计及通信负载的5G基站储能调控策略

　　摘要 5G 基站建设作为“新基建”的重要组成部分，正加快推进建设进程。随着 5G 基站建设数量剧增，基站备用储能将是一笔容量可观的储能资源。由于 5G 基站仍处于建设初期，其作为新的储能配置主体参与配电网协同互动的策略仍亟待研究。文中设计了以盘活通信基站闲置储能资源为目的的 5G 基站云储能系统，提出计及通信负载的基站储能可调度潜力分析方法，并建立了 5G 基站储能参与电网协同调度模型。算例分析结果表明，文中所提 5G 基站储能调控策略可降低储能充放电对备电作用的影响，并利用基站通信负载的时间差异性与空间互补性，有效达到辅助电网削峰填谷、减少基站运营成本的效果，使电网与通信运营商互利共赢。

　　麻秀范; 孟祥玉; 朱秋萍; 段颖; 王志， 电工技术学报 发表时间：2021-09-06

　　关键词：5G 基站备用储能 通信负载 云储能系统 可调度潜力

　　0 引言

　　近两年，我国明确提出加快“新基建”发展步伐，5G 基站建设作为新基建之一，正稳步推进建设进程。5G 通信的频段较高，单个 5G 基站覆盖范围较 4G 基站小，且由于使用了更大规模的阵列天线、更高的带宽，其耗能明显高于 3G、4G 基站，各大运营商都在积极探索降低电费的方法。5G 基站通常会配置储能作为备用电源来保证基站的不间断供电需求，据工信部预计 2023 年 5G 基站对备用电池需求量将达到 31.8 GW•h，这是一笔非常大的储能资源。随着我国配电网更加坚强可靠，在市电正常供电时，通信基站储能电池一直处于闲置状态，造成了资源的浪费。因此，如何盘活碎片化闲置储能资源，使 5G 基站作为新的储能配置主体参与到与配电网的协同互动中来，从而实现电网与通信运营商的互利共赢将成为研究的重点。

　　目前，在 5G 基站能效管理方面，国内外研究者多聚焦于基站休眠技术的研究[1-4]，其意在从源头降低基站的能耗，进而达到节约能源、降低运营商电费成本的目的。但这种方法在节能降费的同时往往伴随运营商通信服务质量受损，5G 通信用户体验感降低等风险，因此亟待研究结合基站通信负载情况及不同时间空间尺度的动态功耗管理技术。

　　在储能调控技术方面，越来越多的学者致力于研究使各类分布式储能资源参与电力系统协同调度的方法[5-10]。文献[11]提出电动汽车分布式储能概念，考虑电池、电网和车主使用约束，提出计及电动汽车 出 行 不 确 定 性 的 储 能 充 放 电 控 制 策 略 。 文 献 [12-13]基于规模化聚合管理分布式储能的研究思路，分别建立了电力市场环境下分布式储能聚合商参与电网协同调控模型。文献[14]总结了 5G 基站设备组成和用电特性，并对基站后备储能作为灵活需求侧资源参与电力系统协调互动进行展望，但并未提出 5G 基站储能参与协调互动的具体调控方法。由于 5G 基站具备自身通信业务特性，其他形式的储能调控研究成果无法完全适配于 5G 基站储能调控，因此考虑通信基站后备储能特殊性的参与电网协同调度方法将成为研究重点。

　　随着能源与信息领域深度融合的不断推进，通过构建储能云平台，利用能量信息化技术和先进通信技术对分散的储能资源进行数字化管控逐渐受到研究学者的关注[15]。文献[16]解释了云储能及其相关概念，详细阐述了云储能模式的各个要素及未来研究展望。文献[17]设计了本地自治的基站备用电池云储能系统，并提出了云储能系统的运营模式，但并未针对基站备用电池的能量管控方法进行具体研究。总结来看，目前关于 5G 基站储能参与电网协同调度的具体方式研究还比较缺乏，亟待对其进行进一步探索与完善研究。

　　本文从聚合大规模、分布式的基站储能资源以参与电网协同互动的角度，设计了以盘活通信基站闲置储能资源为目的的 5G 基站云储能系统。提出考虑基站通信负载差异性的基站储能可调度潜力分析方法，并根据基站储能的可调度容量，使用最小化负荷曲线方差及最大化储能调控收益作为优化目标，建立 5G 基站储能参与电网协同调度模型。并通过算例分析验证了模型的有效性与合理性，为 5G 基站储能参与电网协同调度提供了策略参考。

　　1 5G 基站云储能系统简介

　　1.1 5G 基站云储能系统控制架构

　　5G 基站储能具有数量多，分散广，个体容量小的特点。若由电网直接控制各单个基站储能的充放电行为，会给电网带来过重的计算负担及工作量[18-19]，也削弱了电网利用基站分布式小容量储能的意愿，因此由电网直接调控基站储能的可行性较低。本文在电网与各单个 5G 基站储能之间引入 5G 基站云储能调控平台这个类似中间代理商的角色，形成由电网-云储能调控平台-5G 基站三个主体构成的 5G 基站云储能系统，利用云储能的形式将小而分散的 5G 基站储能虚拟聚合，意在利用先进的通信技术打破物理连接局限，使电网灵活利用这种容量小、分散广的储能资源成为可能。

　　在该控制架构下，大量且分散的 5G 基站储能以终端形式接入云储能调控平台，并受其调控进行充放电响应。基站云储能调控平台作为 5G 基站储能和电网之间的交互平台，根据采集终端储能的状态参数，制定充放电计划并将其上传至电力系统调度中心，经电网安全校核并反馈结果后将具体的充放电策略下达至各 5G 基站，起到了传递信息流的作用。5G 基站储能执行收到的调控指令信息，通过储能的充电与放电实现与电网之间能量流的传递。

　　1.2 5G 基站云储能系统调控模式

　　5G 基站储能参与电网优化运行的目的主要是为盘活闲置的基站备用电池储能资源，通过合理的充放电过程实现参与电网削峰填谷，并利用峰谷电价差获取一定的收益。其可选择的调控模式可大致分为以下两种：

　　1)基站自主调控

　　在该调控模式下，基站仅考虑自身备用电池实际使用情况，根据当前电价控制基站储能的充放电行为，通过储能的低储高放获得收益。

　　2)云储能调控平台运营方通过与通信运营商签订合同直接调控基站储能

　　在该调控模式下，云储能调控平台运营方通过与通信运营商签订合同，获取基站储能设备的调控权，并通过与电网的信息交互按照电网实际运行需求下达调控指令，调整包括储能功率、启停等在内的充放电行为。

　　考虑到 5G 基站个体容量小且数量多，基站依据电价自主调控储能，缺少与电网之间信息的交互，未必会真正满足电网实际运行需求。甚至由于对电价信息的敏感程度和响应速度的差异性出现过响应或响应滞后等结果，严重影响了基站储能参与电网优化运行的效果。因此，本文对 5G 基站储能调控策略的研究采用基于合同的直接调控模式。

　　1.3 5G 基站云储能系统调控流程

　　基站云储能调控平台实现将分散的 5G 基站储能聚合以服务电网，其与电网和 5G 基站的交互流程如图 1 所示。

　　调控平台运营方在 5G 基站侧安装终端量测、通信和控制设备，对基站的运行状态、储能设备参数和基站负载状态等信息进行实时监测，并结合各 5G 基站的备用电池需求情况分析基站储能的可调度潜力，制定聚合后的基站储能调用出力计划并上报给电网。电网经安全校核反馈给调控平台需求指令，调控平台根据指令制定具体的调控策略并下达至各 5G 基站，控制各基站储能的充放电行为。

　　2 5G 基站储能可调度潜力分析

　　2.1 基站通信负载特性

　　用户作为基站通信数据流量产生的来源，其日常使用行为在一定程度上导致了通信流量负载在不同时刻呈动态变化的特性。且用户在移动网络中随时可能处于移动状态，随着用户在空间位置上的移动，其通信过程也会在不同基站覆盖区之间移动。如图 2 所示，以目前应用成熟的 4G 基站通信负载时空特性举例说明[20]。

　　可以看到，在时间特性方面，受用户生活习惯的影响，基站通信负载在一天 24 h 内处于波动状态，且存在明显负载高峰和低谷;在空间特性方面，工作时段办公区域的基站通信负载明显高于居民区域，而非工作时段，居民区域的基站通信负载明显高于办公区域。我们身边的众多场所如商业区，办公区，住宅区等区域均随人类移动行为而存在明显的用户数量波动性，这使得处于不同地理区域的基站通信负载情况存在明显差异性与一定程度的互补性。随着 4G 时代向 5G 时代迈进，定然会催生出依托于 5G 高传输速率、低延迟等优势的新业务及应用，但其对于人类移动行为的影响比较有限，故处于不同功能区域的 5G 基站通信负载也会存在一定程度的差异与互补。目前 5G 基站储能的容量主要参考基站峰值负载所对应的峰值功耗进行配置，由于基站通信负载并不是时刻都处于峰值状态，故其储能的配置存在一定冗余，这也为基站储能参与电网协调互动提供了可挖掘的调度潜力。

　　2.2 基站储能可调度容量模型

　　5G 基站储能最主要的功能是作为备用电源来保证基站的不间断供电需求，因此 5G 基站储能充放电方案的制定，需要根据基站对备用电源需求的紧要程度，以最小化市电突然停供对基站连接用户的影响为前提，进行制定。

　　基站负载表示了基站承担业务量的多少，可以由基站接入用户数、占用带宽比、占用子带宽数等表示[21]。本文以基站接入的用户数目表示基站负载量，并引入一个基站负载率指标load 为 load = all L L  (1)式中，L 为基站当前接入用户数;Lall 为基站可承担最大用户接入量。基站负载率指标load 定义为基站当前接入用户量和基站最大用户接入量的比值，反映了基站当前负载状态的繁重程度，由于用户接入基站时不允许超负载，故 [0,1] load 。根据load 的大小对基站负载状态进行划分，见表 1。

　　其中，基站负载状态指标阈值 n 可根据基站自身情况及调控需求灵活调整。由于基站负载状态直接影响其对于备用电源需求的紧要程度，对于处于重负载状态的基站，其接入用户数目大，承担业务量多，对备用电源的容量稳定性和备电可靠性要求很高，而储能调控参与电网互动会影响其作为备用电源的可靠性，故本文不考虑对处于重负载状态的基站储能进行调控。对于处于零负载状态和正常状态的基站，因其对备用电源需求的紧要程度相对较低，随着市电供电可靠性的提高，为了避免基站储能在市电供应正常时长期处于闲置状态而造成资源的浪费，考虑对此类基站储能进行合理调控，提高资源利用率。

　　为了提高基站储能调控的合理性，考虑通过限制基站储能充放电的荷电状态(State of Charge, SOC)范围将基站储能可调控容量与基站负载状态相关联，尽量降低储能调控对备电作用的影响。

　　具体实现方法如图 3 所示。

　　由图 3 可知，Sup 和 Sdown 分别为储能电池为避免过充过放设置的 SOC 上、下限值，Smin 和 Smax 分别为考虑基站负载状态而设定的储能充放电 SOC 上下限，其中 min load S k   (2)式(2)将基站储能的放电 SOC 下限与基站负载状态相关联，k 为关联系数且 k [0,1] 。当基站负载状态指标load 值增大时，储能的放电 SOC 下限 Smin 随之增高，储能放电到约束的 SOC 值时便停止放电，尽可能提升储能的备电可靠性。

　　对于基站储能充电上限的约束没有放电下限约束那么严格，因为基站储能处于容量充裕状态是有利于基站备电可靠性的，故可将 Smax 默认设置为 Smax=Sup。

　　综合考虑储能的两种约束，得到基站 i 的最终充放电 SOC 上、下限分别为 ,min min max{ , } i down S S S  (3) S S S i up ,max max   (4)根据基站 i 储能的实时 SOC 状态和充放电 SOC 上、下限可计算储能的向上可充电容量和向下可放电容量分别为 ,max ( ) [ ( )] pc E t S S t E i i i    (5) ,min ( ) [ ( ) ] pd E t S t S E i i i    (6)式中， () pc E t i 和 ( ) pd E t i 分别为向上可充电容量和向下可放电容量;Si(t)为 t 时刻基站 i 储能的 SOC 值; Si,max 和 Si,min 为基站 i 的储能充放电 SOC 上下限，E 为储能额定容量。

　　根据储能的可充电容量和可放电容量可以计算出在一个调度的时间间隔 Δt 内，基站 i 储能的最大充电功率和最大放电功率为 ,max ( ) ( ) min( , ) pc c i i i E t p t p t  (7)式中， ,max pc i p 为基站 i 储能在 Δt 内的最大充电功率; i p 为储能电池的最大充电功率限制值。

　　假设充电基站储能群的基站数量为 M 个，则 t时刻充电储能群的最大充电功率为 max ,max 1 ( ) ( ) M c c i i P t p t  (8)同理，储能放电时 ,max ( ) ( ) min( , ) pd d i i i E t p t p t  (9)式中， ,max pd i p 为基站 i 储能在 Δt 内的最大放电功率; i p  为储能电池的最大放电功率限制值。假设放电基站储能群的基站数量为 N 个，则 t 时刻放电储能群的最大放电功率为 max ,max 1 ( ) ( ) N d d i i P t p t  (10)

　　3 计及通信负载的 5G 基站储能调控策略

　　3.1 基站储能分群调控原理

　　本文选取了 5G 基站储能分群依据的四个指标，分别为：市电供应状态、基站负载状态、储能荷电状态和储能充放电次数。

　　1)市电供应状态：是最先需要考虑的状态量，我们所研究的对 5G 基站储能的调控都是基于储能闲置条件下的，若市电故障停电，基站储能必然要履行其备电作用。

　　2)基站负载状态：不同基站在不同时刻的流量负载是不同的，可根据基站流量负载程度不同为其添加零负载、轻负载、重负载标签。对于流量负载过高的重负载基站，因其承担的用户数目大，业务多，对基站储能的备电可靠性需求也会增高，我们考虑不对重负载基站的储能进行调控，令其仅作备电。

　　3)储能荷电状态：根据储能荷电状态的不同来决定是将其编入充电储能群还是放电储能群，并可以通过设定一定的荷电状态限制值来限制储能的充放电深度。

　　4)储能充放电次数：储能充放电次数与储能系统寿命直接相关，设定充放电次数限制可以避免储能因受电网调控而频繁充放电导致其使用寿命下降的问题。对于储能充放电次数达到上限的基站储能不考虑继续对其进行调控。

　　具体分群判别的流程如图 4 所示。

　　3.2 储能调控目标函数

　　随着智能电网的快速发展，电网对削减峰时用电、缓解线路阻塞、提高电力系统运行安全性与经济性的需求逐步提升，同时，通信运营商也急需利用现有资源降本增效从而进一步推动 5G 基站的推广建设进程。故为切实达到基站储能与电网互动的友好协调，本文考虑以下两个优化目标函数。

　　1)目标函数 1：最小化负荷曲线方差  24 1 1 2 24 1 1 min ( ) ( ) ( ) 24 1 ( ) ( ) ( ) 24 ch diss t ch diss t F D t P t P t D t P t P t       (11)式中，D(t)为 t 时刻电网的负荷需求;Pch(t)、Pdiss(t) 为 t 时 刻 5G 基 站 储 能 总 充 电 放 电 功 率 ， 且 Pch(t)=ΣPi,ch(t)，Pdiss(t)=ΣPi,diss(t)。

　　2)目标函数 2：最大化基站储能调控效益max ( ) ( ) ( ) ( ) diss t diss ch t ch t b diss ch t F P t t P t t C P t P t t       (12)式中，πch,t 和 πdiss,t 分别为基站储能在 t 时刻的充放电价格;Cb 为基站储能损耗成本系数;Δt 为单位时间间隔。

　　3.3 储能调控约束条件

　　1)基站储能的充放电状态约束  0 1 , ,0 1 ch diss ch diss          (13)式中，βch、βdiss 为储能充放电状态变量，上述约束保证单个 5G 基站储能在同一时段不可处于既充电又放电状态。

　　2)调控平台充放电指令约束

　　5G 基站云储能调控平台在任一调度时段内不能同时下达充电和放电指令，但可以处于既不充电也不放电的待机状态，故调控平台的充放电指令约束为 diss ( ) ( )=0 P t P t ch  (14)

　　3)储能充放电等式约束 , , , , , , i diss t i t i t t ch i ch t diss P t E E P t    (15)式中，Ei,t 为 t 时刻储能 i 容量;ηch 为储能充电系数; ηdiss 为储能放电系数;E 为储能额定容量。

　　4)储能充放电功率约束 , , ,max , , ,max 0 ( ) ( ) 0 ( ) ( ) c i ch ch t i d i diss diss t i P t P t P t P t        (16)式中，Pi,ch(t)为储能 i 在 t 时刻的充电功率;Pi,diss(t) 为储能 i 在 t 时刻的放电功率。

　　5)储能 SOC 上下限约束 i t i t i t ,min, , ,max, S SOC S   (17)式中，Si,min,t 为储能 i 在 t 时刻的 SOC 下限;Si,max,t 为储能 i 在 t 时刻的 SOC 上限。

　　6)电网功率约束 min max min max ( ) ( ) grid ch grid grid diss grid P P t P P P t P        (18)式中， max grid P 、 min grid P 分别为当前区域电网允许的传输功率上、下限。

　　3.4 多目标处理

　　文中所提模型为多目标优化问题，为便于模型求解，首先利用 min-max 标准化方法消除目标函数间量纲及数量级的差异，对各目标函数归一化处理如下： 1)极小化目标函数归一化处理 ' min max min i i i i i F F F F F  (19) 2)极大化目标函数归一化处理 ' max max min i i i i i F F F F F  (20)式中，Fi、F ’ i 分别为归一化前后目标函数值;Fimax、 Fimin 分别为目标函数最大、最小值。利用权系数法将多目标转换为单目标优化： 2 ' 1 min i i i F F  (21)式中，ωi 为权重系数，且 Σωi=1。权重系数可按照实际调控需求调节，本文以 ωi 分别为 0.5，0.5 进行求解。

　　4 算例分析

　　4.1 算例数据

　　为验证模型有效性，采用某地区典型日负荷曲线[22]作为原始负荷数据，负荷曲线如图 5 所示，分时电价见表 2。假设该地区共有 200 个 5G 基站参与电网协同调度，且分散于工作区、住宅区、商业区、寄宿制大学中学区和工作住宅混合区 5 种不同功能区域，每种功能区域的 5G 基站数量占比分别为 38%、 17%、14%、8%和 23%。由于目前 5G 基站的建设覆盖范围和用户使用情况还未达到稳定水平，故初步利用文献[23]中的 4G 基站通信负载变化趋势来模拟算例中涉及的 5G 基站通信负载变化，即各功能区域典型 5G 基站通信负载变化趋势如图 6 所示。

　　根据当前 5G 基站后备电源配置情况，本文研究的单个 5G 基站均配置一组 48 V/400 A•h 的储能电池，各基站储能在调度时段初始的 SOC 值为 0.3，且每小时最大充放电功率为 0.3 倍额定容量，具体储能设备参数见表 3。

　　4.2 结果分析

　　4.2.1 储能充放电策略结果

　　根据各区域基站通信负载变化趋势，本文不考虑对基站负载状态指标大于 0.8 的繁重基站进行储能调控，即基站负载状态指标阈值 n 取 0.8[21]，且 2.2 节所述关联系数 k 取 0.5，利用 matlab 平台调用 cplex 求解器进行优化求解，得到最终基站储能充放电策略。图 7 展示了在一个调度周期内 5G 基站储能受基站云储能调控平台调控的充放电策略结果及原始负荷曲线和叠加储能出力后的实际负荷曲线，其中正值为储能充电功率，负值为放电功率。

　　由图 7 可知，基站储能参与电网协同调度可以平抑峰谷差，达到削峰填谷的效果，且不会因储能的出力而引起新的负荷尖峰或负荷低谷。具体削峰填谷效果见表 4。

　　4.2.2 各区域储能充放电结果

　　五种功能区域典型 5G 基站充放电策略结果如由图 8 可知，0~8 时各区域基站储能处于充电阶段缓慢积累电量，达到填谷效果。在放电阶段，基站通信负载高峰时段储能处于待机状态不与电网进行协调互动，进而保证储能留有一定余量进行备电;基站通信负载正常及低谷时段基站储能放电，达到削峰效果。位于大学及寄宿制中学区和住宅区的基站储能放电主要集中于 10~13 时，位于商业区和工作区的基站储能放电主要集中于 17~22 时，放电时段对应各区域基站通信负载较低时段。由于不同区域基站通信负载变化存在一定互补性，使得各区域储能的充放电动作相互配合，因此集中后的基站储能可调度潜力不会在某个时段过低或过高。

　　4.2.3 储能充放电策略对比分析

　　本文提出的计及基站通信负载状态的工作住宅混合区典型储能充放电策略及不计及通信负载状态的储能充放电策略如图 9 所示。

　　由图 9 可知，本文提出策略在基站通信负载高峰时段(如 19~20 时)处于待机状态，保留了一定储能容量进行备电;不计及通信负载状态的充放电策略在 19~20 时储能已放电至容量较低水平，而基站通信负载却处于高峰状态，若此时市电突然停供，储能将没有足够的剩余容量向基站进行紧急供电，从而影响基站的通信服务质量。

　　4.2.4 基站储能参与协同调度收益分析

　　一个调度周期内基站储能参与电网协同调度的收益如图 10 所示。

　　由图 10 可知，本文提出的储能充放电策略在一个 调 度 周 期 内 可 获 得 的 储 能 低 储 高 放 收 益 为 1 287.21 元，与不计及通信负载状态的储能调控策略相比收益相对低一些，但是其基站的备电可靠程度得到提高。

　　5 结论

　　本文以盘活通信基站闲置储能资源为初衷，提出考虑基站通信负载差异性与互补性的基站储能参与电网协同调控策略，该策略针对 5G 基站储能的特殊性，计及通信负载实时变化对基站备电需求的影响，可减少基站储能参与协同调度对其自身备电可靠程度的影响。通过算例分析验证了模型的有效性及合理性，并得到以下结论：

　　1)通过基站储能云调控平台将大量且分散的 5G 基站储能聚合以参与电网协同互动，可切实达到辅助电网平抑峰谷差、削峰填谷的效果，本文所提策略使区域峰谷差减少 34.67%。

　　2)将基站储能可调控潜力与基站通信负载状态相关联进而制定储能调控策略，可避免通信负载高峰时储能剩余备电容量过低的情况出现，并可利用不同区域通信负载变化的互补性，使集中后的基站储能可调度潜力不会在某个时段过低或过高。

　　3)基站储能参与电网协同互动可在平抑电网峰谷差的同时通过储能的低储高放获得收益，本文所提策略在一个调度周期内可获得的储能低储高放收益 1 287.21 元，在一定程度上减少了基站运营成本，实现电网与通信运营商的互利共赢。