内层优化模型；两层优化模型之间存在耦合关系，外层优化模型决策限制内层优化模型的解，内层优化模型的最优决策也会影响外层优化模型决策；
外层优化模型和内层优化模型结合，形成综合考虑规划和运行的储能系统配置的双层优化模型；
maxF＝F1+F2+F3+F4‑C1‑C2式中：F为储能全寿命周期内的净收益；
F1为“低储高发”套利收益，且 其中，T为储能电池寿命；D为蓄电池一年利用天数；Q1为一天内储能“低储高发”套利收益，且i为一天24小时中第i个时段；Pdis2(i)为储能放给电网的功率；Pch(i)为储能在i时段的充电功率；Rdis(i)、Rch(i)分别为储能在i时段的充/放电状态，取0/1；Δi为每个时段的时间间隔，即1小时；m(i)为i时段的市电电价；
F2为储能系统放电政府电价补贴，且 其中，Q2为每天储能系统获得的补贴收入，且 mb为政府补贴电价；
F3为储能电池回收利用价值，且F3＝σC1，σ为回收系数；
C1为初始投资成本；且 cp为单位充/放电功率造价，ce为单位容量造价，Pmax为储能系统的额定功率，Emax为储能系统的额定容量；
C2为运营维护成本；且 co为储能系统单位充/放电功率年运行维护成本；
由于运行过程中放电深度的不同会对电池寿命产生不同程度的影响，因此，为使基站储能配置结果更为合理，将充放电策略对储能电池寿命的影响加入优化模型：式中， 为第i次的充放电深度下储能系统的循环寿命；Di为第i次充放电深度；T为储能电池的等效运行年限；K为一年中储能电池的充放电次数；
式中：f为5G运营商的日电费成本；Pn(i)为i时段所用市电的功率；Pdis1(i)为i时段储能放电供基站自用的功率；m'为储能放电供基站自用的价格；
Pdis1(i)+Pdis2(i)＝Pdis(i)Rch(i)+Rdis(i)＝1
式中：δ为一固定常数，代表增加单位发射功率时基站能耗的增量；Ptx为发射功率，随着宏基站网络负载的增大而增大；Pfix为固有功耗，包括的是功率放大器、冷却装置、数据处理单元部件的损耗，随通信负载变化不大；Psleep为基站处于休眠状态时5G宏站的能耗；N为基站系统中的各个基站；N'为处于激活状态下的基站数； 为处于休眠状态下的基站数；Pdis(i)为i时段下储能放电总功率；
式中：E(i)、E(i+1)分别为i时段、i+1时段下储能系统的能量；ηch、ηdis分别为充、放电效率；
由于放电深度会影响储能系统的使用寿命，同时也需保证极端情况下电池为基站可靠备电的需求，其每一时段的能量应该大于最低设定容量：(1‑DOD)Emax≤E(i)≤Emax式中：DOD为放电深度；
步骤3：对步骤2建立的优化模型进行求解；外层优化模型采用遗传算法，基于外层目标即储能全寿命周期内净收益最大，对基站储能的额定容量和额定功率进行寻优；内层优化模型调用cplex在每个调度周期内以最小化5G基站系统日电费为目标，经过一年的循环计算后得到对应储能额定容量和额定功率下的最优充放电策略，并将其传递给外层，外层计算目标函数值与适应度值，并通过交叉、变异遗传操作进行寻优，最终得到双层优化模型的最优解；
步骤32：生成包括储能额定功率P和额定容量E信息的初始种群；
步骤33：执行基站休眠机制；首先，根据用户移动性特点和通信覆盖需求，在每个时段下随机产生一次用户分布；然后，在假设每个时段系统中有m个基站处于激活状态满足用户需求的前提下，遍历基站系统中所有m个激活基站的情况，逐个计算对应功耗；最后，选择能耗最低的基站组为该时段下的激活基站组；
步骤34：调用cplex求解内层优化模型，得到初始种群中每个个体在一天内储能的最优充放电曲线；
步骤37：根据储能额定容量、额定功率和储能充放电曲线计算每个个体的适应度值；
步骤38：判断是否满足终止条件，若不满足则对初始种群进行交叉变异的遗传操作，得到子代种群，重复步骤33～步骤37；若满足则输出内外层优化模型的最优解。
考虑通信特性的5G基站储能配置双层优化方法
技术领域
[0001] 本发明涉及基站储能配置技术领域，尤其涉及一种考虑通信特性的5G基站储能配置双层优化方法。
背景技术
[0002] 在“新基建”和“信息强国”大战略下，5G基站建设规模逐步扩大。目前正在规模建设的5G基站，以就地配置储能电池的宏基站为主。5G基站储能电池是保证基站连续供电的核心设备，当市电异常故障时，蓄电池可作备用电源供电。由于5G基站数量及功耗较4G基站大幅增加，5G基站电费高昂，对备用电池的需求也同步增加。
[0003] 基站蓄电池组的传统配置方式考虑了市电的可靠性及基站地理位置，并适当考虑远期发展，依据蓄电池寿命，按近期负荷进行配置。目前，各通信运营商及铁塔公司对5G单站一般统一配置2组500Ah的蓄电池，备电时长3‑4小时。在这种无差别配置相同容量储能的方式下，储能资产闲置和投资利用率低等问题较为严重。近年来，随着5G削峰填谷、基站智慧节能等创新技术的引入，储能配置需要考虑的因素更加多样，因此，研究考虑5G基站通信特性及电池运行特性的储能优化配置方法十分关键。
[0004] 参考文献：[Dubarry M，Liaw B Y.Identify capacity fading mechanism in a commercial LiFePO4,cell[J].Journal of Power Sources，2009，194(1)：541～549.]发明内容
[0005] 本发明的目的是提出一种考虑通信特性的5G基站储能配置双层优化方法，其特征在于，包括如下步骤：
[0006] 步骤1：对5G基站进行特性分析；从基站休眠机制、通信覆盖范围及用户服务质量、5G宏基站能耗模型三个方面分析5G基站特性；
[0007] 步骤2：基于步骤1的分析结果，建立储能配置双层优化模型；从年、日两个不同的时间尺度分别建立外层优化模型和内层优化模型；两层优化模型之间存在耦合关系，外层优化模型决策限制内层优化模型的解，内层优化模型的最优决策也会影响外层优化模型决策；外层优化模型和内层优化模型结合，形成综合考虑规划和运行的储能系统配置的双层优化模型；
[0008] 步骤3：对步骤2建立的优化模型进行求解；外层优化模型采用遗传算法，基于外层目标即储能全寿命周期内净收益最大，对基站储能的额定容量和额定功率进行寻优；内层优化模型调用cplex在每个调度周期内以最小化5G基站系统日电费为目标，经过一年的循环计算后得到对应储能额定容量和额定功率下的最优充放电策略，并将其传递给外层，外层计算目标函数值与适应度值，并通过交叉、变异等遗传操作进行寻优，最终得到双层优化模型的最优解。
[0009] 所述步骤2中的外层优化模型如下：
[0010] (一)目标函数
[0011] maxF＝F1+F2+F3+F4‑C1‑C2
[0012] 式中：F为储能全寿命周期内的净收益；
[0013] F1为“低储高发”套利收益，且 其中，T为储能电池寿命；D为蓄电池一年利用天数；Q1为一天内储能“低储高发”套利收益，且
i为一天24小时中第i个时段；Pdis2(i)为储能放
给电网的功率；Pch(i)为储能在i时段的充电功率；Rdis(i)、Rch(i)分别为储能在i时段的充/放电状态，取0/1；Δi为每个时段的时间间隔，即1小时；m(i)为i时段的市电电价；
为复利现系数；ir为通货膨胀率；dr为贴现率；
[0014] F2为储能系统放电政府电价补贴，且 其中，Q2为每天储能系统获得的补贴收入，且 mb为政府补贴电价；
[0015] F3为储能电池回收利用价值，且F3＝σC1，σ为回收系数；
[0016] F4为5G配套电源设施建设专项补贴；
[0017] C1为初始投资成本；且 cp为单位充/放电功率造价，ce为单位容量造价，Pmax为储能系统的额定功率，Emax为储能系统的额定容量；
[0018] C2为运营维护成本；且 co为储能系统单位充/放电功率年运行维护成本；
[0019] (二)约束条件
[0020] 投资成本约束：
[0021] C1+C2≤Cmax
[0022] 式中：Cmax为投资成本限值。
[0023] 所述步骤2中的内层优化模型如下：
[0024] (1)目标函数
[0025]
[0026] 式中：f为5G运营商的日电费成本；Pn(i)为i时段所用市电的功率；Pdis1(i)为i时段储能放电供基站自用的功率；m'为储能放电供基站自用的价格；
[0027] (2)约束条件
[0028] 功率约束：
[0029]
[0030] Pdis1(i)+Pdis2(i)＝Pdis(i)
[0031]
[0032] Rch(i)+Rdis(i)＝1
[0033] Rch(i)·Rdis(i)＝0
[0034] 式中：δ为一固定常数，代表增加单位发射功率时基站能耗的增量；Ptx为发射功率，随着宏基站网络负载的增大而增大；Pfix为固有功耗，包括的是功率放大器、冷却装置、数据处理单元部件的损耗，随通信负载变化不大；Psleep为基站处于休眠状态时5G宏站的能耗；N为基站系统中的各个基站；N'为处于激活状态下的基站数； 为处于休眠状态下的基站数；Pdis(i)为i时段下储能放电总功率；
[0035] 能量约束：
[0036] 储能系统中的能量是连续变化的，
[0037]
[0038] 式中：E(i)、E(i+1)分别为i时段、i+1时段下储能系统的能量；ηch、ηdis分别为充、放电效率；
[0039] 由于放电深度会影响储能系统的使用寿命，同时也需保证极端情况下电池为基站可靠备电的需求，其每一时段的能量应该大于最低设定容量：
[0040] (1‑DOD)Emax≤E(i)≤Emax
[0041] 式中：DOD为放电深度；
[0042] 5G基站运行约束：
[0043] 发射功率限制：Ptx≤Ptx,max
[0044] QoS限制：SNR≥SNRmin。
[0045] 所述步骤3具体包括如下子步骤：
[0046] 步骤31：载入基础数据；
[0047] 步骤32：生成包括储能额定功率P和额定容量E信息的初始种群；
[0048] 步骤33：执行基站休眠机制；首先，根据用户移动性特点和通信覆盖需求，在每个时段下随机产生一次用户分布；然后，在假设每个时段系统中有m个基站处于激活状态满足用户需求的前提下，遍历基站系统中所有m个激活基站的情况，逐个计算对应功耗；最后，选择能耗最低的基站组为该时段下的激活基站组；
[0049] 步骤34：调用cplex求解内层优化模型，得到初始种群中每个个体在一天内储能的最优充放电曲线；
[0050] 步骤35：统计电池充放电次数和每次的充放电深度；
[0051] 步骤36：计算电池使用寿命；
[0052] 步骤37：根据储能额定容量、额定功率和储能充放电曲线计算每个个体的适应度值；
[0053] 步骤38：判断是否满足终止条件，若不满足则对初始种群进行交叉变异的遗传操作，得到子代种群，重复步骤33～步骤37；若满足则输出内外层优化模型的最优解。
[0054] 本发明的有益效果在于：
[0055] 1、本发明在内层模型中结合基站休眠算法，加入了5G宏基站的功率平衡约束及包括发射功率、信噪比的运行特性约束。保障了在满足5G通信覆盖面积、服务质量、备电可靠性的前提下，进行储能优化配置，使得运营商效益最大化；
[0056] 2、考虑了通信运营商的多方面因素，建立了原理清晰的模型，适合5G基站运营商在实际规划基站时推广使用；以符合实际情况的参数进行模型求解，可大幅度提升基站储能配置的经济性。
附图说明
[0057] 图1是考虑通信特性的5G基站储能配置双层优化模型架构图；
[0058] 图2是储能配置求解流程图。
具体实施方式
[0059] 本发明提出一种考虑通信特性的5G基站储能配置双层优化方法，下面结合附图和具体实施例对本发明做进一步说明。
[0060] 步骤1 5G基站特性分析；
[0061] 基站休眠机制：基站休眠机制旨在降低系统能耗，特别是基站在无负载或负载较低的情况下，将基站的空调等主要功耗设备进行智能关闭，从而使系统能耗大幅度降低。在使用基站休眠机制时，最重要的是必须保证无线通信所提供的基本覆盖范围以及用户的服务质量。
[0062] 5G基站通信覆盖范围及用户服务质量：基站的通信覆盖范围与频率相关。由于5G的使用频段高于4G，单个5G基站的覆盖能力比4G小。基站的覆盖范围还和发射功率有很大的关系，发射功率越大，其覆盖的范围越大。除此之外，基站的高度越高，相应的覆盖范围也就越大。通信网络的传输质量常采用误比特率来描述，而信噪比与误比特率之间有一定的关系，取决于调制方案、编码及一定范围内的其他因素，因此5G网络的传输质量就可以与信噪比通过映射关系联系起来。
[0063] 5G宏基站能耗模型：在典型的基站功耗模型中，基站(Base Station，BS)的功耗不会时刻保持在最多负载时的功耗，而是会根据基站所处的状态及实时业务负载的变化进行改变。5G宏站的能耗模型为：
[0064]
[0065] 其中，δ为一固定常数，代表增加单位发射功率时基站能耗的增量。Ptx为发射功率，随着宏基站网络负载的增大而增大；Pfix为固有功耗，包括的是功率放大器、冷却装置、数据处理单元等部件的损耗，随通信负载变化不大。
[0066] 步骤2建立储能配置双层优化模型；
[0067] 考虑通信特性的5G基站储能配置双层优化模型，模型架构如图1所示：其中，外层模型以基站储能系统全寿命周期内总的净收益最大为目标函数，约束条件为储能投资成本约束，决策变量包括储能的额定功率、额定容量，时间尺度为年；内层模型以5G基站系统的日电费成本最小为目标函数，约束条件包括储能系统功率、能量约束和5G基站的运行约束，决策变量为储能调度周期内的充放电功率，时间尺度为日。在内、外层目标函数中考虑储能“低储高发”和“低储高放”所带来的经济效益；在内层模型约束条件中，加入采用基站休眠机制时的功率平衡约束以及每个时段下5G基站的运行约束(包括发射功率和信噪比)。
[0068] (一)外层优化模型
[0069] (1)外层目标函数
[0070] maxF＝F1+F2+F3+F4‑C1‑C2
[0071] 式中：F为储能全寿命周期内的净收益；
[0072] F1为“低储高发”套利收益，且 其中，T为储能电池寿命；D为蓄电池一年利用天数；Q1为一天内储能“低储高发”套利收益，且
i为一天(24小时)中第i个时段；Pdis2(i)为储能
放给电网的功率；Pch(i)为储能在i时段的充电功率；Rdis(i)、Rch(i)分别为储能在i时段的充/放电状态，取0/1；Δi为每个时段的时间间隔(1小时)；m(i)为i时段的市电电价；
为复利现系数；ir为通货膨胀率；dr为贴现率；
[0073] F2为储能系统放电政府电价补贴，且 其中，Q2为每天储能系统获得的补贴收入，且 mb为政府补贴电价；
[0074] F3为储能电池回收利用价值，且F3＝σC1，σ为回收系数；
[0075] F4为5G配套电源设施建设专项补贴；
[0076] C1为初始投资成本；且 cp为单位充/放电功率造价，ce为单位容量造价，Pmax为储能系统的额定功率，Emax为储能系统的额定容量；
[0077] C2为运营维护成本；且 co为储能系统单位充/放电功率年运行维护成本。
[0078] 由于运行过程中放电深度的不同会对电池寿命产生不同程度的影响，因此，为使基站储能配置结果更为合理，将充放电策略对储能电池寿命的影响加入优化模型：
[0079] Lcyc,Di＝4000Di‑0.795
[0080]
[0081] 式中， 为第i次的充放电深度下储能系统的循环寿命；Di为第i次充放电深度；T为储能电池的等效运行年限；K为一年中储能电池的充放电次数。
[0082] (2)外层约束条件
[0083] 投资成本约束：
[0084] C1+C2≤Cmax
[0085] 式中：Cmax为投资成本限值；
[0086] (二)内层优化模型
[0087] (1)内层目标函数
[0088]
[0089] 式中：f为5G运营商的日电费成本；Pn(i)为i时段所用市电的功率；Pdis1(i)为i时段储能放电供基站自用的功率；m'为储能放电供基站自用的价格。
[0090] (2)内层约束条件
[0091] 功率约束：
[0092]
[0093] Pdis1(i)+Pdis2(i)＝Pdis(i)
[0094]
[0095] Rch(i)+Rdis(i)＝1
[0096] Rch(i)·Rdis(i)＝0
[0097] 式中：N为基站系统中的各个基站；N'为处于激活状态下的基站数； 为处于休眠状态下的基站数；Pdis(i)为i时段下储能放电总功率；
[0098] 能量约束：
[0099] 储能系统中的能量是连续变化的，
[0100]
[0101] 式中：E(i)、E(i+1)分别为i时段、i+1时段下储能系统的能量；ηch、ηdis分别为充、放电效率；
[0102] 由于放电深度会影响储能系统的使用寿命，同时也需保证极端情况下电池为基站可靠备电的需求，其每一时段的能量应该大于最低设定容量：
[0103] (1‑DOD)Emax≤E(i)≤Emax
[0104] 式中：DOD为放电深度。
[0105] 5G基站运行约束：
[0106] 发射功率限制：Ptx≤Ptx,max
[0107] QoS限制：SNR≥SNRmin
[0108] 其中，信噪比与发射功率之间关系的求解如下：(单位为分贝)
[0109]
[0110] Ph＝10log10 N0B
[0111]
[0112] 式中：PRX为接收功率；Ph为热噪声功率；Ptx为发射功率；GRX为接收天线增益；GTX为发射天线增益；λ为波长；d为基站与移动台之间的距离；N0为噪声功率谱密度，取值‑174dBm/Hz；B为接收机带宽(单位Hz)；
[0113] 令 ‑10log10N0B＝k2，因此，信噪比SNR和发射功率Ptx之间的关系为：SNR＝k1Ptx+k2，其中k1、k2均为常数。
[0114] 步骤3模型求解；
[0115] 从上述分析可以看出，本发明所建立的考虑通信特性的5G基站储能优化配置双层模型为混合整数规划模型，采用遗传算法和cplex商业求解器相结合的方法进行求解。外层模型采用遗传算法，基于外层目标即储能全寿命周期内净收益最大，对基站储能的额定容量、额定功率进行寻优；内层模型调用cplex在每个调度周期(24h)内以最小化5G基站系统日电费为目标，经过一年的循环计算后得到对应储能额定容量、额定功率下的最优充放电策略，并将其传递给外层，外层计算目标函数值与适应度值，并通过交叉、变异等遗传操作进行寻优，最终得到双层模型的最优解，求解流程示意图如图2所示，具体求解步骤如下：
[0116] 1)载入基础数据；
[0117] 2)生成包括储能额定功率P、额定容量E信息的初始种群；
[0118] 3)执行基站休眠机制：首先，根据用户移动性特点和通信覆盖需求，在每个时段下随机产生一次用户分布；然后，在假设每个时段系统中有m个基站处于激活状态即可满足用户需求的前提下，遍历基站系统中所有m个激活基站的情况，逐个计算对应功耗；最后，选择能耗最低的基站组为该时段下的激活基站组。
[0119] 4)调用cplex求解内层模型，得到初始种群中每个个体在一天内储能的最优充放电曲线；
[0120] 5)统计电池充放电次数和每次的充放电深度；
[0121] 6)计算电池使用寿命；
[0122] 7)根据储能额定容量、额定功率和储能充放电曲线计算每个个体的适应度值；
[0123] 8)判断是否满足终止条件，若不满足则对初始种群进行交叉变异的遗传操作，得到子代种群；重复步骤3)～7)；若满足则输出内外层模型的最优解，终止程序。
[0124] 此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
