基于时空能耗的5G基站节能异常诊断方法及系统与流程

本发明涉及通信网络运维，尤其涉及一种基于时空能耗的5g基站节能异常诊断方法及系统。

背景技术：

1、随着第五代移动通信技术的规模化商用，基站数量持续增长，网络整体能耗问题日益突出。为降低运营成本，运营商普遍在基站侧部署了符号关断、通道关断、载波关断等多种软件节能功能，通过在网络低负荷时段降低发射功率或关闭部分射频通道来实现节能。然而，这些节能功能在实际运行和维护过程中面临诸多挑战。

2、在实际操作中，节能功能部署后通常缺乏有效的自动监控与评估手段。当节能功能因参数配置错误、软件缺陷或底层硬件故障而失效时，运维人员往往难以第一时间察觉，导致基站长时间处于高能耗的异常运行状态。目前，对基站能耗的监测多采用基于单站历史数据的线性回归模型，此类方法通常仅考虑业务量这一单一维度，未综合考量环境温度、设备运行状态、网络拓扑结构等复杂因素，且忽略了相邻基站间的空间关联特性，导致能耗预测结果存在一定偏差，难以作为准确的基准参考。

3、此外，现有的能耗异常判定方案多采用静态的固定阈值。由于不同区域、不同时段以及不同季节的基站能耗特性差异较大，固定阈值无法自适应环境与业务的动态变化，容易产生误报或漏报现象。同时，在发现能耗异常后，故障的根因定位高度依赖运维人员的个人经验。在面对海量网络告警的背景下，人工逐一排查的方式效率偏低，且诊断结果的主观性较强，难以适应现代通信网络快节奏、自动化的运维需求。因此，亟需一种更为智能、客观且动态的基站能耗异常诊断方案。

技术实现思路

1、本发明提供了一种基于时空能耗的5g基站节能异常诊断方法及系统，解决了现有技术存在的节能状态监控难、能耗预测误差大及人工排查效率低的问题。

2、本发明实施例第一方面提出一种基于时空能耗的5g基站节能异常诊断方法，包括以下步骤：

3、获取目标区域内各基站的多维度特征数据，多维度特征数据至少包括网络拓扑特征；

4、基于网络拓扑特征和多维度特征数据，通过预构建的时空能耗模型进行时空特征融合，输出各基站的基站能耗预测值，并提取各基站的实际能耗时序数据；

5、将实际能耗时序数据输入预训练的序列重构模型进行特征重构，获取针对实际能耗时序数据的重构评估指标，基于重构评估指标计算得出综合异常分数；

6、将综合异常分数与预设的自适应动态阈值进行比对，若综合异常分数超过自适应动态阈值，则判定对应基站存在能耗异常；

7、若判定存在能耗异常，获取对应基站的关联状态数据，基于预构建的基站知识图谱和故障分类模型，对对应基站进行根因诊断，输出故障根因类型并生成维护策略。

8、在一种可选的实现方式中，多维度特征数据还包括业务流量特征、无线资源特征、节能功能状态特征、环境特征和设备特征；

9、在将多维度特征数据输入时空能耗模型之前，还包括对多维度特征数据进行数据质量评估的步骤，具体为：

10、针对业务流量特征、无线资源特征、节能功能状态特征、环境特征和设备特征，分别统计对应特征在预设采集周期内的特征缺失率，以计算完整性评分；

11、通过预设业务规则校验多维度特征数据中的异常值占比，以计算准确性评分；

12、计算多维度特征数据的采集延迟，以得到时效性评分；

13、当完整性评分、准确性评分或时效性评分中任意一项不符合预设标准时，判定对应的多维度特征数据为异常样本数据，将异常样本数据从模型训练过程中剔除，并在后续的异常检测过程中降低异常样本数据对应时段数据的权重。

14、在一种可选的实现方式中，网络拓扑特征包括目标区域内基站的邻区关系；

15、基于网络拓扑特征和多维度特征数据，通过预构建的时空能耗模型进行时空特征融合，输出各基站的基站能耗预测值，并提取各基站的实际能耗时序数据，包括：

16、将目标区域内各基站以及邻区关系分别抽象为基站群拓扑图中的节点和边，以多维度特征数据作为各节点的节点特征矩阵；

17、采用包含图神经网络的时空能耗模型，在空间维度上，通过边聚合目标基站的一阶邻居节点和二阶邻居节点的特征信息，生成节点表征向量；

18、将节点表征向量输入时空能耗模型的预测头中进行时序建模，输出目标基站的基站能耗预测值；

19、提取目标基站对应的历史实际功耗值序列，作为实际能耗时序数据。

20、在一种可选的实现方式中，输出目标基站的基站能耗预测值之后，还包括对时空能耗模型进行在线更新的步骤：

21、按照预设周期获取新的历史数据，采用指数衰减函数计算新的历史数据的数据样本权重系数；其中，新的历史数据的采集时间距离当前更新时刻越近，获取的数据样本权重系数越高；

22、判断新的历史数据与当前更新时刻的时间间隔是否超过预设超期阈值，若是，则剔除超过预设超期阈值的无效数据样本；

23、基于剔除后剩余的新的历史数据及对应的数据样本权重系数，对时空能耗模型进行增量训练。

24、在一种可选的实现方式中，序列重构模型为多尺度时间变分自编码器；

25、将实际能耗时序数据输入预训练的序列重构模型进行特征重构，获取针对实际能耗时序数据的重构评估指标，包括：

26、将实际能耗时序数据输入多尺度时间变分自编码器的编码器中，通过多组不同尺度的时序卷积核并行提取实际能耗时序数据在不同时间粒度下的能耗波动特征；

27、将提取的能耗波动特征拼接后，映射生成表征基站能耗典型模式的潜在空间的分布参数，经重参数化采样得到潜在变量；

28、利用多尺度时间变分自编码器中的解码器，从潜在变量中进行解码，重构出与实际能耗时序数据对应的重构能耗序列；

29、分别计算实际能耗时序数据与重构能耗序列之间的序列重构误差，以及潜在变量的分布与标准正态分布之间的散度度量值，作为重构评估指标。

30、在一种可选的实现方式中，基于重构评估指标计算得出综合异常分数，包括：

31、获取序列重构误差的第一权重系数以及散度度量值的第二权重系数；

32、基于第一权重系数和第二权重系数，对序列重构误差和散度度量值进行加权求和计算，得到综合异常分数。

33、在一种可选的实现方式中，将综合异常分数与预设的自适应动态阈值进行比对之前，还包括自适应动态阈值的获取步骤：

34、提取对应基站在历史正常运行状态下的历史综合异常分数集合，作为历史正常样本；

35、根据历史正常样本的日期属性，分别建立对应工作日的工作日累积分布函数以及对应周末的周末累积分布函数；

36、根据预设的目标误报概率值，分别计算工作日累积分布函数和周末累积分布函数在预设概率分位位置的取值，得到工作日判定阈值和周末判定阈值；

37、在进行异常检测时，判断当前检测时刻的日期属性，根据当前检测时刻的日期属性，选择对应的工作日判定阈值或周末判定阈值，作为自适应动态阈值。

38、在一种可选的实现方式中，故障分类模型为梯度提升决策树模型；

39、基于预构建的基站知识图谱和故障分类模型，对对应基站进行根因诊断，输出故障根因类型并生成维护策略，包括：

40、构建基站知识图谱，基站知识图谱包含节能功能节点、硬件组件节点、软件配置节点、环境条件节点以及故障模式节点，且各节点之间通过有向关联边连接形成故障关联传播路径；

41、将对应基站发生能耗异常时的节能功能状态特征、环境特征和设备特征作为关联状态数据；

42、将关联状态数据映射至基站知识图谱的对应节点中进行规则匹配，沿着有向关联边进行多跳推理，提取到达特定故障模式节点的候选故障传播路径特征；

43、将候选故障传播路径特征输入预训练的梯度提升决策树模型中，输出多种潜在故障模式的分类预测置信度；

44、选取分类预测置信度最高的潜在故障模式作为故障根因类型，并基于基站知识图谱中与故障根因类型关联的修复建议生成维护策略。

45、在一种可选的实现方式中，输出故障根因类型并生成维护策略之后，还包括：

46、计算基站能耗预测值与实际能耗时序数据之间的差异，得到能耗偏差程度；

47、提取对应基站的标识信息、能耗异常的检测时间与持续时间、能耗偏差程度，以及故障根因类型的分类预测置信度；

48、将标识信息、检测时间与持续时间、能耗偏差程度、分类预测置信度、故障根因类型以及维护策略进行整合，自动生成结构化维护工单；

49、对结构化维护工单进行综合排序，并派发至对应的运维终端进行闭环处置。

50、本发明实施例第二方面提出一种基于时空能耗的5g基站节能异常诊断系统，系统包括：

51、多维度数据获取模块，用于获取目标区域内各基站的多维度特征数据，多维度特征数据至少包括网络拓扑特征；

52、时空建模预测模块，用于基于网络拓扑特征和多维度特征数据，通过预构建的时空能耗模型进行时空特征融合，输出各基站的基站能耗预测值，并提取各基站的实际能耗时序数据；

53、特征重构与评分模块，用于将实际能耗时序数据输入预训练的序列重构模型进行特征重构，获取针对实际能耗时序数据的重构评估指标，基于重构评估指标计算得出综合异常分数；

54、动态阈值判定模块，用于将综合异常分数与预设的自适应动态阈值进行比对，若综合异常分数超过自适应动态阈值，则判定对应基站存在能耗异常；

55、智能根因诊断模块，用于在判定存在能耗异常时，获取对应基站的关联状态数据，基于预构建的基站知识图谱和故障分类模型，对对应基站进行根因诊断，输出故障根因类型并生成维护策略。

56、有益效果：

57、本发明实施例提供的一种基于时空能耗的5g基站节能异常诊断方法及系统，通过提取网络拓扑等多维度特征并构建时空能耗模型，实现了对基站特征的空间与时间维度融合分析，克服了现有技术依赖单站单一维度数据导致预测偏差较大的局限性。利用序列重构模型提取重构评估指标，并结合自适应动态阈值进行比对，使得系统能根据不同基站的历史运行规律动态调整判定标准，有效降低了固定阈值带来的误报率。此外，在判定异常后，本方案借助预构建的基站知识图谱与故障分类模型，将多维度关联状态数据转化为结构化的故障传播路径进行自动化推理，实现了从异常发现到根因定位的闭环诊断。该过程降低了对人工排查经验的依赖，提高了基于人工智能的运维效率，并能针对性地输出维护策略，提升了整体网络能效的管理质效。