隨著5G基站建設速度加快、開站數量上升，運營商OPEX支出已超過凈利潤，電費快速增長且占比高達26%左右，給運營商經營帶來非常大的挑戰和壓力，急需新的技術和解決方案幫助運營商降低基站電費支出。

傳統基站電池僅用于市電停電時的應急備電，沒有成為基站資產經營的一種生產工具，造成運營商較大的儲能設備沉默資產浪費。當前電力部門結合電網的負荷變化，將每天24小時劃分為尖峰、高峰、平時、低谷等幾個時段，對各時段分別制定不同的電價，來鼓勵用戶合理安排用電時間，削峰填谷，提高設備的利用效率并節約能源，保障電網的安全穩定運行，對于降低用電客戶用電成本、優化供電電網供電結構有著重大的效益收益和社會收益。

5G基站電源及儲能工況更為復雜

通信基站儲能系統削峰填谷需要優先保障備電可靠性及電池資產安全性，這部分受到市電停電、負載波動、電池容量、電池新舊等多重因素影響。不同于2G/ 3G/4G時代，5G基站電源及儲能工況更為復雜，主要體現在：

5G基站負載功率更大，負載波動影響更為劇烈，電池放電電流變化更大，削峰時電池放電開始時刻、放電停止時刻需要更為精準，不同站點電池的SOC和SOH不同，需要儲能系統調度及時、動態按站響應，固定錯峰模型下難以準確計算出批量站點的設置參數，一刀切的做法很容易導致部分站點異常宕站或收益不足。

按用戶差異化供備電管理，浙江鐵塔建站要求依照負載2G/3G/4G備電3小時、5G備電1小時配置電池容量，不同站點備電時長不統一、相同站點備電時長分梯次，需要智能化算法自動匹配站點削峰填谷策略。

存在大量的電池混搭，人工完成海量數據分析和測算成本太高且難以實現，給不出準確的固定錯峰設置參數。

5G建站按需擴容，不同時期的基站電源容量、電池配置和負載大小會發生變化，需要應用數字化工具實時監測站點配置變化，智能化調整削峰填谷參數。

由此可見，在5G基站上直接應用統一固定削峰填谷可能會引起電池過放導致備電不足而產生宕站，或電池欠放導致收益不能最大化，或深度放電導致影響電池壽命和投資資產安全，統一固定模型無法做到節省電費收益最優、資產全生命周期綜合收益最優。

5G基站由市電供電，通過直流電源實現交流轉直流能源轉換，由電池儲能系統實現交流停電時電池備電，保障通信設備負載持續供電和業務持續運行。根據每天峰谷電價情況設置錯峰用電參數，實現谷價使用外市電(電池儲能)、峰價不使用外市電(電池放電)的功能，最終達到降低電費的目的。5G智能電源可利用現網具備循環能力的電池實現錯峰用電，也可以在現網備電電池基礎上疊加智能鋰電實現錯峰用電。

5G基站AI削峰填谷需要動態監測電網、負載和電池情況，進行持續數據訓練及建模，實現站點能源綜合尋優。現網站點動環監控單元檢測數量足夠，但是每小時上報一次數據實時性不夠。5G智能電源可以實現站點數字化精細管理，數據處理能力強大，通信上報響應高達秒級，智能鋰電BMS實現高精準度的SOC和SOH預測，這些構成AI削峰填谷站點單元的基本數字化要素。

站點單元數據上報給云端匯流形成數據湖，基于大數據持續訓練出AI停電模型、AI負載模型和AI電池模型，支持基于歷史數據離線仿真回測，促進迭代提升，支持用戶配置一站一策、一時一策多種靈活的省電策略，構建AI動態推理能力。

AI削峰填谷原理及尋優策略

AI削峰填谷實現動態精準預測，需要滿足以下條件——

過去的歷史數據特征分析和建模，從站點單元的歷史停電、負載和電池特征、基站屬性中提取特征字，把網絡中提取的特征字聚類分析，依照特性算法，構建出基礎模型。

現在的站點單元數據快速響應和處理，當前站點單元上報數據和基礎模型比對與計算，綜合考慮加權因子，給出站點單元預測信息。

未來的變化及自學習迭代。基于時空預測算法，既有時間上的負載變化規律的學習，又有空間上站與站業務切換帶來的負載變化的學習；在兩個空間上的每個原始特征都會被衍生變換出更多高階特征，幫助模型充分挖掘數據規律。

根據站點負載的不同和突變情況，在AI預測算法中加入數據突變的趨勢檢測和概念漂移(是否判斷數據規律發生變化)特性張量，使負載變量場景可迅速響應跟隨。

錯峰過程曲線轉折點是尋優算法(電費模型)自助優化決策的結果，無人工規則的干預。由尋優模型直接輸出充放電時間和充放電量，電源、鋰電聯動并做異常保護逃生，達到可靠備電前提下的電費最小。

AI削峰填谷還需要分析和處理特殊場景情況。

在高速路口等負載強隨機波動站點場景，能夠實現較高的動態預測精度，試點測試負載預測精度平均誤差為5.7%。

在福利院等負載波動較小站點場景，能夠進一步提高負載預測精度，試點測試平均誤差為1.1%。同時通過充放電策略尋優獲得全局最優的充放電量和充放電位置，實現節能收益最大化和系統可靠性的平衡，自動選擇間歇式放電，控制溫升，利于電池壽命延長。

在商務樓宇等重要站點場景，電池備電安全系數要求較高，系統判斷冗余備電時間不足，不做削峰填谷，優先確保供電可靠。

AI技術應用于5G基站削峰填谷，有利于站點備電可靠性的提升，配置簡化，無須根據不同站點配置不同的備電深度，非人工進行充放電策略設計，并實現站點削峰填谷綜合收益最大化。

AI技術試點應用及效果分析

AI削峰填谷節省基站電費

針對杭州13個局點選取不同的負載大小與電池容量站點，進行AI削峰填谷特性驗證，每年平均收益1784元/站，平均收益比例為17.1%，經濟效益明顯。全部試點投入運營長達半年多時間，站點零起宕站事故，站點供備電可靠性得到有效保障。

實現電池精準配置預測

通過對現網站點的停電信息、風險因子等大數據分析(如交流停電、負載功率、電池容量配置等)，結合電池容量和負載預測，判斷站點的電池欠配或過配容量，對電池進行精準運維和電池配置的優化指導，在可靠供電的前提下實現電池精準配置。

有益于供電可用度提升

PAV(Power Availability，供電可用度)特性實現站點級、區域級能源動力可用度有效看護，及時發現超過基線的異常情況，挖掘TOP N問題站點，便于及時采取有效措施。通過對全網站點進行動力可用度看護，電池備電風險性分析，識別供電薄弱點，實現精準改造，提高維護效率。

智能化風險預警

通過對現網站點的實時告警及下級設備的狀態進行智能化分析，快速識別站點風險，基于風險提醒運維提前預防或宕站預測的方式降低站點宕站率，指導運維精準下站。

總體分為兩部分：預防性預警分析與風險性預警分析。

預防性風險分析：基于站點電源設備的告警、性能數據及配置信息，進行大數據分析，提前識別有隱患的站點，給出隱患的具體信息及處理建議，指導前瞻性的運維，提前消除隱患，避免宕站。如電池老化、電池單體高溫等風險。

風險性預警分析：基于站點需要及時處理的風險，及時上報風險預警，給出智能化原因分析及處理建議，指導運維精準下站，如不及時處理會引發站點宕站的風險。如PSU輸出能力不足、電池熔絲斷、電池剩余備電時長不足、交流停電時長過長等。

宕站根因智能化分析

針對已宕站站點，根據告警與歷史性能數據自動分析，遠程識別站點宕站根因，免運維下站定位故障。

* *

以上簡要分析和論證了AI技術在5G基站儲能系統削峰填谷應用的原理和可行性方法，該研究可以有效解決固定錯峰方案在5G演進中的不足，極大提升通信基站備電可靠性，最大化削峰填谷節電收益。

通信基站運用數字化和智能化技術，加強了站點綜合能源調度管理，實現站點級、網絡級能源利用率最優，打下智能運維基礎。

在3060(二氧化碳排放力爭2030年前達到峰值，力爭2060年前實現碳中和)政策的驅動下，預計運營商會積極試點及推廣AI技術在通信基站的應用。該研究在業務上為運營商降本增效和基站能源架構轉型保駕護航，在行業內初步實踐基站能源調度尋優理論，為更多領域實現能源信息化提供了重要的理論和技術支撐。