0 引言
随着5G 技术的不断发展与应用领域的不断拓宽，5G 网络的部署持续推进。作为5G 网络的基础组成部分，5G 基站的建设成为5G 网络发展中的重要任务。据工信部数据显示，至2021 年6 月底，中国累计建设5G 基站达96.1 万座[1]。为实现5G 网络的全覆盖，未来5G 基站的建设数量仍将快速增长。同时5G 通信高速率、高容量、高密度连接等优势带来基站能耗增加问题，目前，单个5G 基站满载功耗约为4 kW，是4G 基站的3 倍左右[2]。5G 基站的功耗与建设数量较4G 基站都有成倍增长，用电成本显著增加[3]。因此，对5G 基站而言，节约用电成本等问题亟待解决。
目前，国内外关于电网参与降低基站用电成本的研究主要集中在新能源参与基站供电、5G 基站参与需求响应、5G 基站储能调度等方面。在新能源参与供电方面，文献[4]分析了多种形式的新能源为基站供电时的经济性与合理性，提出满足用户服务质量的可再生能源供电方案。文献[5]考虑新能源对基站进行供电，同时基于时变电价在基站间进行能耗管理，优化基站用电成本。文献[6]基于新能源发电与基站休眠控制，对各通信网络的购电总成本进行优化同时减少了碳排放。5G 基站的需求响应潜力依赖于其多样化节能手段，文献[7]基于5G 基站的能耗管理手段与功耗特性分析了其参与需求响应的潜力，提出了其参与需求响应的关键技术，展望了5G基站参与需求响应的具体场景。文献[8]考虑将通信基站作为可控负载纳入配电网，在保证通信质量的前提下通过控制收发器的启停调整基站功耗来参加需求响应，在降低基站用电成本的同时优化配电网的运行。文献[9]研究了基于5G 基站群的价格型需求响应，依据实时电价优化用户在基站间的连接关系改变基站群间的功耗分布来降低用电成本。但是，可再生能源出力不确定性较强，单独为基站供电时难以保证基站的供电可靠性；5G 基站参与需求响应的能力受限于基站连接的用户数量，随着5G 用户的增加，对基站进行能耗管理控制可能降低用户通信质量。而随着市电可靠性不断提高，5G 基站储能长期处于浮充状态，造成资源的浪费。在保证基站供电可靠性的基础上，利用闲置的基站储能参与电网互动可获取一定的经济收益来降低用电成本，且对用户通信质量的影响较小，同时还能减轻电网新建储能电站的投资压力，实现资源利用的最大化，促进电力系统与通信系统的合作共赢。因此，本文考虑5G 基站特性，对其备用储能参与电网调度进行研究。
在利用基站储能降本方面，文献[10]提出利用基站储能进行削峰填谷与参与电力系统经济调度的优化策略，所提策略可平稳负荷曲线，降低系统运行成本。文献[11]分析了5G 基站节能技术及相应的节能效果，并将5G 基站储能纳入虚拟电厂，在社区范围内调度基站储能进行削峰填谷，优化虚拟电厂收益。文献[12]按通信负载特性对基站进行分区，设计各区域基站储能协同调度策略，对基站调控效益与负荷波动标准差同时进行优化。但是，5G 基站储能的首要功能是为基站通信设备提供备电服务，调度5G 基站储能时应留有部分备电容量应对市电停电，以上研究均允许基站储能放电至特定下限值，基于基站特性的个性化备电方案的研究有待完善。同时，由于5G 基站储能的分散性与低容量，其参与调度的实际应用效果与运营模式密切相关，这正是目前研究中较为缺乏的。
基于此背景，本文提出了5G 基站备用储能聚合商的概念，并设计5G 基站备用储能聚合商的调度架构。考虑用户分布及通信可靠性对基站功耗进行建模，基于基站功耗与市电可靠性为基站备用储能留有备电容量，并对基站备用储能的可调度潜力进行分析。同时考虑社会效益最大化，以基站储能聚合商收益与负荷波动标准差为优化目标，建立计及5G 基站备用储能聚合商的多目标优化调度模型，并通过算例分析5G 基站聚合商与电网互动为基站与电网带来的利益。
1 5G 基站备用储能聚合商概念
1.1 5G 基站供电方式及备用储能特性
5G 基站供电系统如图1 所示。市电正常时，由交流配电箱引入市电，一部分为基站的交流设备供电，另一部分接入高频开关电源，经整流模块变换为直流电后为通信设备提供电能，同时对备用电池储能进行浮充充电。市电中断时，基站的备用电池储能放电，以保证直流通信设备的正常用电。市电长时间停电至基站备用电池储电量消耗至一次下电值时，调度移动柴油机发电。
图1 5G 基站供电系统
Fig.1 5G base station power supply system
为缓解动力电池回收压力及其对环境造成的污染，目前5G 基站的备用储能采用梯次磷酸铁锂电池[13]，与传统4G 基站中配置的铅酸电池相比具有能量密度高、能量转换效率高、自放电率低、循环次数多、寿命长且无记忆效应等优点。大幅提高的循环寿命保证了其处于频繁充放电工作状态下的经济性，并且，梯次磷酸铁锂电池具有更好的充放电特性。在充电方面，充电电流大，快充能力强，充电时间缩短；在放电方面，其放电容量受放电倍率影响小，可实现高倍率放电，提供更高的放电功率。5G 基站中的备用储能参数[14]见表1，单个基站一般配置两组磷酸铁锂电池，备用电池储能总容量约为48 kW·h，最大充放电功率可达0.3 倍额定容量，即14.4 kW。
表1 单个5G 基站中备用储能参数
Tab.1 Backup energy storage parameters in a single 5G base station
容量/(A·h) 数量/组 电压/V 最大充放电功率500 2 48 0.3C
1.2 5G 基站备用储能聚合商及其调度架构
单个基站位置分散，其备用储能可调度容量较小，但5G 基站建设已初具规模，数量可观[2]，以北京市为例，市内现已累计开通5G 基站5.64 万个，其基站储能的聚合参数见表2。若对5G 基站的电源系统进行相应改造并对其备用电池储能进行合理调控，设计合理的管理模式，规模化的基站储能可为电力系统提供一定的功率与能量支撑，优化电力系统运行。
表2 北京市5G 基站储能的聚合参数
Tab.2 Overall parameters of energy storage for 5G base stations in Beijing
基站数量/(万个)最大聚合充放电功率/MW聚合储能容量/(MW·h)5.64 809.3 2 707.2
考虑以上因素，本文拟引入基站备用储能聚合商（Base station Standby energy storage Aggregator,BSA），由其聚合各基站备用储能的可调度潜力后参与电网调度。BSA 与通信基站签订合理的调度协议，获得基站备用储能的直接调控权。BSA 依据各基站覆盖范围内的用户分布与通信可靠性获取基站功耗，基于基站的市电可靠性与实时功耗为基站留有备电容量，在保证基站通信可靠性的基础上确定各基站储能的可调度潜力。为减少备用储能调度对基站正常通信功能的影响，BSA 仅对市电正常状态的基站备用储能进行调度，市电停电时，基站备用储能仅为通信设备供电。本文提出的BSA 调度架构如图2 所示。BSA 与各5G 基站进行实时通信，依据各基站的市电状态、储能运行参数等信息分析基站备用储能的整体可调度潜力，并上报给电网调度中心，调度中心根据调峰需求在BSA 的可调度空间内制定其调度计划，BSA 依据调度计划发布调控指令，对各基站备用储能进行调控。
图2 BSA 调度架构
Fig.2 Base station standby energy storage aggregator scheduling architecture
2 基站备用储能可调度潜力模型
对基站的备用储能进行调度，应在满足其供电可靠性要求的前提下进行。因此，本文建立基站备用储能的备电模型，并在此基础上对基站备用储能的可调度潜力进行分析。
2.1 基站备用储能的备电模型
2.1.1 用户通信可靠性
为保证通信质量，基站应满足用户的通信速率需求，本文以用户的通信速率需求表征用户通信可靠性。由香农定理可知，用户的通信速率与其获得的带宽及信干噪比有关[15]，假设基站根据用户数量平均分配带宽[16]，则用户的通信速率可表示为
式中，R i(t )为t 时段用户i 获得的通信速率；B i(t )为t 时段用户i 获得的带宽； BN 为5G 基站的总带宽；N j (t )为t 时段基站j 连接的用户数量； SINRi,j 为用户i 与基站j 之间的信干噪比。
用户i 与基站j 之间的信干噪比[17]可表示为
式中
为其他基站对用户i 通信造成的干扰功率之和； 2σ 为其他噪声功率；P b,jt(t) 为基站j的发射功率；gi,j 为用户i 与基站j 之间的信道增益，与距离有关，可表示为
式中， d i-j 为用户i 与基站j 之间的距离；l 为路径损耗指数；A 为固定路径损耗值。从式（4）可以看出，当距离小于固定值 d0 时，信道增益为固定损耗；当距离大于 d0 时，信道增益随距离以路径损耗指数衰减。
2.1.2 基站功耗模型
本文假设基站的连接用户服从参数为 λ( t) 非齐次泊松分布[18]，且用户随机分布在基站的覆盖范围内。依据各时刻的用户分布以及用户对传输速率的需求可获取5G 基站实时功耗。
5G 宏基站的功耗由静态功耗与动态功耗组成，静态功耗主要指基站空闲即无用户接入时的基站设备功耗，动态功耗与发射功率相关，随接入用户的增多而增加，因此基站功耗可表示为
式中，P b j( t) 为基站j 的实时功耗；
为基站j 的静态功耗；β 为效率系数，取为基站功率放大器效率的倒数。
2.1.3 基站备用储能的备电容量
为保证基站供电可靠性，在调用基站备用储能时，应留有部分备电容量应对市电停电，备电容量与该基站的市电可靠性有关，同时应随基站功耗动态改变。本文依据市电可靠性水平设计基站储能的最小备电时长为
式中，
为基站j 的最小备电时长；T 为时间系数；jρ 为基站j 市电可靠性水平的评价值，与市电可靠性指标有关，具体表示为
式中， jλ 、 rj 、jη 分别为基站j 供电可靠性指标中的市电可靠率、平均持续停电时间及平均停电次数的归一值；wλ、rw 、wη 为各指标权重。
由于用户分布及通信需求存在一定的预测偏差，导致基站功耗存在一定不确定性，为最大程度保证基站的供电及通信可靠性，本文引入可靠系数并基于基站功耗与最小备电时长设置基站备用储能的最小备电容量为
式中，α j为基站储能备电容量的可靠系数；
为基站j 的备用储能在t 时段的最小备电容量。
2.2 BSA 可调度潜力模型
在市电停电时，基站备用储能应为基站通信设备供电，维持基站的正常运转。因此不考虑对停电基站的备用储能进行调度，若基站停电则设置0-1变量对其屏蔽。计及在时段m 基站市电停电，基站备用储能为基站设备供电，则基站j 的备用储能在t 时段的能量状态可表示为
式中， E j( t )为基站j 的备用储能在t 时段的实时能量状态；E j,0为基站j 的备用储能的初始能量；η c与η dis分别为基站备用储能的充放电效率；
与
( m )分别为基站j 储能的充放电功率； K j( m )为表示市电状态的0-1 变量，K j( m ) = 0表示市电正常，基站备用储能可参与调度， K j( m ) = 1表示市电停电，基站备用储能为基站通信设备供电；Δt 为一个调度时段时长。
本文假设某一特定区域内的基站分布符合泊松点分布[18]，则BSA 的可充电与可放电调度容量可表示为
式中，E b ,c,lim(t )为BSA 的可充电调度容量；E b ,dis,lim(t )为BSA 的可放电调度容量；n 为BSA 聚合区域内的基站总数；B j (t )为0-1 变量，B j(t )=0表示市电停电，基站备用储能不参与调度，可充放电调度容量均为0。
2.3 约束条件
1）用户通信可靠性约束
基站应满足用户对通信速率的需求，即
式中， Rimin( t )为t 时段用户i 的最小通信速率需求。
基站的发射功率也有一定的上限限制，即
2）考虑基站供电可靠性的备用储能能量约束在市电停电时，基站储能的能量状态应满足其容量允许的上下限[19]，在市电正常时，容量下限还应满足最小备电容量的需求，因此基站储能的能量状态约束可表示为
3）基站备用储能的功率约束
基站备用储能的充放电功率约束、充放电状态约束，以及调度周期始末能量变化约束[20-21]表示为
式中，ζ 为调度周期始末备用储能的能量变化限值。
3 计及BSA 的多目标优化调度模型
考虑到经济水平的提高及新能源大量并网使电网侧净负荷峰谷差逐渐增大，电网调峰压力日益增加[22]，本文对BSA 参与电网调峰进行研究。电网调度中心在制定调度计划时，应充分考虑调用聚合储能资源后的削峰填谷效果。同时，为保证BSA 参与电网调度的积极性，应保障BSA 的经济收益。因此，本文综合考虑两方利益，建立BSA 参与电网调峰的多目标优化调度模型。
通信运营商通常依据通信用户密度对基站进行部署，同时不同区域的用户分布特性有所不同，基站功耗也呈现不同的峰谷趋势，因此本文假设存在多个BSA，对不同区域的基站备用储能进行调控。
3.1 目标函数
本文的多目标优化调度模型考虑BSA 总收益与电网负荷曲线波动标准差两个优化目标。
目标函数1 考虑最大化BSA 总收益，BSA 收益包含基站备用储能基于分时电价获得的低储高发收益、调度中心给予的削峰补贴及基站改造成本，具体表示为
式中，R 为BSA 总收益；Cgz 为基站备用储能参与电网调度所需的改造成本； 1R 为基站备用储能低储高发收益； 2R 为基站备用储能获得的削峰补贴。
式中， bC 为基站电源管理系统的购买成本； aC 为基站电源管理系统的安装成本；N y 为智能管理系统的使用寿命； Na 为聚合商数量；n b,i 为区域i 内基站的数量； r1( t) 为当前时段的电价； r2(t ) 为减少单位功率峰值负荷时政府给予的削峰补贴； PBi,D( t) 为BSA参与电网调度时的放电功率； PBi,C( t) 为BSA 为参与电网调度时的充电功率。
目标函数2 考虑最小化负荷波动标准差，具体表示为
其中
式中， Pl(t ) 为t 时段电网负荷。
3.2 约束条件
各基站储能聚合商的充放电功率约束为
4 算例分析
4.1 基础数据
为验证本文所提出的调度模型的有效性，本文采用改进多目标粒子群算法对模型进行求解。同时考虑通信运营商依据用户密度部署基站，本文假设某地区共有三个 BSA，分别控制密集区域（10 km ×10 km）、较密集区域（15 km ×15 km）及标准密度区域（20 km ×20 km）中的5G 基站。T =8 时刻，密集区域、较密集区域和标准密度区域三个区域的部分基站分布与其用户覆盖情况如图3 所示。从图3 中可以看出，密集区域由于用户密度较大，基站部署数量较多，单个基站覆盖面积较小。较密集区域、标准密度区域的用户密度逐渐减小，基站部署密度随之减小，其通过增大发射功率来增大基站的覆盖面积来满足用户通信需求。
图3 各BSA 调控区域基站及其用户分布
Fig.3 Distribution of base stations and their users in each BSA regulated area
用户通信可靠性参数[9]见表3，基站供电可靠性指标采用文献[23]中的数据，同时每个5G 基站配置两组500 A·h 梯次电池[14]，其具体参数见表4。本文共考虑一天共24（T=24 h）个调度时段，据文献[24]，该地区负荷曲线预测结果如图4 所示，分时电价的具体数值见表5，削峰补贴为0.44元 / kW。基站电源管理系统购买成本为0.6 万元、安装成本为0.3 万元[25]。
表3 用户通信可靠性参数
Tab.3 Communication reliability parameters
参 数 数 值基站总带宽BN/MHz 100用户通信速率R/(MB/s) U(50, 100)固定路径损耗A/dB -35固定距离d0/m 1路径损耗指数 -2.5最大发射功率Pb,tmax/kW U(0.4, 0.55)
表4 梯次电池参数
Tab.4 Echelon battery parameters
参 数 数 值最大充电功率Pc,max/kW 3充电效率ηc 0.95容量上限Emax/(kW·h) 24 ζ 0.05最大放电功率Pdis,max/kW 3放电效率ηdis 0.95容量下限Emin/(kW·h) 4.8
图4 地区负荷曲线预测结果
Fig.4 Prediction results of regional load curves
表5 分时电价
Tab.5 TOU electricity price
时段 电价/[元/(kW·h)]1:00—6:00 0.38 7:00—9:00 0.84 10:00—11:00 1.44 12:00—14:00 1.32 15:00—17:00 0.84 18:00—19:00 1.44 20:00—22:00 0.84 23:00—24:00 0.38
4.2 算例结果及分析
各区域中考虑用户通信可靠性的典型基站功耗与基站备用储能应留有的备电容量如图5 所示。由图5 可以看出，各区域的基站功耗呈现出不同的特征，其备电容量随基站功耗的变化而变化。密集区域内基站市电可靠性较高，但由于覆盖用户较多，功耗较大，应留有的备电容量较多。标准密度区域基站虽服务用户密度较小，但为保证覆盖面积，发射功率较大，基站功耗也较大，同时其市电可靠性较低，应留有的最小备电容量也较大。较密集区域基基站功耗与备电容量相对较小。
图5 计及通信与供电可靠性的基站功耗及备电容量
Fig.5 Base station power consumption and backup power capacity considering communication and power supply reliability
确定各基站备用储能各时段应留有的备电容量后，采用改进多目标粒子群算法对BSA 参与调峰的优化调度模型进行求解，获得了较为完整、均匀的Pareto 最优前沿，如图6 所示，可为BSA 调度计划的制定提供参考依据。
图6 Pareto 最优前沿
Fig.6 Pareto optimal frontier
本文采用模糊隶属度函数选取折中解，优化前后的负荷曲线如图7 所示。相关表征参数见表6。由图7 可以看出优化后的负荷曲线更加平缓，且负荷峰值得到了一定降低，负荷低谷得到了一定提高，负荷峰谷差率降低20.61%，通过调度聚合后的基站备用储能平抑了负荷波动，达到一定的削峰填谷的效果。
图7 BSA 调度前后负荷曲线
Fig.7 Load curve before and after BSA scheduling
表6 BSA 参与调峰调度的优化结果
Tab.6 Optimization results of BSA's participation in peak shaving scheduling
数 值参 数优化前 优化后负荷峰值/kW 7 920 6 969.6负荷谷值/kW 4 272 5 195.4峰谷差率(%) 46.06 25.45负荷波动标准差 1 128.4 754.28
各BSA 的充放电曲线如图8 所示，功率大于零表示BSA 处于充电状态，功率小于零表示BSA 处于放电状态。在1:00—7:00、21:00—24:00 两个时间段内，负荷处于较低水平，BSA 进行充电将负荷低谷填平；在8:00—14:00、17:00—20:00 两个时间段内负荷处于较高水平，BSA 放电削减峰值负荷。15:00—16:00 处于两个峰值负荷中间，BSA 在较低电价时段进行充电补充一定的电量，以便在下一个负荷高峰时有足够的放电容量，削减负荷高峰，同时基于峰值电价获取一定的收益。
图8 各BSA 充放电曲线
Fig.8 The charge-discharge curve of each BSA
各BSA 可充放电容量如图9、图10 所示。由于各区域内用户数量、基站供电可靠性等差异，各时刻各BSA 的可充放电调度容量有所不同。标准密度区域与密集区域聚合商由于备电容量较多，整体可放电调度容量较小，较密集区域的可放电调度容量相对较大。可以看出在留有备用容量的基础上，由BSA 对其调控区域的基站备用储能的可调度容量进行聚合，仍具有可观的调度潜力。
图9 各BSA 可充电容量
Fig.9 Rechargeable capacity of each BSA
图10 各BSA 可放电容量
Fig.10 Dischargeable capacity of each BSA
未设置备电时长时，BSA 参与调峰调度的优化结果及BSA 充放电曲线如图11 所示。若未设置备电容量，BSA 参与调峰优化调度获得了更好的削峰填谷效果，且在降低峰值负荷方面更加明显，这是因为此时允许基站备用储能放电至最小容量限值，各BSA 的可放电容量均有所增大。结合BSA 的充放电曲线可以看出，由于可放电容量增大，在负荷处于峰值时段时，各BSA 均处在放电状态，只是在电价稍低时降低了放电功率，因此BSA 的收益也有有所增加。留有一定的备电容量虽然削弱了一些优化效果，但是可以有效应对市电停电，保障了基站的供电可靠性。
图11 备用容量设置前后优化结果对比
Fig.11 Comparison of optimization results before and after setting spare capacity
各BSA 收益见表7，各BSA 均获得了较为可观的收益。由于较密集区域 BSA 可调度容量较大，其获得的收益最大，而密集区域与标准密度区域BSA 由于留有较大的备用容量，其收益相对较小。相比未设置备电容量时，BSA 所获得的收益有所减少，但牺牲一部收益使供电可靠性得到了提高。
表7 各BSA 收益
Tab.7 Earnings per BSA
BSA设置备电容量时收益/(元/天)未设置备电容量时收益/(元/天)密集区域 1 711.28 1 799.92较密集区域 2 155.63 2 267.71标准密度区域 1 878.4 1 980.76
基站备用储能参与电网调度前后各区域基站的用电总成本见表8，基站备用储能参与电网调度获得的收益在一定程度上弥补了5G 基站高昂的用电支出，各区域基站的用电成本均降低超过10%，基站备用储能参与电网调度降低其用电成本的作用较为显著。
表8 各区域基站储能调度前后的用电成本
Tab.8 Electricity cost before and after energy storage scheduling of base stations in each region
区域储能参与调度前的用电成本/(元/天)储能参与调度后的用电成本/(元/天)密集区域基站 12 887.15 11 175.87较密集区域基站 12 763.72 10 608.09标准密度区域基站 11 801.27 9 922.87
5 结论
本文对5G 基站备用储能的备电方案、可调度潜力与优化调度策略等问题进行研究，提出了基站储能聚合商的概念，建立了基于用户通信可靠性与5G 基站供电可靠性的聚合储能优化调度模型，主要结论如下：
1）依据基站连接用户的动态变化及通信可靠性要求选择合适的发射功率可获得基站实时功耗，基于市电可靠性与基站功耗为基站留有一定的备电容量可保证基站的供电可靠性，更符合工程实际。
2）在留有备电容量的基础上，由BSA 对其调控区域的基站备用储能的可调度容量进行聚合，聚合后仍具有可观的调度潜力。
3）对聚合后的基站储能进行调度，可平滑负荷曲线，达到削峰填谷的效果，在一定程度上缓解供需矛盾，同时基站储能聚合商可以获得一定收益，缓解高昂的用电支出压力，具有经济性。
[1] 信息通信发展司. 5G 应用扬帆行动计划(2021-2023年)[EB/OL]. [2021-7-12]. https://www.miit.gov.cn/jgsj/txs/wjfb/art/2021/art_ccee7f20deb248358e2f348 596e087da.html.
[2] 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.
[3] 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.
[4] Jahid A, Hossain M S, Monju M K H, et al. Technoeconomic and energy efficiency analysis of optimal power supply solutions for green cellular base stations[J]. IEEE Access, 8: 43776-43795.
[5] Leithon J, Lim T J, Sun Sumei. Cost-aware renewable energy management with application in cellular networks[J]. IEEE Transactions on Green Communications and Networking, 2018, 2(1): 316-326.
[6] Piovesan N, Temesgene D A, Miozzo M, et al. Joint load control and energy sharing for autonomous operation of 5G mobile networks in micro-grids[J].IEEE Access, 2019, 7: 31140-31150.
[7] 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.
[8] 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.
[9] 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.
[10] 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.
[11] 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.
[12] 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.
[13] 李建林, 李雅欣, 吕超, 等. 退役动力电池梯次利用关键技术及现状分析[J]. 电力系统自动化, 2020,44(13): 172-183.Li Jianlin, Li Yaxin, Lü Chao, et al. Key technology and research status of cascaded utilization in decommissioned power battery[J]. Automation of Electric Power Systems, 2020, 44(13): 172-183.
[14] 陈鹏. 弹性负荷资源聚合及调节潜力预测模型研究[D]. 北京: 华北电力大学, 2021.
[15] Chang Kuochi, Chu Kaichun, Wang H C, et al. Energy saving technology of 5G base station based on internet of things collaborative control[J]. IEEE Access, 8:32935-32946.
[16] Cai Shijie, Che Yueling, Duan Lingjie, et al. Green 5G heterogeneous networks through dynamic small-cell operation[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(5): 1103-1115.
[17] 李晴. 5G 多用户超密集网络有效容量分析及资源优化研究[D]. 北京: 北京邮电大学, 2020.
[18] 李卓然. 面向5G 移动通信的入网节能优化设计研究[D]. 呼和浩特: 内蒙古大学, 2020.
[19] 倪萌, 王蓓蓓, 朱红, 等. 能源互联背景下面向高弹性的多元融合配电网双层分布式优化调度方法研究[J]. 电工技术学报, 2022, 37(1): 208-219.Ni Meng, Wang Beibei, Zhu Hong, et al. Study of twolayer distributed optimal scheduling strategy for highly elastic multi-resource fusion distribution network in energy interconnection environment[J].Transactions of China Electrotechnical Society, 2022,37(1): 208-219.
[20] 叶畅, 曹侃, 丁凯, 等. 基于广义储能的多能源系统不确定优化调度策略[J]. 电工技术学报, 2021,36(17): 3753-3764.Ye Chang, Cao Kan, Ding Kai, et al. Uncertain optimal dispatch strategy based on generalized energy storage for multi-energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3753-3764.
[21] 刁涵彬, 李培强, 王继飞, 等. 考虑电/热储能互补协调的综合能源系统优化调度[J]. 电工技术学报,2020, 35(21): 4532-4543.Diao Hanbin, Li Peiqiang, Wang Jifei, et al. Optimal dispatch of integrated energy system considering complementary coordination of electric/thermal energy storage[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4532-4543.
[22] 赵冬梅, 王浩翔, 陶然. 计及风电-负荷不确定性的风-火-核-碳捕集多源协调优化调度[J]. 电工技术学报, 2022, 37(3): 707-718.Zhao Dongmei, Wang Haoxiang, Tao Ran. A multisource coordinated optimal scheduling model considering wind-load uncertainty[J]. Transactions of China Electrotechnical Society, 2022, 37(3): 707-718.
[23] 常烜语. 基站设备的智能化发电调度系统设计与实现[D]. 成都: 电子科技大学, 2020.
[24] 尹渠凯. 规模化分布式储能聚合建模及其协同优化调控策略研究[D]. 北京: 华北电力大学, 2019.
[25] Liu Junhui, Wang Shiqian, Yang Qinchen, et al.Feasibility study of power demand response for 5G base station[C]//2021 IEEE International Conference on Power Electronics, Computer Applications,Shenyang, China, 2021: 1038-1041.