一种基于XGBoost的5G新建规划站点用电量预测方法与流程

本发明涉及电量预测，具体为一种基于xgboost的5g新建规划站点用电量预测方法。

背景技术：

1、5g基站主设备，主要由bbu和aau组成。aau本质上就是4g时代的rru+天线。bbu负责基带数字信号处理，aau负责将基带数字信息转换成模拟信号，然后调制成高频射频信号，再通过功放单元放大功率，通过天线发射出去。

2、现有技术中，一个5g室外基站单租户平均功耗在3.8kw左右，是4g基站的3倍以上，单个5g基站单租户年综合电费约2.3－3万元/年。平均每个5g基站每天要用65度电，电价基本在1元/度左右，所以一个5g基站每天用电成本为65元；此前工信部表示，截至2022年6月底，中国5g基站数达到185.4万个，已建成全球规模最大、技术领先的网络基础设施。据测算，到2026年，5g基站耗电量更将上升至全社会用电量的2.1％。很显然，用电量是5g基站运营成本的最大开销之一。

3、但是，现有的基站用电量往往是通过一些经过专家经验得到的计算公式估算得到的，比如，基站总耗电量＝(主设备耗电量+空调耗电量+电源设备耗电量+其他及照明耗电量)×耗电量波动系数。不同厂商的设备的耗电量不一致，不同设备的耗电量往往也不一致，所以，人为设置的波动系数会造成电量计算偏差较大。由于5g新建规划站点往往不具有一定数量的有效且稳定的用电量历史数据，基于时序预测的用电量预测方法往往也不能有效地建模来得到历史数据的时序特性。

技术实现思路

1、本发明的目的在于提供一种基于xgboost的5g新建规划站点用电量预测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于xgboost的5g新建规划站点用电量预测方法，所述方法包括以下步骤：

3、s1.通过传感器获得5g新建规划站点的板卡数据，通讯数据和用电量数据；

4、s2.进行板卡数据预处理，针对每个不同的板卡建立一列数据来保存对应的板卡数据；

5、s3.进行训练数据的清洗；

6、s4.对清洗完的数据进行预处理；

7、s5.构造网格搜索模型，搜索learning_rate、max_depth和n_estimators参数的最优值；

8、s6.建立xgboost回归预测模型，将各项参数的最优值输入模型中，使用训练数据训练模型；

9、s7.输入测试数据到模型中，测试模型的泛化性能，保存测试完的模型到本地。

10、优选的，步骤s1中，包括以下步骤:

11、通过传感器获得5g新建规划站点的各项性能指标，包括“主控板数量”、“基带板数量”、“bbu/aau型号”、“bbu/aau个数”、“用户数”、“vonr话务量-erl”、“5g流量(上行+下行)-gb”、“上行prb平均利用率”、“下行prb平均利用率”、“pdcch信道cce占用率”、“无线利用率”、“ee_bbumeanpower”和“ee_rrumeanpower”，“ee_bbumeanpower”和“ee_rrumeanpower为预测标签，其余指标为输入指标。

12、优选的，步骤s2中，包括以下步骤:

13、进行板卡数据预处理，需要不同的列存储不同的板卡的数据，若数据中出现了n种类型的板卡，添加n列的数据来表示每种类型的板卡的数量，若某个5g新建规划站点并没有装配某类型的板卡，则5g新建规划站点的该类型的板卡数量置为0。

14、优选的，步骤s3中，包括以下步骤:

15、进行训练数据的清洗，若某个5g新建规划站点的数据有任意一个字段下有空缺值则该条数据不参与训练，按照8：2的比例对整体数据进行切分，80％的数据用于训练，20％的数据用于测试。

16、优选的，步骤s4中，包括以下步骤:

17、对清洗完的数据进行预处理，使用z分数法进行标准化处理，减小指标的量纲对于用电量回归预测的影响，标准化的数据将用于回归预测。

18、优选的，步骤s5中，包括以下步骤:

19、构建网格搜索模型，将xgboost模型输入网格搜索模型，设置learning_rate的搜索范围为100、200、500和700，设置n_estimators的搜索范围为100、200、500和700，设置max_depth的搜索范围为10、15和25，设置min_child_weight的搜索范围为1、3、5和7，设置gamma的搜索范围为0、0.1和0.2，设置colsample_bytree的搜索范围为0.7、0.8和0.9，设置subsample的搜索范围为0.7、0.8和0.9，设置reg_alpha的搜索范围为0.005、0.01和0.1。

20、优选的，步骤s6中，包括以下步骤:

21、建立xgboost回归预测模型，设置learning_rate为0.05，设置n_estimators为700，设置max_depth为15，设置min_child_weight为3，设置gamma为0，设置colsample_bytree为0.9，设置subsample为0.9，设置reg_alpha为0.005，使用训练数据训练模型。

22、优选的，步骤s7中，包括以下步骤:

23、输入测试数据到模型中，设置不同的误差比例，计算模型的准确率，绘制模型在不同误差比例下的准确性折线图，保存测试完的模型到本地。

24、与现有技术相比，本发明的有益效果是：

25、本发明提出的基于xgboost的5g新建规划站点用电量预测方法，通过传感器获得5g新建规划站点的板卡数据，通讯数据和用电量数据、板卡数据预处理、数据清洗、数据标准化、网格搜索最优参数、训练xgboost模型、测试xgboost模型。本发明通过使用xgboost进行用电量数据的回归预测，并且考虑了不同的bbu和aau的型号和数量对于用电量预测的影响，能够更精准的预测5g新建规划站点的用电量。

技术特征：

1.一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s1中，包括以下步骤:

3.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s2中，包括以下步骤:

4.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s3中，包括以下步骤:

5.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s4中，包括以下步骤:

6.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s5中，包括以下步骤:

7.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s6中，包括以下步骤:

8.根据权利要求1所述的一种基于xgboost的5g新建规划站点用电量预测方法，其特征在于：步骤s7中，包括以下步骤:

技术总结
本发明涉及电量预测技术领域，具体为一种基于XGBoost的5G新建规划站点用电量预测方法，包括以下步骤：通过传感器获得5G新建规划站点的板卡数据，通讯数据和用电量数据；进行板卡数据预处理，针对每个不同的板卡建立一列数据来保存对应的板卡数据；进行训练数据的清洗；对清洗完的数据进行预处理；构造网格搜索模型，搜索learning_rate、max_depth和n_estimators参数的最优值；建立XGBoost回归预测模型，将各项参数的最优值输入模型中，使用训练数据训练模型；输入测试数据到模型中，测试模型的泛化性能；有益效果为：本发明通过使用XGBoost进行用电量数据的回归预测，并且考虑了不同的BBU和AAU的型号和数量对于用电量预测的影响，能够更精准的预测5G新建规划站点的用电量。

技术研发人员：吉宝伦,王炳亮,张文龙,刘晗,李伟
受保护的技术使用者：浪潮通信信息系统有限公司
技术研发日：
技术公布日：2024/1/15