图1 基站通信负载日分布特性
Fig.1 Temporal characteristics of base station communication load
摘要 5G网络高能耗特点会降低传统变电站规划方案的经济性，如何实现5G时代下的绿色通信并兼顾变电站规划的经济性与可靠性亟待研究。该文采用基站休眠策略提升5G网络能效，基于通信负载分布情况动态划分5G基站储能容量，建立兼顾通信负载服务质量及基站供电可靠性的5G网络用电需求模型。在此基础上，盘活5G基站冗余储能参与电网故障不确定情况下的变电站供区故障供电及负荷削峰填谷两种需求响应，提出一种考虑5G网络用电需求及可靠性的变电站双Q规划法。算例分析表明，该文所提的变电站规划方法可在绿色通信下有效地降低变电站的投资成本，基站冗余储能可在电网故障不确定情况下不同程度地改善变电站供区内的失负荷值，提升变电站规划区域的可靠性，适用于5G基站的规模化应用。
关键词：5G网络能效 基站储能 双Q规划 需求响应 可靠性
通信网络终端设备急剧增长，5G基站的规模化应用可在拓展信道容量、推动智能电网建设等方面提供高质量的技术支撑[1-3]。与此同时，5G基站能耗相比4G基站也明显增加，5G网络的高能耗问题将会对配电网变电站的规划造成影响。如何有效降低5G网络能耗，在保证可靠性与经济性的变电站规划中考虑5G网络的用电需求成为研究重点。
5G网络能耗管控措施目前主要有符号关断、载波关断、功率调控、基站休眠等[4]，虽能有效节能，但通信负载的服务质量会不同程度地受到影响。基站能耗主要与基站类型及其负载情况相关[5]，基于通信负载的动态时空分布情况，研究保证通信负载服务质量的5G网络节能策略具有重要意义。
5G网络通信因其“低时延、高容量、高带宽”的特点已成为当前网络通信的趋势。在新型电力系统建设下，变电站改造升级时对通信技术的需求与5G网络的通信优势高度契合，5G网络的应用可助力变电站逐步走向智能化。此外，5G网络为海量通信负载服务的同时成为主要用电负荷。因此，5G网络既为变电站的改造升级提供技术支撑，又是变电站供区内的新兴高能耗用电负荷，未来在进行变电站规划时势必要考虑其用电需求。目前，学者们更多地关注数据中心站、电动汽车等新兴负荷的用能特点，配合储能、分布式能源等灵活性资源，致力于探索包容多样化负荷并兼顾经济性与可靠性的变电站选址规划方法。文献[6]研究包含电动汽车、数据中心站、储能站等多元主体的变电站规划方法，但未就变电站的供电可靠性进行定量分析和综合考量。文献[7]根据综合能源站的用电概率模型，提出变电站机会约束规划方法，通过调整置信水平提升变电站规划的经济性，但变电站的供电可靠性未得到保证。文献[8]在用户侧配置储能，通过灵活调节用户侧储能以提升供电可靠性，减少配电网的投资成本，但未提出储能调节配电网供电可靠性的具体调控方法。变电站规划中面临着这样的挑战，即在降低规划总费用的同时要设计兼顾数量（Quantity，需求和容量）和质量（Quality，供电可靠性）双重目标的双Q（Quantity and Quality）规划方案[9]。目前，针对5G网络用电需求的变电站选址规划鲜有研究，若以5G网络的实际峰值功耗作为变电站规划依据将会造成投资成本高且变电站容量利用率低的问题，需进一步探索适应5G基站规模化应用，且兼顾经济性与可靠性的变电站规划方法。
在储能调控方面，近年来以聚合各类储能资源的“云储能”参与电网需求互动、提高电力系统可靠性为研究重点[10-11]，文献[12]在综合能源系统的设计中配置储能，降低系统经济性成本的同时提升系统可靠性。5G基站储能与常规储能不同，需留有备用容量作为后备电源。文献[13]提出基站储能长期处于备电工作模式造成资产利用率低的问题，研究基站储能参与电网削峰填谷的调控策略，并将基站储能与常规储能参与调度的成本进行经济性分析。文献[14]分析5G基站储能的可调控潜力，梳理了5G基站储能参与电网需求响应的思路。文献[15]提出了5G基站储能电池可调控容量的评估理论方法，并对5G基站参与需求响应潜在的商业模式进行探讨。常规储能改善变电站供区可靠性的方法不完全适用于5G基站储能。如何量化5G基站储能的备用容量及可调控容量，挖掘基站储能的可调控潜力以改善变电站供区内的可靠性成为研究重点。
根据以上背景，本文兼顾变电站规划的经济性与可靠性，提出一种考虑5G网络用电需求及可靠性的变电站双Q规划方法。首先，对5G网络的节能潜力进行分析，建立5G网络能效指标；然后，从5G网络优化能效后的负载功耗及5G基站的备电功耗两方面分析5G网络用电需求，基于基站休眠策略设计了5G网络能效优化模型，依据通信负载的时空分布量化5G基站的备用储能和可调控储能，备用储能在电网故障时为基站供电，保证基站供电可靠性，可调控储能正常运行时参与削峰填谷，电网故障时还可参与故障供电，提高变电站供区的可靠性；最后，将变电站双Q规划法转换为考虑5G网络用电需求的变电站规划问题以及变电站供区内不同可靠性置信度下的基站储能机会约束调控问题，实现变电站规划的双Q目标。
为满足多样化通信负载在数据传输速率及业务方面的需求，5G基站网络架构为由宏基站和微基站组成的异构网络[16]。宏基站实现网络基础覆盖；微基站则根据通信负载的业务需求进行部署。由于微基站部署密集，站间重叠覆盖区域多，通信负载与基站配对时有多种选择。
举例分析某地区5G网络的通信负载日分布特性如图1所示[17]。一天中，0—8时5G网络低负载，8—21时通信负载较为活跃，21时后5G网络负载回落。通信负载在时间上分布不均匀，存在“潮汐效应”。
图1 基站通信负载日分布特性
Fig.1 Temporal characteristics of base station communication load
5G异构网络在空间上的覆盖重叠性使得5G通信资源的分配方式多样化，可通过约束通信负载与基站的连接，调整5G通信资源的分配方式，改善5G基站的发射功率，以达到5G网络节能的目的。通信负载在时间分布上具备“潮汐效应”，当5G网络负载较低时，网络中的基站大多处于零负载或低负载状态，可将该部分基站休眠并转移其负载，降低5G网络的整体功耗。综上所述，5G异构网络在空间上的覆盖重叠性及通信负载在时间分布上的“潮汐效应”为5G网络提供了节能空间[18]。
1.2.1 5G基站与通信负载的连接准则
通信负载与基站能否连接主要取决于它们之间的信噪比值（Signal to Interference plus Noise Ratio, SINR）[19]，本文基于基站与通信负载间的实时信噪比建立连接准则。当通信负载与基站间SINR大于阈值g（基站与通信负载成功配对的最小SINR值）时，通信负载可与基站配对。定义矩阵A=(am,n)M´N，M为基站总数，N为通信负载总数，元素am,n描述基站与通信负载的连接情况，am,n=0表示基站m与通信负载n未连接，am,n=1即基站m与通信负载n配对成功。基站m与通信负载n间的信噪比为
（1）
式中，plm,n为基站m与通信负载n间的传播损耗；Pm,n为基站m与通信负载n间的传输功率；ply,nPy,n为其他基站对通信负载n的干扰；s2为高斯白噪声。
1.2.2 5G基站功耗特性
5G基站功耗有活跃状态下的动态功耗及休眠状态下的静态功耗两种，即
（2）
式中，Pm,BS为基站m的功耗；Pm,fix为基站m在活跃状态下的固定功耗；t为与基站负载相关的比例系数；Pm为基站m的发送功率；Pm,sleep为基站m休眠时的功耗。
5G网络的总功耗与基站运行状态有关，可通过式（3）计算得出。
（3）
式中，Hm为基站m的运行状态，Hm=1即基站m处于活跃状态，Hm=0即基站m休眠；Pcost为5G网络总功耗。
1.2.3 5G网络能效模型
“双碳”背景下绿色通信备受关注，能效优先成为未来5G网络的发展趋势。通过对5G网络特性以及通信负载特性的分析，将5G网络能效（EE）定义为5G网络的总传输速率与总功耗之比[20]（bit/(W×s)）。5G网络能效计算公式为
（4）
（5）
式中，Rm,n为基站m与通信负载n间的数据传输速率；Bm,n为基站m与通信负载n的通信信道带宽。
由式（4）可知，若能在保证系统总传输速率不变的情况下休眠部分基站以降低系统总功耗，可实现5G网络能效提升，满足通信负载需求的同时用更少的能量传递更多的信息。
变电站规划时，为保证通信负载的服务质量及基站的供电可靠性，本文从5G网络优化能效后的功耗及5G基站储能的备电功耗两方面分析5G网络的用电需求。
由1.1节及1.2.3节分析可知，5G异构网络工作时，基站的开关状态可以有多种组合，不同的基站开关组合对应着不同的休眠策略，合理的基站休眠策略能够降低5G网络总功耗，从而优化5G网络能效。本文从基站休眠降低5G网络总功耗的角度出发，以5G网络能效最优为目标，在通信负载服务质量得到保证的前提下对5G网络中的基站开关状态进行决策。优化能效后的5G网络总功耗可由式（3）求出，将5G网络优化能效后的功耗峰值作为变电站的规划依据，实现绿色通信并提升变电站规划的经济性。
2.1.1 目标函数
为保证通信网络的基础覆盖，本文设定5G异构网络中的宏基站不参与休眠，对微基站进行休眠策略研究，以最大化5G网络能效为目标函数，即
（6）
2.1.2 约束条件
（1）基站运行状态与通信负载约束：基站有活跃和休眠两种状态，通信负载与基站有连接和断开两种状态。
（7）
（2）通信负载连接约束：保证一个通信负载至多与一个基站连接。
（8）
（3）通信负载与基站配对约束：基站只在活跃状态下为通信负载提供服务。
（9）
（4）基站负载约束：保证基站负载不超过上限。
（10）
式中，
为基站m能够承载的通信负载上限；
为基站m所配对的通信负载数。
（5）通信负载服务质量约束：保证通信负载的服务质量。
（11）
式中，
为通信负载可与基站连接的最小信噪比值。
（6）连接中断概率约束：保证通信负载与基站连接的中断概率小于q。
（12）
5G基站一般参考最大负载下的功耗进行储能容量配置，由于基站通信负载动态变化且处于最大负载的时段较少，因此基站储能容量配置存在冗余。文献[21]将正常运行的5G基站分为零负载、轻负载和重负载状态，从5G基站储能电池荷电状态的角度分析基站储能的可调控潜力，重负载状态的基站储能不参与调控。本文在文献[21]的研究基础上，根据优化5G网络能效后的基站负载状态，从储能容量的角度将基站配置的储能按照功能分为两部分，一部分为保证基站供电可靠性的备用容量，另一部分为冗余的可调容量。对5G网络执行以能效最优为目标的休眠策略后，处于运行状态的基站负载较为均匀，因此本文考虑5G网络中的所有基站储能均可参与调控。对基站储能容量的划分如图2所示。
图2 基站储能容量划分示意图
Fig.2 Schematic diagram of storage capacity division of base station
图2中Em,UPS为基站储能的备用容量，其大小与基站负载状态有关；Emin为基站储能可放电容量下限；Emax为基站储能可充电容量上限。在变电站规划中，将基站储能电池充电至Em,UPS所需功耗也作为基站的一部分用电需求。剩余Em,UPS至Emax之间的储能容量作为可调控资源，参与电网需求响应。
基站不同负载状态下的储能备用容量和可调控容量不同，首先建立基站负载率指标为
（13）
根据基站负载率指标量化不同负载状态下的储能备用容量为
（14）
式中，E为储能电池的额定容量。通过系数δÎ[0,1]将基站负载状态下的储能备用容量Em,load与基站负载率tm,load建立联系。
基站负载运行时，Em,load随tm,load动态变化，考虑到基站休眠或处于低负载状态时的供电可靠性，最终取基站m所需的储能备用容量Em,UPS为
（15）
储能冗余的可调控容量为
（16）
（17）
式中，Em(t)为t时段开始时基站m的储能容量；Em,c(t)、Em,d(t)分别为基站储能可充、放电容量。
基站m可调控储能可充放电的最大功率为
（18）
（19）
式中，
为基站m储能电池能承受的充电功率上限；
为t时段基站m可调控储能充电功率的最大值；
为基站m储能电池能承受的放电功率上限；
为t时段基站m可调控储能放电功率的最大值；
为时段t的时长。
对5G网络的用电需求在一天中进行预测，将一天划分为24个时段，取峰值作为变电站规划依据，即
（20）
式中，t时段所代表的时间间隔为1h；PBS(t)为t时段5G网络优化能效后的功耗；PUPS(t)为t时段基站群储能备电总功耗; P5G为一天中5G网络的功耗峰值。
1）5G网络优化能效后的功耗。
在一天的24个时段中分别对微基站群执行休眠策略，优化5G网络能效。由于通信负载在时间上动态变化，24个时段有不同的能效优化结果，对应着不同的微基站休眠组合，5G网络优化能效后的功耗为
（21）
2）基站储能备电所需功耗
在一天24个时段中，Em,UPS随基站负载情况动态变化，为判断在t时段基站储能容量是否满足备电需求，设置决策变量
。的取值设置为
（22）
式中，=1，表示t时段基站储能备电不足需充电；=0，表示t时段基站储能备电满足要求无需充电。
t时段基站储能备电的最充电大功率为
（23）
5G网络不同时段中储能备电总功耗为
（24）
在传统变电站规划中，一般取负荷峰值为规划依据，而5G基站密集部署，若直接采用5G网络功耗峰值作为规划依据，虽可靠性得到保证，但投资成本较高，且5G网络功耗处于峰值时段较少，会造成投资浪费。本文提出变电站双Q规划法，取优化5G网络能效后的峰值作为变电站的规划依据，并充分挖掘5G基站储能的可调控潜力，一方面能够节约变电站的投资成本，另一方面5G基站储能不仅可以保证基站自身的供电可靠性，还能在变电站供区发生故障失负荷时出力参与同一馈线上的其他负荷供电，兼顾变电站规划的经济性与可靠性。
本节首先建立可靠性指标，简述基站储能参与变电站供电范围内的可靠性调节原理；然后构造考虑5G网络用电需求及可靠性的变电站双Q分层规划模型。上层模型以经济性最优为目标进行变电站规划，下层模型求解变电站供区内不同可靠性置信度下的基站储能机会约束调控模型，上、下层模型相互迭代，决策出经济效益最佳且满足可靠性要求的变电站规划方案与基站储能充放电策略。
3.1.1 可靠性指标的建立
引入电量不足期望值（EENS）[22]评估变电站供电范围内的可靠性。首先设置二值函数Vi,x(t)判断t时段变电站i供区内的负荷点x是否因故障而失负荷，取值为
（25）
式中，Xi为变电站i供区内包含5G网络的负荷集。
变电站i供区内的年电量不足期望值EENSi为
（26）
式中，Pi,x(t)为变电站i供区内负荷节点x在t时段由故障引起的失负荷量；CIDi,x(t)为变电站i供区内负荷节点x在t时段内由故障引起的期望中断时间[23]，即
（27）
式中，Gi,x为变电站i供区内导致负荷节点x失负荷的故障场景集合；gi,x,l为变电站i供区范围内导致节点x失负荷的故障场景l；¶(gi,x,l)为故障场景gi,x,l发生的概率；d(gi,x,l)为故障场景gi,x,l下的故障恢复时间。¶(gi,x,l)以及d(gi,x,l)的取值参考文献[24]采用蒙特卡洛模拟抽样法确定。
3.1.2 5G基站储能加入后的可靠性评估
考虑到基站储能参与可靠性调节的可行性与经济性，将基站储能按变电站的供电范围分群，当Vi,x(t)=1时，变电站i供区内的基站可调控储能出力参与同一馈线上其他负荷的电力供应，改善变电站i供区内的可靠性。5G基站储能加入后，变电站i供电范围内的年电量不足期望值为
（28）
式中，Pi,x(t)为变电站i供区内节点x的t时段失负荷量；
为t时段变电站i供区内基站储能参与节点x故障供电的放电功率。当Vi,x(t)=1时，基站储能放电减小区域失负荷值，提升可靠性。
3.2.1 目标函数
以变电站投资费用总和最小为目标函数，即
（29）
式中，C1、C2、C3、C4分别为变电站规划周期内折算到每年的年投资维护成本、低压侧线路年建设成本、低压侧线路预估年网损成本、年可靠性成本。
（30）
式中，I为已有变电站及新建变电站总数；Si为变电站i的容量；f(Si)及u(Si)分别为变电站i的投资及维护成本；r0为贴现率；ms为变电站折旧年限。
（31）
式中，r为低压侧出线单位投资成本；mc为低压出线折旧年限；D(i,x)为变电站i与负荷x的距离。
（32）
式中，λ为网络损耗系数；Px为变电站i供电范围内负荷点x的有功功率。
（33）
式中，Pi,x为变电站i供区内节点x的年失负荷量；y(CIDi,x)为单位停电可靠性成本评估函数[25]。
3.2.2 约束条件
1）负荷集约束。
（34）
（35）
（36）
式中，xi,normal,k、Xi,normal、K分别为变电站i的常规负荷点、常规负荷点集合、常规负荷点数量；xi,5G,g、Xi,5G、G分别为变电站i的5G网络负荷点、5G网络负荷点集合、5G网络负荷点数量。
2）基于不同故障场景的功率机会约束。
（37）
式中，cosj为功率因数；b为置信水平。
由于故障的不确定性导致基站储能对区域负荷曲线的调节具备不确定性，因此此处设置基于不同故障场景的功率机会约束。
3）供电半径约束。
（38）
式中，Di_max为变电站i允许的最大供电半径。
通过1.3节及2.3节分析可知，5G基站储能在满足自身备电需求之外具备冗余容量，可在电网故障时出力参与同一馈线上其他用户供电，改善变电站供区的电量不足期望值，以提升可靠性。由于故障情况较少发生且故障具有不确定性，为充分发挥5G基站储能的容量价值，实现基站储能与电网互动共赢，本文构建基站储能参与故障供电及削峰填谷两种需求响应下的机会约束调控模型。
3.3.1 目标函数
目标函数1：最大化基站储能参与故障供电及削峰填谷年收益，即
（39）
式中，CEENS、Ccd分别为5G基站储能参与故障供电年收益以及参与削峰填谷年净收益。
1）基站储能参与故障供电年收益
（40）
式中，w为基站储能参与故障供电的单位补偿电价；cb为基站储能损耗成本系数；
为t时段变电站i供区内基站储能参与故障供电的总放电功率，
。
2）基站储能参与削峰填谷年净收益
（41）
式中，ct为t时段电价；
、
分别为t时段变电站i供区内基站储能参与削峰填谷的总充、放电功率。
目标函数2：最小化区域负荷曲线方差，即
（42）
由于目标函数1、2量纲不同，不能简单加权处理，采用本文参考文献[26]提及的归一化方法对目标函数进行处理。
3.3.2 约束条件
1）基站储能充放电状态约束
（43）
（44）
（45）
式中，ech、ediss分别为基站储能充、放电状态变量，约束储能在同一时刻不能既充电又放电；
、
分别为t时段变电站i供区内基站储能的充、放电数量。
2）基站储能容量等式约束
（46）
式中，Ei(t)、Ei(t-1)分别为变电站i供区内基站群储能在t及t-1时段开始时的储能容量；hch、hdiss分别为基站储能的充、放电系数。
3）基站储能容量上下限约束
（47）
式中，Ei,UPS(t)为t时刻变电站i供区内的基站储能备用容量；Ei,max为储能容量上限。
4）基站储能参与故障供电的可靠性机会约束
（48）
该约束考虑了变电站i供区内变压器、线路故障及负荷波动等不确定性因素，表示变电站i供区内的供电可靠率不小于目标值v的置信度为x；v根据线路结构及历史停电信息确定。在模型求解时，关于该机会约束的处理参考文献[27]。
考虑5G网络用电需求及可靠性的变电站双Q规划具体流程如图3所示。
图3 变电站双Q规划
Fig.3 Substation quantity and quality planning
具体步骤如下：
（1）在规划区域内进行包括5G网络及常规负荷的规划年负荷预测。
（2）基于负荷预测结果，结合可选变电站容量类型，确定满足负荷需求的变电站容量类型组合方案。
（3）根据5G基站的部署及常规负荷的地理位置，采用变权Voronoi图法[28]对组合方案中的变电站供电范围进行划分，确定变电站初始位置。
（4）以负荷矩成本最小为原则，重复步骤（3）至变电站容载比及供电半径满足约束为止，更新变电站站址，计算此容量组合方案下的投资费用。
（5）判断是否已遍历所有变电站容量类型组合方案，若没有则进入步骤（3），否则进入步骤（6）。
（6）比较所有变电站容量组合方案的投资费用，取投资费用最小的方案作为上层变电站规划结果。
（7）基于步骤（6）所得的上层变电站选址结果，按变电站供电范围将规划区域内的5G基站储能分群，求解下层基站储能机会约束调控模型，然后将基站储能的充放电结果返回到上层模型中，上下层模型迭代求解直至得到经济性最优且满足可靠性要求的变电站规划方案与基站储能充放电策略，计算各个变电站供电范围内不同可靠性置信度下的
值以及基站储能调控收益。
选取某城市10 kV电网下一片面积为10.12 km2的全新区域，规划目标为5年，共156个负荷区块，目标年区域最大负荷为68.5 MW，具体地理位置信息及负荷数据参考文献[29]，目标年的日常规负荷曲线如图4所示。参考《配电系统规划参考手册》及《国家电网公司输变电工程通用造价》，设置110 kV/10 kV变电站备选容量及造价见表1，容载比要求为1.8～2.1，功率因数cosj取0.9。
图4 区域日负荷曲线
Fig.4 Daily load curve of the area
表1 变电站备选容量类型
Tab.1 Alternate type of substation capacity
容量/(MV×A)造价/(万元/座) 600 1 000 1 400 2 100 2 300
参照5G基站的发展规划及基站地理位置信息的获取方法[30]，假设宏、微基站在变电站规划区域内的部署密度分别为100个/km2及400个/km2，5G网络参数见表2[16]。由于目前5G基站负载情况暂未达到稳定水平，参考文献[31]模拟获取算例中涉及的目标年通信负载日分布曲线如图4所示，通信负载的位置分布服从泊松分布[32]。目前基站储能参与故障供电的单位补偿电价w尚未存在对其有明确规定的政策，本文算例分析中参考文献[33]取w值为22 元/kW，分时电价见表3[21]，5G基站的储能配置参数见表4[21]。
表2 5G网络参数
Tab.2 5G network parameters
参数数值 基站负载上限/户30 连接信噪比阈值gth/dB-5 连接中断概率q0.02 宏（微）基站活跃时固定功耗Pm,fix/W2 300(1 000) 微基站休眠时功耗Pm,sleep/W650
表3 分时电价
Tab.3 TOU power price
时段电价/元 00:00—08:000.302 12:00—17:00、21:00—24:000.514 08:00—12:00、17:00—21:001.202
表4 5G基站储能参数
Tab.4 Energy storage parameters of 5G base station
参数数值 额定容量E/(kW×h)18.2 避免过充容量Emax/(kW×h)16.38 避免过放容量Emin/(kW×h)1.82 允许最大充放电功率()/kW5.5 充（放）电效率hch(hdiss)0.9 损耗成本系数cb/(元/kW)0.14 关联系数δ0.6
4.2.1 5G网络用电需求
1）5G网络优化能效后的功耗
利用Matlab软件调用CPLEX求解器求解基于休眠策略的5G网络能效优化模型，结果如图5所示。
图5 5G网络优化能效结果
Fig.5 Optimized energy efficiency results of 5G network
由图5可知，优化能效前5G网络的功耗曲线较为平缓，优化能效后5G网络的功耗曲线整体降低且与通信负载日分布曲线有相同的趋势。在通信负载数量较少的1:00—8:00及20:00—24:00时段，优化能效前后5G网络功耗相差较大，原因在于优化能效后该时段微基站休眠数量多，使得5G网络功耗大幅降低。在通信负载较为活跃的9:00—19:00时段，优化能效后实现5G网络功耗削峰。
2）基站储能备电所需功耗
依据基站不同时刻的负载状态对基站储能容量的量化结果如图6所示。1:00—7:00时段，因基站负载较低，Em,load＜Emin，取基站储能备用容量Em,UPS值为Emin，基站储能的备用容量及冗余容量不变，其余时段随基站的负载状态变化。5G网络优化能效前后的具体用电需求见表5。表5中部分时段基站备电所需总功耗为0，表示该时段基站储能总备电需求等于或低于上一时段。
图6 基站储能容量量化结果
Fig.6 Quantitative results of base station energy storage capacity
表5 5G网络优化能效前后的用电需求
Tab.5 Electricity demand before and after energy efficiency optimization of 5G network
场景P5G/kWEE/[bit/(W×s)] 优化能效前17 902.380.621 优化能效后12 716.010.840
由表5可知，优化能效后5G网络的功耗峰值比优化能效前下降了5 186.37 kW，5G网络能效从0.621 bit/(W×s)提升至0.840 bit/(W×s)，实现通信资源的高效利用。
4.2.2 考虑5G网络用电需求及可靠性的变电站双Q规划结果
传统变电站规划中，基站储能不参与削峰填谷与故障供电，并以5G网络实际功耗峰值为规划依据。本文所提变电站双Q规划方法中，基站储能参与负荷削峰填谷与故障供电改善变电站供区的负荷曲线，并取5G网络优化能效后的功耗峰值为规划依据。以下将两种变电站规划结果进行对比分析。
1）传统变电站规划结果
以5G网络实际峰值功耗为变电站规划依据，且基站储能不参与削峰填谷与故障供电，变电站规划总容量为140 MW，年总投资费用为1 131.98万元，具体规划结果见表6及图7。
表6 传统变电站规划结果
Tab.6 Results of traditional substation planning
编号容量/(MVA)Xnormal/MWX5G/MWC1/万元C2/万元C3/万元C4/万元 12´4040.759.81445.569.511.2343.25 23´1015.213.86273.415.830.7516.22 32´108.962.30195.294.170.5410.81 42´53.581.93117.182.500.325.41 总计14068.5017.901 031.4422.012.8475.69
图7 传统变电站规划结果
Fig.7 Results of traditional substation planning
2）考虑5G网络用电需求与可靠性的变电站双Q规划结果
基站可调控储能参与区域负荷削峰填谷及故障供电，以5G网络优化能效后的功耗峰值为依据进行变电站规划，规划总容量减小为113 MW，年总投资费用为998.09万元，具体规划结果见表7及图8。
表7 变电站双Q规划结果
Tab.7 Substation quantity and quality planning results
编号容量/(MVA)Xnormal/MWX5G/MWC1/万元C2/万元C3/万元C4/万元 12´31.535.176.91404.918.661.2139.57 23´1018.513.59270.615.780.8114.21 32´54.890.71115.972.480.3510.14 42´54.961.52115.862.410.284.84 总计11363.5312.73907.3519.332.6568.76
对比两种变电站规划结果，新建变电站均为4座，变电站双Q规划法得出的规划结果中1号变电站投建容量减小为2´31.5 MV
A，3号变电站投建容量减小为2´5 MVA，节约年投资费用133.89万元。另外，采用变电站双Q规划法所需可靠性成本低于传统变电站规划法，可知基站储能参与变电站供区故障供电能够提升可靠性，减小由故障引起的停电损失。本文所提变电站双Q规划方法在提升5G网络能效的同时保证了变电站规划的经济性与可靠性。
图8 变电站双Q规划结果
Fig.8 Substation quantity and quality planning results
4.2.3 规划区域内不同可靠性置信度下的基站储能调控结果
基于4.2.2节5G网络优化能效后的变电站规划结果，将5G基站储能分群，参与同一馈线上其他用户的故障供电及电网削峰填谷两种需求响应。假设规划区域内要求的供电可靠率v为99%，通过蒙特卡洛法模拟变电站规划区域内故障不确定情况下供电系统的运行[34-35]，所提不同可靠性置信度典型日下的基站储能机会约束调控结果如图9所示。
由图9可知，在可靠性置信度为85.30%典型日中，2:00时发生故障，储能停止充电填谷进行故障供电；18:00—19:00时发生故障，由于储能前期充电不足，加之在9:00—13:00时放电削峰造成可用故障供电功率较少，区域可靠性置信度较低，在18:00—22:00时段削峰效果较差。可靠性置信度为91.18%典型日中，17:00—19:00时发生故障，17:00—18:00时储能电量充裕能够满足故障供电及电网削峰需求，19:00时储能可用于故障供电功率减少，18:00—22:00时削峰效果较差。可靠性置信度为99.06%典型日中，故障发生在储能刚完成充电填谷的9:00—11:00时段，储能可完全响应区域故障缺电需求，故障恢复后储能正常参与削峰填谷。由此可知，基站储能出力改善变电站供区内可靠性的置信度与故障发生的时间及时长有关，若故障发生在基站储能参与削峰填谷过程中可放电功率充裕时，基站储能改善区域可靠性的置信度较高。在故障不确定的情况下，基站储能可以不同程度地改善变电站规划区域的电量不足期望值。
图9 不同可靠性置信度典型日下的储能调控结果
Fig.9 Energy storage regulation results under typical day with different reliability confidences
不同可靠性置信度下的基站储能充放电收益及区域可靠性指标见表8。
表8 不同可靠性置信度下的储能收益和可靠性指标
Tab.8 Energy storage revenue and reliability index under different reliability confidences
x(%)(MW×h)峰谷差/kWCcd/万元CEENS/万元f1/万元 85.30376.48232 704.475737.45521.387758.842 91.18184.34326 372.128727.66357.766785.429 99.0643.65624 261.253710.71962.146772.865
由表8可知，不同可靠性置信度下基站储能充、放电具有不同的削峰填谷效果。随着可靠性置信度增加，变电站规划区域内的年电量不足期望值降低，基站储能参与故障供电收益增加，参与削峰填谷收益降低。由于置信度高时基站储能可提供参与故障供电功率多，且参与故障供电的补贴高于峰谷套利，基站储能总收益也随可靠性置信度增加而增加。
4.2.4 5G基站储能参与故障供电单位补偿电价对变电站双Q规划结果影响的灵敏度分析
由于目前5G基站储能应用尚不成熟，考虑到未来基站储能参与故障供电的单位补偿电价w具备上下浮动的空间，为研究w对变电站规划投资总费用以及基站储能调控总收益的影响，本文在下层基站储能机会约束调控模型的式（40）中设置基站储能参与故障供电单位补偿电价比例系数p，通过调整p改变w的取值，得到变电站规划年总投资费用以及基站储能调控年总收益随w变化关系如图10所示。
图10 w的灵敏度分析
Fig.10 Sensitivity analysis of w
由图10可以看出，p＞0.06时，随着w增加，变电站规划年总投资费用基本不变，这是由于此时w大于分时电价，即基站储能参与故障供电收益大于参与削峰填谷收益，当变电站供区内发生故障而失负荷时，基站储能优先参与故障供电，变电站供区内的年电量不足期望值基本不变，变电站规划的可靠性成本变化不大，因此在该种情况下变电站规划年总投资费用受w变化的影响不大；p＜0.06时，随着w减小，变电站规划年总投资成本明显增加，这是由于当变电站供区内发生故障而失负荷时，w可能小于分时电价，基站储能不再优先参与故障供电，变电站供区内的年电量不足期望值增加，变电站规划的可靠成本增加导致变电站规划年总投资费用增加。此外，由于变电站双Q规划下层模型中设置的目标函数之一为最大化基站储能参与故障供电及削峰填谷年收益，因此基站储能调控年总收益随w增加而增加。
本文考虑到5G网络的高功耗特点，以兼顾变电站规划的经济性与可靠性为初衷，提出一种考虑5G网络用电需求及可靠性的变电站双Q规划法。该方法可以解决传统变电站规划的高成本问题，同时合理利用5G基站的冗余储能资源参与需求响应，改善变电站供区内的电量不足期望值以提升可靠性，实现电网与通信运营商互利共赢。通过算例分析，验证了所提变电站规划双Q规划法的实用性及有效性，并得出以下结论：
1）通过对微基站执行休眠策略优化5G网络能效实现节能，虽然5G网络整体功耗降低，但通信负载的服务质量能够得到保证。
2）5G基站储能留有备用容量保证在电网发生故障时为基站提供不间断供电，基站的供电可靠性得到保障。盘活基站冗余储能响应电网需求参与故障供电及削峰填谷获利，实现电网与通信运营商互利共赢。
3）以5G网络优化能效后的功耗峰值为依据进行变电站规划，有效减少规划容量，降低投资成本，保证了变电站规划的经济性。基站冗余储能可在电网故障时出力参与同一馈线上的其他用户供电，在电网故障不确定情况下不同程度地改善变电站供区的电量不足期望值，提升变电站规划区域的可靠性。
参考文献
[1] 张宁, 杨经纬, 王毅, 等. 面向泛在电力物联网的5G通信: 技术原理与典型应用[J]. 中国电机工程学报, 2019, 39(14): 4015-4024. Zhang Ning, Yang Jingwei, Wang Yi, et al. 5G communication for the ubiquitous Internet of Things in electricity: technical principles and typical applications[J]. Proceedings of the CSEE, 2019, 39(14): 4015-4024.
[2] Gandotra P, Jha R K, Jain S. Prolonging user battery lifetime using green communication in spectrum sharing networks[J]. IEEE Communications Letters, 2018, 22(7): 1490-1493.
[3] 黄彦钦, 余浩, 尹钧毅, 等. 电力物联网数据传输方案：现状与基于5G技术的展望[J]. 电工技术学报, 2021, 36(17): 3581-3593. Huang Yanqin, Yu Hao, Yin Junyi, et al. Data transmission schemes of power Internet of Things: present and outlook based on 5G technology[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3581-3593.
[4] 刘雨佳, 樊艳芳. 计及5G基站储能和技术节能措施的虚拟电厂调度优化策略[J]. 电力系统及其自动化学报, 2022, 34(1): 8-15. Liu Yujia, Fan Yanfang. Optimal scheduling strategy for virtual power plant considering 5G base station technology, energy-storage, and energy-saving measures[J]. Proceedings of the CSU-EPSA, 2022, 34(1): 8-15.
[5] 周宸宇, 冯成, 王毅. 基于移动用户接入控制的5G通信基站需求响应[J]. 中国电机工程学报, 2021, 41(16): 5452-5461. Zhou Chenyu, Feng Cheng, Wang Yi. Demand response of 5G communication base stations based on admission control of mobile users[J]. Proceedings of the CSEE, 2021, 41(16): 5452-5461.
[6] 李笑蓉, 王婕, 丁健民, 等. 基于Voronoi图的多站融合变电站选址定容优化[J]. 电网与清洁能源, 2020, 36(2): 44-54. Li Xiaorong, Wang Jie, Ding Jianmin, et al. Optimal sizing and locating of multi-functional integrated substation based on voronoi diagram[J]. Power System and Clean Energy, 2020, 36(2): 44-54.
[7] 朱文广, 张长生, 熊宁, 等. 考虑综合能源站用电需求不确定性的配电网变电站机会约束规划[J]. 电力建设, 2019, 40(8): 19-25. Zhu Wenguang, Zhang Changsheng, Xiong Ning, et al. Chance-constrained programming for distribution substations considering uncertainty of electric load in comprehensive energy stations[J]. Electric Power Construction, 2019, 40(8): 19-25.
[8] 王梓旭, 林伟, 杨知方, 等. 考虑负荷弹性空间的配电网可靠性扩展规划方法[J/OL]. 中国电机工程学报: 1-13[2021-12-01].https://kns.cnki.net/kcms/ detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC2021111100B&uniplatform=NZKPT&v=3UDY-INjhgox-n2Buq0hMGs6xfLLP1ST0 mC3ftSVZxhMcwfrIOC_UmGagZla2zpj. Wang Zixu, Lin Wei, Yang Zhifang, et al. A reliability-constrained distribution network expansion planning method considering flexibility space of power demand[J/OL]. Proceedings of CSEE: 1-13[2021-12-01]. https://kns.cnki.net/kcms/detail/detail. aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC2021111100B&uniplatform=NZKPT&v=3UDY-INjhgox-n2Buq0hMGs6xfLLP1ST0mC3ftSVZxh McwfrIOC_UmGagZla2zpj.
[9] 王梓耀, 陈俊斌, 林丹, 等. 基于精英蚁群Q算法的中压配电网双Q规划模型[J]. 电力自动化设备, 2020, 40(11): 32-39. Wang Ziyao, Chen Junbin, Lin Dan, et al. Double Q planning model for medium voltage distribution network based on Elite Ant-Q algorithm[J]. Electric Power Automation Equipment, 2020, 40(11): 32-39.
[10] 麻秀范, 陈静, 余思雨, 等. 计及容量市场的用户侧储能优化配置研究[J]. 电工技术学报, 2020, 35(19): 4028-4037. Ma Xiufan, Chen Jing, Yu Siyu, et al. Research on user side energy storage optimization configuration considering capacity market[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4028-4037.
[11] 边晓燕, 史越奇, 裴传逊, 等. 计及经济性和可靠性因素的区域综合能源系统双层协同优化配置[J]. 电工技术学报, 2021, 36(21): 4529-4543. Bian Xiaoyan, Shi Yueqi, Pei Chuanxun, et al. Bi-level collaborative configuration optimization of integrated community energy system considering economy and reliability[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4529-4543.
[12] 汪露露, 吴红斌, 周亦尧. 基于供能可靠性的综合能源系统优化配置[J]. 太阳能学报, 2021, 42(12): 395-400. Wang Lulu, Wu Hongbin, Zhou Yiyao. Optimal configuration of integrated energy system based on energy supply reliability[J]. Acta Energiae Solaris Sinica, 2021, 42(12): 395-400.
[13] 刘战捷. 计及基站备用储能的电力系统经济调度[D]. 济南: 山东大学, 2018.
[14] 雍培, 张宁, 慈松, 等. 5G通信基站参与需求响应：关键技术与前景展望[J]. 中国电机工程学报, 2021, 41(16): 5540-5551. Yong Pei, Zhang Ning, Ci Song, et al. 5G communication base stations participating in demand response: key technologies and prospects[J]. Proceedings of the CSEE, 2021, 41(16): 5540-5551.
[15] 刘友波, 王晴, 曾琦, 等. 能源互联网背景下5G网络能耗管控关键技术及展望[J]. 电力系统自动化, 2021, 45(12): 174-183. Liu Youbo, Wang Qing, Zeng Qi, et al. Key technologies and prospects of energy consumption management for 5G network in background of energy internet[J]. Automation of Electric Power Systems, 2021, 45(12): 174-183.
[16] 刘娇. 面向5G超密集网络基站协同节能关键技术研究[D]. 北京: 北京交通大学, 2018.
[17] 徐越. 基于机器学习的无线网络负载优化方法研究[D]. 北京: 北京邮电大学, 2020.
[18] 马忠贵, 宋佳倩. 5G超密集网络的能量效率研究综述[J]. 工程科学学报, 2019, 41(8): 968-980. Ma Zhonggui, Song Jiaqian. Survey of energy efficiency for 5G ultra-dense networks[J]. Chinese Journal of Engineering, 2019, 41(8): 968-980.
[19] 郭浩然. 超密集部署下基于能效的用户关联算法的研究[D]. 北京: 华北电力大学, 2019.
[20] 陈永红, 郭莉莉, 张士兵, 等. 基于微基站发射功率的异构蜂窝网络能效优化[J]. 计算机应用, 2020, 40(4): 1115-1118. Chen Yonghong, Guo Lili, Zhang Shibing, et al. Energy efficiency optimization of heterogeneous cellular networks based on transmitting power of pico base station[J]. Journal of Computer Applications, 2020, 40(4): 1115-1118.
[21] 麻秀范, 孟祥玉, 朱秋萍, 等. 计及通信负载的 5G基站储能调控策略[J]. 电工技术学报, 2022, 37(11): 2878-2887. Ma Xiufan, Meng Xiangyu, Zhu Qiuping, et al. Control strategy of 5G base station energy storage considering communication load[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2878-2887.
[22] 齐先军, 程桥, 吴红斌, 等. 激励型需求响应对配电网运行可靠性的影响[J]. 电工技术学报, 2018, 33(22): 5319-5326. Qi Xianjun, Cheng Qiao, Wu Hongbin, et al. Impact of incentive-based demand response on opreational reliability of distribution network[J]. Transactions of China Electrotechnical Society, 2018, 33(22): 5319-5326.
[23] 李阳洋, 关轶文, 赵佳琪, 等. 基于优化模型的有源配电网可靠性评估方法[J/OL]. 中国电机工程学报: 1-10. [2022-04-05]. https://kns.cnki.net/kcms/ detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC20220321001&uniplatform=NZKPT&v=66MZTQRHAao6yMAHxmfBzK_zNr4syRqw-5G04ixOhxtX5xeYBsYTXdqpt7GcVcPy. Li Yangyang, Guan Yiwen, Zhao Jiaqi, et al. Reliability evaluation method of active distribution network based on optimization model[J/OL]. Proceedings of the CSEE: 1-10. [2022-04-05]. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC20220321001&uniplatform=NZKPT&v=66MZTQRHAao6yMAHxmfBzK_zNr4syRqw-5G04ixOhxtX5xeYBsYTXdqpt7GcVcPy.
[24] 杨雨薇. 含风储并网的电力系统可靠性评估方法研究[D]. 北京: 华北电力大学(北京), 2021.
[25] 邓嘉明, 李俊杰, 姜世公, 等. 考虑配电网规划长期增量成本的可靠性定价方法[J]. 电网与清洁能源, 2021, 37(3): 17-23, 30. Deng Jiaming, Li Junjie, Jiang Shigong, et al. A reliability pricing method considering long-term incremental cost of distribution network planning[J]. Power System and Clean Energy, 2021, 37(3): 17-23, 30.
[26] 赵传, 戴朝华, 付洋, 等. 考虑风电预测误差与系统安全域的风电装机规划多目标优化方法[J]. 太阳能学报, 2020, 41(2): 110-117. Zhao Chuan, Dai Chaohua, Fu Yang, et al. Multi-objective optimization of wind power planning considering wind power predictive encoding and system security domain[J]. Acta Energiae Solaris Sinica, 2020, 41(2): 110-117.
[27] 刘志宏, 赵杰行, 薛鹏飞, 等. 面向偏远地区供电可靠性提升的配网储能电站机会约束规划方法[J]. 电网与清洁能源, 2021, 37(8): 128-138. Liu Zhihong, Zhao Jiexing, Xue Pengfei, et al. Chance constrained planning of distribution-level energy storage stations for improving power supply reliability in remote areas[J]. Power System and Clean Energy, 2021, 37(8): 128-138.
[28] 刘洪, 王博, 李梅菊, 等. 基于改进加权Voronoi图算法的有源配电网变电站规划[J]. 电力系统自动化, 2017, 41(13): 45-52. Liu Hong, Wang Bo, Li Meiju, et al. Substation planning of active distribution network based on improved weighted voronoi diagram method[J]. Automation of Electric Power Systems, 2017, 41(13): 45-52.
[29] 李振坤, 岳美, 胡荣, 等. 计及分布式电源与可平移负荷的变电站优化规划[J]. 中国电机工程学报, 2016, 36(18): 4883-4893, 5112. Li Zhenkun, Yue Mei, Hu Rong, et al. Optimal planning of substation considering distributed generation and shiftable loads[J]. Proceedings of the CSEE, 2016, 36(18): 4883-4893, 5112.
[30] 周童, 程方, 张治中, 等. 基于非泊松点过程建模的微基站部署研究[J]. 计算机应用研究, 2021, 38(12): 3730-3732, 3738. Zhou Tong, Cheng Fang, Zhang Zhizhong, et al. Pico base station deployment based on non-Poisson point process modeling[J]. Application Research of Computers, 2021, 38(12): 3730-3732, 3738.
[31] 从子奇. 基于数据挖掘的TD-LTE基站负载研究[D].北京: 北京邮电大学, 2018.
[32] 金娜. 无线蜂窝网络中基于遗传算法的能效策略研究[D]. 武汉: 华中科技大学, 2017.
[33] 尚博阳. 用户侧储能优化配置与运行方法研究[D]. 北京: 北京交通大学, 2021.
[34] 朱介北, 邱威, 孙宁, 等. 基于序贯蒙特卡洛法的安全稳定控制系统架构可靠性分析[J]. 电力系统自动化, 2021, 45(15): 21-27. Zhu Jiebei, Qiu Wei, Sun Ning, et al. Reliability analysis of security and stability control system architecture based on sequential Monte Carlo method[J]. Automation of Electric Power Systems, 2021, 45(15): 21-27.
[35] 倪伟, 吕林, 向月, 等. 基于马尔可夫过程蒙特卡洛法的综合能源系统可靠性评估[J]. 电网技术, 2020, 44(1): 150-158. Ni Wei, Lü Lin, Xiang Yue, et al. Reliability evaluation of integrated energy system based on Markov process Monte Carlo method[J]. Power System Technology, 2020, 44(1): 150-158.
Abstract The large-scale application of 5G base stations can provide high-quality technical support in expanding channel capacity and promoting smart grid construction.5G network not only provides technical support for the transformation and upgrading of substations, but also represents the emerging high-energy consumption power load in the substation supply area. Therefore, it is necessary to consider its power demand during substation planning in the future. Substation planning is faced with such a challenge, that is, to design a double Q planning scheme that takes into account both quantity and quality while reducing the total planning cost. At present, there are few studies on substation location planning for 5G network electricity demand. If the actual peak power consumption of 5G network is used as the basis for substation planning, it will lead to high investment cost and low utilization of substation capacity. It is necessary to further explore substation planning methods that adapt to the large-scale application of 5G base stations and take into account both economy and reliability.
This paper takes into account the economy and reliability of substation planning, and proposes a double Q planning method for substation considering the power demand of 5G network and reliability. Firstly, the energy saving potential of 5G network is analyzed, and the energy efficiency index of 5G network is established. Then, the power demand of 5G network is analyzed from two aspects: the load power consumption after optimizing the energy efficiency of 5G network and the backup power consumption of 5G base station. The energy efficiency optimization model of 5G network is designed based on the base station sleep strategy. The standby energy storage and adjustable energy storage of 5G base station are quantified according to the spatial and temporal distribution of communication load. The standby energy storage supplies power to the base station when the power grid is faulty to ensure the reliability of the power supply of the base station. The energy storage can be regulated to participate in peak cutting and valley filling when the power grid is faulty, and also participate in fault power supply when the power grid is faulty to improve the reliability of the supply area of the substation. Finally, the double Q planning method of substation is transformed into the substation planning problem considering the electricity demand of 5G network and the opportunistic constraint regulation problem of base station energy storage under different reliability confidence in the substation supply area, so as to achieve the double Q goal of substation planning.
Through the analysis of numerical examples, the practicability and effectiveness of the proposed double Q programming method for substation planning are verified, and the following conclusions are drawn: The energy efficiency of 5G network is optimized by executing the sleep strategy for the micro-base station. Although the overall power consumption of 5G network is reduced, the quality of service of communication load is guaranteed. The storage capacity of 5G base station is reserved to ensure uninterrupted power supply for the base station in case of power grid failure, and the power supply reliability of the base station is guaranteed. Activate redundant energy storage of base station to respond to power grid demand, participate in fault power supply, peak cutting and valley filling for profit, and realize mutual benefit and win-win between power grid and communication operators. The economy and reliability of substation planning are guaranteed.
keywords：Energy efficiency of 5G network, base station energy storage, double Q planning, demand response, reliability
DOI:10.19595/j.cnki.1000-6753.tces.220146
中图分类号：TM715; TM732
国家电网有限公司总部管理科技项目资助（KJ21-1-56）。
收稿日期 2022-01-28
改稿日期 2022-04-21
麻秀范 女，1970年生，博士，副教授，研究方向为配电网规划与运行、电动汽车规划与运行、5G网络与电网共建共享等。E-mail：xfmhbdll@vip.sina.com
冯晓瑜 女，1997年生，硕士研究生，研究方向为融合5G网络的智能配电网规划分析。E-mail：fengxiaoyu03@163.com（通信作者）
（编辑 赫蕾）