0 引言
随着工信部发布《关于推动5G 加快发展的通知》，我国通信行业发展迅速，5G 技术越发成熟，5G 基站成指数型增长。2020 年底5G 基站的数量已超过60 万个[1]。5G 基站的功耗是4G 基站的3～4倍，5G 基站大规模部署随之而来的是5G 基站高功耗、高成本问题日益明显，如何降低5G 基站的用电成本已成为亟须解决的问题。
降低5G 基站的运营成本可以从5G 软件节能技术和引入配套设备两个方面出发。在5G 软件节能技术方面国内外研究大多采用深度休眠[2]，通过多个基站之间的协同优化，实现基站之间的通信负载迁移，降低5G 网络的整体功耗。在引入配套设备方面，国家提出“整县光伏”政策[3]，通信运营商可以为5G 基站搭配“光伏+储能”配套设备以降低基站运营成本。然而光伏出力具有间歇性、波动性特点，屋顶分布式光伏消纳比较困难，存在严重的弃光现象。因此，如何利用5G 基站的节能技术和配套设备来促进光伏消纳和降低运营成本已成为研究重点。
目前，国内外相关学者对如何利用基站节能技术参与电网互动已开展相关研究。文献[4]利用各基站之间的电价差异引导基站之间进行通信负载迁移，降低5G 网络的运营成本，但是并未考虑基站配套设备的价值潜力，忽略了基站与光储的结合。文献[5]将5G 基站及其储能聚合为虚拟电厂参与日前-日内经济调度。文献[6]将基站、储能和可再生能源聚合为虚拟电厂，并利用基站节能技术优化供电需求，但是并未考虑可再生能源的差异性和基站之间通信负载迁移。文献[7]将5G 基站纳入主动配电网运行，以运营成本和碳排放量为目标函数，建立了含5G 基站的主动配电网多目标优化模型，但未考虑不同基站之间的协调优化。文献[8]提出5G 基站光储系统优化配置方法，利用储能在峰谷电价下套利，降低基站运营成本。文献[9]考虑5G 基站通信设备与光储之间的协调优化，建立了能量管理模型，提高基站的经济性。上述文献利用了5G 基站的软件节能技术与配套设备参与电网互动，从而解决了基站的高成本问题，但是忽略光伏的时空差异性，未探讨如何利用基站间协同优化提高光伏消纳率。目前，关于屋顶分布式光伏消纳和储能调度的问题，国内外相关学者已经开展大量研究。文献[10]依据商业区、居民区、住宅区和工业区的差异性特点，建立了不同小区的屋顶分布式光伏出力时空预测模型。文献[11]以光伏消纳率和系统经济性为优化目标，建立分布式光伏与储能联合配置的混合整数线性规划模型。文献[12]以光伏消纳为优化目标，构建了包含用户需求响应、储能和光伏的微电网系统，在提高微电网经济性的同时促进了光伏消纳。文献[13]考虑需求侧响应对光伏微电网储能系统的影响，以光伏利用率和净利润最大为目标，构建微电网投资收益模型。上述文献考虑了单个微电网中传统电力用户参与需求响应，将用户负荷在时间上进行转移，从而促进微电网光伏消纳，但并未考虑多个微电网之间的互动和用户的需求响应特性。
基于上述背景，本文首先以光伏消纳率最大和基站运营成本最小为目标函数，建立考虑基站负载迁移及储能动态备电的5G 基站优化调度模型，分析不同负荷区域的屋顶分布式光伏出力与基站负载时空差异性。其次，为解决屋顶光伏出力与基站通信负荷匹配的问题，提出基站通信负载迁移机制，实现基站信息-能量的负载迁移，促进光伏消纳，并引入储能动态备电，提高储能削峰填谷能力，降低基站运营成本。最后，通过算例仿真设置四种场景及三种规划区方案，验证所提模型适用于覆盖多个工业、行政、商业和住宅区且单个区域面积不大的5G 网络。
1 考虑通信负载迁移的5G 基站光伏消纳架构
5G 基站的建设优先选择楼面站[14]，将5G 基站建设在屋顶，可以最大程度降低因遮蔽带来的信号干扰问题。在“5G 基站+光伏+储能”的集成示范推广应用的背景下[15]，可以为在屋顶搭建的5G 基站配备屋顶分布式光伏与储能，促进新能源消纳。
然而由于不同用地类型的建筑特点不同，5G 基站通信负载和屋顶分布式光伏出力在空间上具备差异性，存在低通信负载的基站无法有效消纳出力多的屋顶分布式光伏等情况，因此本文研究工业区、行政区、商业区和住宅区的光伏出力和5G 基站负载的时空差异性，建立了屋顶分布式光伏出力模型，分析不同负荷区域光伏出力的时空差异性，将不同负荷区域的光伏出力结果代入基站通信负载迁移模型，引导5G 基站通信负载迁移策略的制定，促进不同负荷区域的5G 基站光伏消纳。
本文设定5G 基站运营商统一制定基站间的通信负载迁移策略，实现不同负荷区的信息流迁移，即基站通信负载迁移，改变5G 基站的负荷大小，从而实现了能量流的转移，能够有效改善不同用地类型建筑光伏出力与基站负荷不匹配的现状，促进光伏消纳的同时降低5G 基站运营商的运营成本。本文的5G 基站运行结构如图1 所示。
图1 基于通信负载迁移的5G 基站运行结构
Fig.1 Operation structure of 5G BTS based on communication load migration
2 屋顶分布式光伏出力与基站负载时空差异分析
5G 基站的负荷量随通信负载的时空分布变化，而不同负荷区域的屋顶光伏安装面积不同，也导致光伏出力的时空差异性。因此本节通过研究工业区、行政区、商业区和住宅区的屋顶分布式光伏出力与基站负载时空差异性，寻找光伏出力与基站负荷之间的互补关系，为后文通信负载迁移策略的制定提供数据支持。
2.1 5G 基站负载时空差异分析
5G 基站的通信负载与其接入的移动用户数量有关，而移动用户会随着时间的变化在空间上进行移动，即5G 基站的通信负载具备“潮汐效应”。潮汐效应指，在工作时间用户大多聚集在行政区和工业区，致使基站通信负载很高；而商业区和居民区的移动用户数量较少，基站的通信负载较低。反之，在下班时间，居民区和商业区的用户数量较高，基站的通信负载也提高，办公区的基站则处于闲置状态，结合4G 基站的负载特性和不同区域类型的时空互补特性[16]，5G 基站流量的时空特性如图2 所示。
图2 不同区域5G 基站通信负载变化趋势
Fig.2 Change trend of 5G base station communication load in different regions
由图2 可知，不同时间段和区域的5G 基站通信负载均不同，若以通信最大负载量为依据进行5G基站的部署，将产生巨大的建设成本。如何兼顾5G基站部署的经济性与通信负载的服务质量成为研究重点。此外，5G 基站中与通信负载无关的固定功耗约占60%[17]，这意味着通过低通信负载来降低5G基站能效作用还不够，需要考虑降低5G 基站的固定功耗。
这种分布不均匀的通信负载特性给5G 基站运行带来了极大的挑战。本文利用基站的通信负载迁移特性和休眠策略能够有效地解决上述问题。通过将低负载的基站的通信负载迁移到邻近基站并将其休眠，从而降低5G 网络整体功耗，或将处于满载状态的基站进行通信负载迁移来缓解通信需求的压力，控制基站投资成本。
2.2 考虑时空差异性的屋顶分布式光伏模型
屋顶分布式光伏的安装需要考虑不同负荷区域的建筑类型特征，可通过屋顶可利用系数变量描述该差异性，此外，屋顶的面积并不完全相同，造成了为5G 基站配备的各个屋顶光伏出力存在差异。本文依据不同负荷区域建筑的特点求出屋顶光伏可安装面积，结合当地的太阳辐射值得到屋顶光伏的时空分布情况[18]。分布式光伏出力模型为
式中，
为第m 组屋顶光伏在t 的时刻有功输出；η 为光电转换效率；Sm 为第m 组屋顶光伏阵列面积；I(t)为时刻t 的单位面积辐照值。
本文假设所有屋顶均为水平结构，光伏面板为倾角安装方式，屋顶光伏阵列面积Sm 为
式中，[x]表示不大于x 的整数；Sw,m 为屋顶可以利用的光伏安装面积；S0 为单块光伏面板的面积；Se为安装方式为倾斜的光伏面板的占地面积。
式中，L 为光伏面板间最小距离；l 和w 分别为光伏面板的长度和宽度；θ 为光伏面板的最佳倾角；δ 为该地区的纬度。
确定屋顶可以利用的光伏安装面积，需要考虑不同建筑类型的可利用面积。本文将建筑类型划分为工业、行政、商业和住宅，每种建筑类型的特征归纳为屋顶分布式光伏可利用系数[19]，屋顶可以利用的光伏安装面积为
式中，rm 为第m 组光伏所在建筑的容积率；Sb,m 为该建筑类型中单位楼层的土地使用面积；Km 为该建筑类型的平均楼层；μm 为该建筑类型的屋顶光伏可利用率。
3 考虑通信负载迁移的5G 基站需求响应模型
5G 基站由供电系统和通信系统两部分组成，其中供电系统包括基站配置的储能电池和配电网接入电源，通信系统包括了基站的AAU（有源天线处理单元）、BBU（基带单元）和网络传输设备。5G 基站的AAU 单元受接入通信负载的影响，其功耗与通信负载成正比例关系，且AAU 中与通信负载相关的可调控功耗占单个基站总功耗的40%[20]。因此5G 基站可以通过基站的通信负载迁移调控AAU 的功耗，从而具备参与需求响应的能力。虽然5G 基站的固定功耗占比较高，但是在基站休眠机制下，低负载5G 基站将通信负载转移到相邻基站进入休眠状态，能够有效节约5G 基站的电费成本。
3.1 5G 基站功耗模型
5G 基站通信系统的功耗主要来自AAU 和BBU，可以将5G 宏基站分为工作状态和休眠状态。在工作状态下，基站的设备功耗可以分为动态功耗和静态功耗两部分，而动态功耗与基站的通信负载成正比例关系。在休眠状态下，基站功耗为休眠功耗。基站的功耗模型为
式中，
为5G 基站i 在t 时刻的功耗；
和
为常数，分别表示基站i 在t 时段活跃状态和休眠状态的固定功耗；ε 为能量效率系数，表示增加单位动态功耗时基站功耗的增量；
为发射功耗，与移动用户的接入数量成正比例关系；
为基站i的工作状态变量，
=1 为活跃状态，
=0 为休眠状态。
5G 基站的功耗模型为非线性模型，导致文中所建立模型为混合整数非线性规划问题。为了提高求解效率，将5G 基站功耗模型用大M 法进行线性松弛，基站功耗模型等效为
式中，M 为一个较大的正数。
3.2 基于移动用户分配的5G 基站通信负载迁移
在5G 蜂窝网络中，5G 基站密集部署，相邻基站间在覆盖范围上具备重叠性。这为在保证通信负载服务质量的前提下将通信负载在基站间进行迁移提供了可能，实现了各5G 基站间的信息流-能量流的迁移。
为了提高与基站关联光伏的新能源消纳率，并降低5G 网络设备的功耗，本文基于用户分配和基站休眠策略，允许5G 基站根据自身的通信负载和光伏消纳情况，改变各基站与其覆盖范围内的移动用户之间的连接关系，设定该模型中有I 个5G 基站和J 个移动用户，并考虑T 个时间段。I 和J 表示基站和移动用户的集合，T 表示时间段集合，即I={1,2,…,i}，J={1,2,…,j}，T={1,2,…,t}。5G 基站休眠示意图如图3 所示。
图3 5G 基站休眠示意图
Fig.3 Schematic diagram of 5G base station sleep
基站需要通信负载迁移有两个规则，在规则互相矛盾的时候以最优化目标为标准：
1）基站i 的通信负载小，通过将基站i 连接的移动用户j 接入基站集合Ij 中的某个基站，实现通信负载的迁移，使得基站i 进入休眠模式降低功耗。
2）当基站i 与其配备的储能无法消纳屋顶光伏的出力，将基站集合Ij 连接的移动用户j 接入基站i，实现通信负载迁移到基站i，提高基站的功耗，促进光伏消纳。
5G 基站的通信负载迁移取决于移动用户与基站之间的连接关系，即
式中，Ci,j,t 为基站i 与用户j 在t 时段的连接关系，1 表示已连接，0 表示未连接；Ij 为用户j 的可连接范围内基站集合。式（11）表示用户j 在t 时段只能与一个基站连接；式（12）表示用户j 只能连接活跃基站。
移动用户的连接关系可以影响5G 基站AAU 的发射功耗，使得5G 基站能够在空间上迁移负载，具有需求响应能力，即
式中，
为基站i 连接用户j 对应的发射功率；N0为噪声功率，为常数；B 和Lj 分别为信道带宽和用户流量需求，本文进行简化处理，假设所有用户信道带宽和流量需求一致；Apl 和Bpl 为信道衰落系数；di,j 为用户j 与基站i 的距离；Ji 为基站i 覆盖范围内的用户合集。
4 考虑动态备电的储能充放电模型
储能作为5G 基站后备电源，需要在配电网发生故障时为基站供电。储能需要为5G 基站预留一定的备用电量满足基站3 h 运行[21]，剩余的储能容量可以参与电网互动提高基站运行经济性。因此，基站的容量可划分为备电容量和可调度容量[22]，提高可调度容量有利于促进光伏消纳和降低基站运行成本。但目前研究大多根据基站峰值功率对储能备用容量进行配置，造成了基站储能可调度容量的浪费。为此，本文设定基站储能备用容量根据配电网可靠性和基站通信负载两个影响指标动态变化。
4.1 储能动态备电影响因素
4.1.1 配电网可靠性
不同负荷区域的供电可靠性有所区别，储能为5G 基站备电容量应根据不同负荷区域类型的供电可靠性进行变化，实现储能可调度容量的最大化。本文将负荷区域划分为工业、行政、商业和住宅四部分。对于可靠性高的负荷区域，如工业区，发生故障概率低，因此储能备用容量少；对于可靠性低的负荷区域，如居民区，发生故障概率高，此时留用的备用容量相应变高。不同负荷区域停电指标[23]如图4 所示。
图4 不同负荷区域停电指标
Fig.4 Power failure indicators in different load areas
本文建立了不同负荷区域的最小储能备用时间模型，以5G 基站保证住宅区3 h 备用电为基准[24]，得出其余负荷区域的储能备用时间为
式中，
为基站i 的最小储能备用时间；δ i为基站i 所在用地类型的年故障率；T i 为基站i 所在用地类型的年平均停电时间；δ 0和 T0 分别为住宅区的年平均停电次数和年平均停电时间； 
为基准储能备用时间。
4.1.2 通信负载
5G 基站的通信负载与用电负荷近似呈线性关系。在通信负载高的时候，储能站为了维持基站运行需要留有更多的备用容量。在通信负载低的时候，用电量低，储能站留有较少的备用电量以满足基站运行[25]。
4.2 备用容量模型
考虑以上两点，本文建立5G 基站储能的动态备电模型，将基站储能容量分为备电容量和可调度容量[26]，如图5 所示。
图5 基站储能容量划分示意图
Fig.5 Schematic diagram of energy storage capacity division of base station
图5 中，Smin 和Smax 分别为避免储能过度充电放电设置的下限和上限；
为储能动态备用容量与储能容量的比值，与基站i 的通信负载大小和不同负荷区域配网可靠性有关。
储能动态备用容量为
式中，
( t )为基站i 的储能在t 时段的最小备用容量； 
为最小储能备用时间；
为第t 时段考虑5G 基站通信负载的用电负荷。
由于储能需要为5G 基站提供动态备用容量，因此储能的充放电下限阈值提高，有
式中，
为考虑储能提供动态备用容量的充放电下限；Esoc 为额定容量。
5 考虑通信负载迁移及储能动态备电的5G 基站优化调度模型
5.1 目标函数
由于屋顶分布式光伏发电的间歇性、波动性等特点，海量分布式光伏的接入存在光伏消纳困难的问题[27]。此外，通信运营商急需解决5G 基站的高功耗、高成本问题。为实现分布式光伏的消纳及5G网络的降本增效运营，考虑以下两个优化目标函数，本文构建了考虑储能及通信负载迁移的5G 基站光伏消纳模型。
1）光伏消纳率Spv 最大化
式中，Spv 为光伏消纳率；
为基站i 通信负荷在t时段消纳的光伏出力；
为基站i 的储能在t 时段消纳的光伏出力；
( t )为光伏在t 时段的出力。
2）5G 基站系统运营成本Cnet 最小化
式中，
为储能在t 时段的充放电损耗成本
为5G 基站从配电网购电的成本。
式中，Cb 为储能单位充放电损耗成本；
分别为储能在t 时段的充电、放电功率；η 为储能充放电效率； tπ 为配电网的分时电价；
为第i 个5G基站系统在t 时段与配电网交互功率。
5.2 多目标处理
单从光伏消纳率来考虑5G 基站优化运行并不全面，光伏消纳率最大的约束条件下5G 基站的运行成本求解并不唯一，因此本文模型中加入运行成本最小的目标函数。本文首先通过min-max 标准化方法消除各目标函数的量纲及数量级差异，然后设置权重系数将多目标优化问题转换为单目标规划。
1）min-max 标准化
式中，
分别为标准化后的目标函数值；
和 
分别为光伏消纳率最大值、最小值； 
x 和
分别为基站运营成本最大值、最小值。2）权重系数法
式中， 1ω 和 2ω 为权重系数，权重系数需要通过经验或时间需求设定，本文设 1ω 和 2ω 为0.5。
5.3 约束条件
1）储能充电和放电状态约束
式中， 
分别为储能的充电、放电状态，是开关变量。控制储能不能同时处于充电和放电状态。
2）储能充电和放电功率约束
式中，
分别为储能在t 时段充电、放电最大功率。
3）储能充电和放电等式约束
式中，Ei, t 为基站i 在t 时段的储能容量； chη 和 ηdis分别为充电、放电系数。
4）动态SOC 荷电状态约束
储能需要保证5G 基站在停电情况下的备电需求，因此储能的备电容量随着通信负载的变化而改变，剩余的容量用于实现削峰填谷作用。
式中，
为考虑储能提供动态备用容量的最小荷电状态； S max为储能电站的最大荷电状态。
5）功率平衡约束
6）基站传输流量约束
式中，Li, t 为基站i 的流量；L 为用户的流量需求，为常数；Ni 为基站i 覆盖的移动用户集合；Lmax 为基站的流量处理量上限。
7）基站发射功率约束
式中，Pmax 为基站发射功率上限。
8）基站带宽约束
式中，Bi,t 为基站i 的带宽；B 为单个用户的带宽需求；Bmax 为基站带宽上限值。
9）移动用户通信满意度约束
式中，SINRi,j,t 为用户j 接收到基站i 的信干噪比，是衡量移动用户通信质量的比值； 
t为基站i 连接用户j 对应的发射功率；N0 为噪声功率谱密度；
为用户j 可连接范围内其余活跃基站产生的信号干扰。
根据香农公式，用户j 接收到基站i 的单位数据传送速率为
式中，Ri,j,t 为信道数据传送速率。
基站通信负载的迁移需要在保证移动用户通信质量的前提下进行，即Ri,j,t 信道数据传送速率需要满足
式中，
为最小信道数据传送速率。
5.4 模型求解
本文所建模型中含有大量0-1 变量，为混合整数非线性规化问题，本文基于Matlab+Yamlip 中的cplex商业求解器进行求解，模型求解流程如图6 所示。
图6 模型求解流程
Fig.6 Flow chart of the model implementation
6 算例分析
6.1 基础数据
本文以某规划地区的工业、行政、商业和住宅区为例，小区的基本情况见表1。该地区纬度为40o，光伏面板的安装倾斜角度为35o，光电转换效率为16%，设置光伏面板尺寸为1.64 m×0.99 m×0.05 m，可以求得不同小区的光伏出力情况如图7 所示，该地区分时电价见表2。设置基站的静态功耗
为2.3 kW，基站的休眠功耗 
为500 W，能量效率系数ε 为2.857 1[28]，基站的最大发射功耗Pmax 为800 W，噪声功率N0 为10-9 W，信道衰落系数Apl和Bpl 分别为37.6 和128.1，基站最大带宽Bmax 为100 MHz，用户分配的信道带宽B 为1 MHz，基站的流量处理量上限Lmax 为104 Mbit/s，用户的流量需求Lj（Mbit/s）在通信负载高峰时段于[75, 100]间随机选取数值，在通信负载低谷于[50, 75]间随机选取数值。
表1 小区基本情况
Tab.1 Basic situation of the community
?
表2 分时电价
Tab.2 TOU price
阶段 时段 电价/[元/(kW·h)]低谷 0:00—08:00 0.32 12:00—17:00平段0.661 21:00—24:00高峰8:00—12:00 17:00—21:00 1.102
图7 光伏出力情况
Fig.7 photovoltaic output
针对规划区的5G 基站及其储能的部署情况，设立5G 基站部署密度为5 个/km2[29]，每个5G 基站的通信覆盖范围为750 m，基站配备的储能参数见表3。
表3 储能参数
Tab.3 Energy storage parameters
参 数 数 值储能额定容量 20储能SOC 上限 0.9储能SOC 下限 0.1储能充（放）电效率 0.95充放电损耗成本系数 0.14
为了探究规划区大小和数量对于基站调度结果的运行，拟定不同规划区数量和面积组合的三个方案，进行算例仿真，如下：
1）设置工业、行政、商业和住宅区大小为1 km×1 km，规划区总大小为2 km×2 km。
2）设置工业、行政、商业和住宅区大小从1 km×1 km 递增到10 km×10 km，研究规划区面积变化对基站运行调度的影响。
3）设置工业、行政、商业和住宅区大小为1 km×1 km。每个规划区占地仅1 km2，但是规划区的数量由原先2×2 个递增到20×20 个，每种类型小区均分分布，研究规划区数量对基站运行调度的影响。
6.2 不同场景5G 基站优化调度分析
在方案一中，拟定大小2 km×2 km，小区面积为1 km2 的规划区进行算例仿真。为了研究基站通信负载迁移和储能动态备电对5G 基站光伏消纳和运营成本的影响，本文设立四个场景对比优化分析，场景划分见表4。
表4 场景划分
Tab.4 Scenario division
场景 通信负载迁移 储能动态备电1 × ×2 × √3 √ ×4 √ √
表5 为不同场景下的5G 基站系统运行结果。对比四种场景的运行结果可知，在5G 基站系统引入通信负载迁移和储能动态备电的场景4 相对于其他场景，提高储能可调度容量同时减少了基站功耗，从而降低基站的运营成本，有效地降低了光伏发电的弃光量，提高了基站和储能的光伏消纳能力。
表5 不同场景下系统运行结果对比
Tab.5 Comparison of system running results in different scenarios
参数 1 2 3 4基站功耗/(kW·h) 1 540.8 1 540.8 1 333.8 1 324.8购电电量/(kW·h) 1066.300 881.867 842.074 613.719购电费用/元 628.773 474.266 536.916 367.287储能损耗成本/元 59.419 86.862 57.925 87.069基站运营成本/元 688.192 561.128 594.841 454.356光伏消纳率(%) 75.17 82.37 80.12 87.35目标函数值 0.063 5 0.262 5 0.206 4 0.419 1
对比场景1 和场景2 可知，场景2 相对于场景1 引入储能动态备电，使得基站储能具备更大的可调容量，使得5G 基站参与电网削峰填谷和光伏消纳能力增强，将基站的购电电量从1 066.30 kW·h 降到了881.867 kW·h，基站的购电费用从628.773 元降低到474.266 元，基站的光伏消纳率从75.17%提高到82.37%。购电费用的下降程度明显高于购电电量的下降程度，这是由于场景3 的储能动态备电使得5G 基站能够在电价低谷向配电网购买更多电能，实现峰谷套利。优化后场景2 的储能损耗成本从59.419 元提高到86.862 元，是因为场景1 的储能可调度容量较小，充放电次数及功率都少于场景1，因此充放电损耗小。
对比场景1 和场景3 可知，场景3 相对于场景1 引入通信负载迁移和休眠机制，降低了5G 基站功耗，将基站功耗从原先的 1 540.8 kW·h 降低到1 333.8 kW·h，节约的功耗来自低负载基站将通信负载迁移从而进行休眠模式的功耗。购电电量也因此从1 066.300 kW·h 降低到842.074 kW·h，光伏消纳率从75.17%提升到80.12%，储能损耗成本由原先的59.419 元降低到57.925 元，变化不大的原因是均未采用储能动态备电，使得基站储能可调度容量较小。
对比场景4 和场景1、2、3 可知，场景4 实现了基站运营成本和光伏消纳率的最优，相对于场景3，尽管基站功耗从1 333.8 kW·h 降低到1 324.8 kW·h，变化趋势不大，但是购电量从原先的842.074 kW·h降低到613.719 kW·h，购电费用从536.916 元降低到367.287 元，说明了场景4 进行基站储能的低储高发，相同的功耗下降低了基站的运营成本，实现了峰谷套利。光伏消纳率也从场景1 的75.17%提升到87.35%，减少了屋顶光伏的弃光量。
可见，储能动态备电的引入使得基站储能可调度容量提高，以储能频繁充放电的方式进行电网削峰填谷和光伏消纳，虽然产生了更高的充放电损耗成本，但也带来了更多削峰填谷收益。通信负载迁移机制的引入不仅降低了基站的功耗，还改善了光伏出力与基站负荷不匹配的问题。两者的结合使得光伏消纳率提升 12.18%，基站运营成本减少233.836 元，效果显著。
图8 展示了不同场景下基站的购电功率，在时段0:00—08:00 处于电价低谷，此时基站偏向于向电网购电进行存储，以便在电价高峰时使用，然而在时段0:00—05:00 场景1 的购电功率高于场景4的购电功率，是由于场景1 未考虑储能动态备电，致使场景1 储能的荷电状态（State of Charge, SOC）下限很大，需要更多的储能容量满足备电要求。然而这也导致了在后续电价高峰时段17:00—21:00，场景1 的储能可调容量小，储能放电无法满足基站正常运行，只能在电价高峰时段向配电网购买更多电能，影响了基站的经济运行。在电价低谷时段8:00—12:00，场景1 和场景4 向配电网购电都很少，场景4 的购电功率基本为0，这是由于此时光伏出力和储能可调度容量完全满足基站的正常运行。可以看出，基站的运行调度都偏向于在电价低谷时储存电能用于电价高峰，实现低储高发。
图8 不同场景购电功率
Fig.8 Power purchase in different scenarios
图9 展示了不同场景下基站的光伏消纳情况。场景4 的储能消纳光伏的曲线明显高于场景1，是由于场景4 的储能可调容量更大，能够消纳更多光伏出力。场景4 的光伏消纳功率曲线在11:00—14:00出现较大缺失，表明此时光伏消纳困难，与储能消纳光伏功率有关，此时储能SOC 值已经接近上限，无法进一步充电消纳光伏出力。
图9 不同场景光伏消纳情况
Fig.9 PV consumption in different scenarios
6.3 不同区域5G 基站优化调度分析
图10 展示了场景4 下在2 km×2 km 区域，单个小区面积为1 km2，包含工业、行政、商业和住宅区的规划区内，5G 基站通信负载迁移结果及其负载迁移前后的基站功率变化情况。在时段0:00—8:00，图10b 行政区和图10c 商业区的基站负载较低，通过将通信负载迁移到图10a 工业区和图10d 住宅区，使得基站进行休眠模式，大幅降低了基站的功耗。在时段3:00—4:00，图10a 工业区的通信负载较低，将负载迁移到图10d 的住宅区。因此，在夜间各区域的5G 基站流量普遍较低，能够实现大规模的5G 基站休眠，降低功耗较为明显。由图8 可知，光伏出力在时段4:00—13:00 呈现上升趋势，时段13:00—19:00 呈现下降趋势，此时图10a 工业区的屋顶光伏出力明显大于其他区域，存在光伏过剩现象，因此在时段8:00—22:00，光伏出力较少的图10b 行政区和图10c 商业区将通信负载迁移到图10a 工业区来提高该地区基站功率，促进光伏消纳。在时段22:00—24:00，由于图10b 行政区和图10c 商业区的移动用户的下班迁出，导致基站的通信负载迁移从而进入休眠模式节能。在时段4:00—8:00，图10d 住宅区将通信负载迁出进入休眠模式。
图10 不同区域基站通信负载迁移结果
Fig.10 Migration results of BTS communication load in different regions
可见，在考虑光伏出力影响的情况下，不同区域的通信负载迁移策略发生了明显的改变，由夜间的低负载-休眠模式转换为高负载-光伏消纳模式，在兼顾基站休眠的同时，尽可能地将通信负载迁移到弃光情况严重的区域来提高该区域基站功率，从而促进光伏消纳。
图11 展示了场景4 下考虑储能动态备电的各区域储能充放电结果。图11a 工业区在电价低谷时段0:00—4:00 的储能动态下呈现下降趋势，是由于图10a 中工业区将通信负载迁出导致，此时处于电价低谷时段。图11a 工业区并未选择在电价低谷时段购入电能存储，而是减少向电网购电，利用储能维持基站运行，从时段6:00—11:00 储能充电容量全部为光伏出力可以看出，由于该地区的光伏出力过大，导致光伏能够完全满足基站和储能的需求。而在时段18:00—21:00，光伏出力减弱，储能放电维持基站运行。图11b 行政区和图11d 住宅区的光伏出力较少，光伏出力供给基站运行，储能消纳光伏很少，因此图11b 行政区和图11d 住宅区的储能可调度容量用于在电价低谷时储存电能，电价高峰时减少电网购电，基站储能放电维持基站运行，提高经济性。该区域在电价高峰时段 8:00—12:00 和17:00—21:00，基站储能选择了放电维持基站运行来减少购电成本。
图11 不同区域基站储能充放电结果
Fig.11 Charging and discharging results of base station energy storage in different areas
可见，在光伏消纳困难的负荷区域，基站储能减少从电网购电，利用光伏出力自给自足；而在光伏出力较少的负荷区域，基站储能通过低储高发实现降本增效。
6.4 规划区大小对基站优化调度影响
本文设置了在小区数量为2×2 的规划区内工业、行政、商业和住宅区大小从1 km×1 km 递增到10 km×10 km，研究小区面积变化对基站运行调度的影响，如图12 所示。
图12 规划区面积对基站运行影响结果
Fig.12 The impact of the size of planning areas
从图12 中可以看出随着小区面积的增大，单个基站的运营成本从22.74 元提高到28.04 元，光伏消纳率从87.35%下降到82.45%，可见小区面积的增大会影响基站的经济运行。原因在于5G 基站的覆盖范围仅750 m，小区过大会导致相邻小区通信负载迁移量减少，以小区面积为10 km×10 km 为例，此时单个小区内基站数量为500 个，呈均匀分布，小区的基站可以划分为两个集群：①小区内部基站，无法参与相邻小区通信负载迁移，仅在小区内部基站间迁移负载进行休眠节能；②小区边界基站，通过迁移通信负载到相邻小区，促进光伏消纳和节能，此时能够将通信负载迁移到相邻小区的基站仅为180 个。
由此可见，随着小区面积增大，通信负载迁移取得的收益也随之递减，因此本文所建立模型不适用于小区面积过大的情景。
本文设置工业、行政、商业和住宅区大小为1 km×1 km，每个规划区占地仅1 km2，但是规划区的数量由原先的2×2 个递增到20×20 个。规划区数量对基站运行影响结果如图13 所示。可以看出，随着规划区数量的递增，单个基站运营成本从22.74 元减低到 18.20 元，光伏消纳率从 87.35%提高到90.40%，可见小区数量的增加会提高基站运行的经济性，原因在于小区大小为1 km×1 km，基站覆盖范围为750 m，可以得出相邻两个小区基站的平均重叠范围为12.3%，与小区相邻的不同类型小区越多，其通信负载迁移量就越多，具备了更大的调度潜力。
图13 规划区数量对基站运行影响结果
Fig.13 The impact of the number of planning areas
由此可见，随着小区数量增大，通信负载迁移取得的收益也随之递增，因此本文所建立的模型适用于城区中小区面积不大、小区数量众多的情景。
7 结论
本文针对不同负荷区域内基站负载和屋顶光伏的时空差异性导致的光伏消纳困难问题，提出一种考虑基站负载迁移及储能动态备电的5G 基站运行优化模型。为了验证不同负荷区域内储能动态备电和负载迁移对于提高光伏消纳的作用，本文设立四种场景及三种规划区方案，通过对比分析验证。结果表明：
1）通信负载迁移的引入能够改变基站功率的分配，在一定程度上提高光伏消纳困难的基站功率，从而促进光伏消纳，光伏消纳率提升4.95%，并促进低负载基站将负载迁出从而休眠节能，节能占比13.43%。
2）基站储能动态备电的引入使得储能备电容量随着基站功率动态变化，提高了储能的低储高发潜力，减少基站购电成本，单个基站每日运营成本减少7.02 元。
3）在所提模型下，由于基站覆盖范围限制，导致通信负载迁移范围受到限制，因此本文模型适用于覆盖多个工业、行政、商业和住宅区且单个区域面积不大的5G 网络。
[1] 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.
[2] 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.
[3] 叶晨, 王蓓蓓, 薛必克, 等.考虑超售的共享分布式光储混合运营模式协同策略研究[J].电工技术学报, 2022, 37(7): 1836-1846.Ye Chen, Wang Beibei, Xue Bike, et al.Study on the coordination strategy of sharing distributed photovoltaic energy storage hybrid operation mode considering overselling[J].Transactions of China Electrotechnical Society, 2022, 37(7): 1836-1846.
[4] 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): 5452-5462.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): 5452-5462.
[5] 林固静, 高赐威, 宋梦, 等.含通信基站备用储能的虚拟电厂构建及调度方法[J].电力系统自动化,2022, 46(18): 99-107.Lin Gujing, Gao Ciwei, Song Meng, et al.Construction and dispatch method of virtual power plant with backup energy storage in communication base stations[J].Automation of Electric Power Systems, 2022, 46(18): 99-107.
[6] 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.
[7] 曾博, 穆宏伟, 董厚琦, 等.考虑5G 基站低碳赋能的主动配电网优化运行[J].上海交通大学学报,2022, 56(3): 279-292.Zeng Bo, Mu Hongwei, Dong Houqi, et al.Optimization of active distribution network operation considering decarbonization endowment from 5G base stations[J].Journal of Shanghai Jiao Tong University,2022, 56(3): 279-292.
[8] 韩子颜, 王守相, 赵倩宇, 等.计及分时电价的5G基站光储系统容量优化配置方法[J].中国电力,2022, 55(9): 8-15.Han Ziyan, Wang Shouxiang, Zhao Qianyu, et al.A capacity optimization configuration method for photovoltaic and energy storage system of 5G base station considering time-of-use electricity price[J].Electric Power, 2022, 55(9): 8-15.
[9] 李昆, 方家琨, 艾小猛, 等.考虑通信与配套设备协调优化的大规模5G 宏基站网络能量管理模型[J].中国电机工程学报, 2023, 43(14): 5391-5404.Li Kun, Fang Jiakun, Ai Xiaomeng, et al.Energy Management model of large-scale 5G macro base stations network considering the coordinated optimization of communication equipment and standard equipment[J].Proceedings of the CSEE,2023, 43(14): 5391-5404.
[10] 靳现林, 赵迎春, 吴刚.考虑分布式光伏和电动汽车接入的配电网空间负荷预测方法[J].电力系统保护与控制, 2019, 47(14): 10-19.Jin Xianlin, Zhao Yingchun, Wu Gang.Space load forecasting of distribution network considering distributed PV and electric vehicle access[J].Power System Protection and Control, 2019, 47(14): 10-19.
[11] 时珉, 许可, 王珏, 等.基于灰色关联分析和GeoMAN 模型的光伏发电功率短期预测[J].电工技术学报, 2021, 36(11): 2298-2305.Shi Min, Xu Ke, Wang Jue, et al.Short-term photovoltaic power forecast based on grey relational analysis and GeoMAN model[J].Transactions of China Electrotechnical Society, 2021, 36(11): 2298-2305.
[12] 彭政, 崔雪, 王恒, 等.考虑储能和需求侧响应的微网光伏消纳能力研究[J].电力系统保护与控制,2017, 45(22): 63-69.Peng Zheng, Cui Xue, Wang Heng, et al.Research on the accommodation of photovoltaic power considering storage system and demand response in microgrid[J].Power System Protection and Control, 2017, 45(22):63-69.
[13] 周楠, 樊玮, 刘念, 等.基于需求响应的光伏微网储能系统多目标容量优化配置[J].电网技术, 2016,40(6): 1709-1716.Zhou Nan, Fan Wei, Liu Nian, et al.Battery storage multi-objective optimization for capacity configuration of PV-based microgrid considering demand response[J].Power System Technology, 2016, 40(6):1709-1716.
[14] 李枫航, 唐波, 齐道坤, 等.变电站内5G 基站天线对二次设备的电磁干扰[J].南方电网技术, 2021,15(10): 111-117.Li Fenghang, Tang Bo, Qi Daokun, et al.Electromagnetic interference from 5G base station antenna in substation on secondary equipment[J].Southern Power System Technology, 2021, 15(10):111-117.
[15] 刘若桐, 李建林, 吕喆, 等.退役动力电池应用潜力分析[J].电气技术, 2021, 22(8): 1-9.Liu Ruotong, Li Jianlin, Lü Zhe, et al.Application potential analysis of decommissioned power batteries[J].Electrical Engineering, 2021, 22(8): 1-9.
[16] 王硕.移动边缘网络多维资源管理研究[D].北京:北京邮电大学, 2019.
[17] 吕婷, 张猛, 曹亘, 等.5G 基站节能技术研究[J].邮电设计技术, 2020(5): 46-50.Lü Ting, Zhang Meng, Cao Gen, et al.Research on energy saving technology of 5G base station[J].Designing Techniques of Posts and Telecommunications, 2020(5): 46-50.
[18] 黄大为, 王孝泉, 于娜, 等.计及光伏出力不确定性的配电网混合时间尺度无功/电压控制策略[J].电工技术学报, 2022, 37(17): 4377-4389.Huang Dawei, Wang Xiaoquan, Yu Na, et al.Hybrid timescale voltage/var control in distribution network considering PV power uncertainty[J].Transactions of China Electrotechnical Society, 2022, 37(17): 4377-4389.
[19] 张华.城市建筑屋顶光伏利用潜力评估研究[D].天津: 天津大学, 2017.
[20] 陈登昭.异构蜂窝网络下基站节能技术研究[D].长春: 吉林大学, 2016.
[21] 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): 5540-5552.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): 5540-5552.
[22] 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.
[23] 肖茂然.含高渗透率分布式电源的配电网可靠性评估[D].济南: 山东大学, 2020.
[24] 李达.5G 密集异构网络下的基站休眠技术研究[D].北京: 北京邮电大学, 2018.
[25] 王晓云, 黄宇红, 崔春风, 等.C-RAN: 面向绿色的未来无线接入网演进[J].中国通信, 2010, 7(3): 107-112.Wang Xiaoyun, Huang Yuhong, Cui Chunfeng, et al.C-RAN: evolution toward green radio access network[J].China Communications, 2010, 7(3): 107-112.
[26] 麻秀范, 冯晓瑜.考虑5G 网络用电需求及可靠性的变电站双 Q 规划法[J].电工技术学报, 2023,38(11): 2962-2976.Ma Xiufan, Feng Xiaoyu.Double Q planning method for substation considering power demand of 5G network and reliability[J].Transactions of China Electrotechnical Society, 2023, 38(11): 2962-2976.
[27] 李勇, 姚天宇, 乔学博, 等.基于联合时序场景和源网荷协同的分布式光伏与储能优化配置[J].电工技术学报, 2022, 37(13): 3289-3303.Li Yong, Yao Tianyu, Qiao Xuebo, et al.Optimal configuration of distributed photovoltaic and energy storage system based on joint sequential scenario and source-network-load coordination[J].Transactions of China Electrotechnical Society, 2022, 37(13): 3289-3303.
[28] Sheng Min, Zhai Daosen, Wang Xijun, et al.Intelligent energy and traffic coordination for green cellular networks with hybrid energy supply[J].IEEE Transactions on Vehicular Technology, 2017, 66(2):1631-1646.
[29] 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.