一种基于变电站资源部署5G基站的优化方法及系统技术方案

本申请公开了一种基于变电站资源部署5G基站的优化方法及系统，通过所采集的变电站资源数据进行预处理，使得数据集更加准确，再利用特征提取模型进行特征提取，以获得变电站资源数据的特性信息，再通过递归算法根据特性信息得出部署5G基站的最优位置，能够在现有的变电站资源基础上快速且准确地部署5G基站，从而实现利益最大化。

【技术实现步骤摘要】
一种基于变电站资源部署5G基站的优化方法及系统
本申请涉及基站部署
，尤其涉及一种基于变电站资源部署5G基站的优化方法及系统。
技术介绍
近年来，随着5G网络的发展，越来越多的供电公司向铁塔公司和运营商开放电力杆塔、变电站等电力基础设施，用于部署5G基站，助力5G网络快速建设。在部署5G基站的过程中，目前采用共享模式进行部署，将节约大量土地资源、管道、传输、电力资源等投入，降低5G网络部署成本，为“新基建”蓄力。此外，运营商将5G设备、数据中心部署于变电站内，一方面，供电公司可提供可靠而不间断的电源保障和专业的代维服务，有效提升5G网络服务质量。另一方面，相较于搭建在商业楼宇等转供电主体建筑上的5G设备，共享变电站等电力基础设施在电价上可享受直供电电价，降低了各类5G网络设备的运行成本。但是，如何基于现有变电站资源快速、准确地部署5G基站是一个丞待解决的问题。
技术实现思路
本申请提供了一种基于变电站资源部署5G基站的优化方法及系统，用于解决在基于现有变电站资源无法快速、准确地部署5G基站的技术问题。有鉴于此，本申请第一方面提供了一种基于变电站资源部署5G基站的优化方法，包括以下步骤：对预先采集的变电站资源数据进行预处理，以获得数据集，所述变电站资源数据包括变电站实时环境数据和变电站属性数据；基于最小二乘支持向量机原则建立特征提取模型，对所述数据集提取特征信息；基于预设的期望特征信息和所述特征信息，通过递归算法遍历变电站的部署位置集合并计算筛选出部署5G基站的最优位置。优选地，所述变电站实时环境数据包括温度、湿度、烟雾、空调电流、水位和粉尘密度。优选地，所述变电站属性数据包括边缘数据中心系统的位置信息、额定电流、额定电压、额定负载、运行状态和建筑结构性能数据。优选地，所述特征提取模型具体为深度神经网络模型，其目标函数为：式中，N表示迭代次数，θi表示偏角系数，Li表示距离，y表示影响因子，yi表示电压与电流的差值的绝对值，a表示常数。优选地，所述根据所述特征信息，通过递归算法遍历变电站的部署位置集合并计算得出部署5G基站的最优位置的步骤中递归算法的目标函数为：式中，P表示最优位置，e表示偏心因子，θ表示偏角，S1表示第一递归系数，S2表示第二递归系数。优选地，所述第一递归系数的计算过程为：获取第一初始递归系数Cm，其表达式为：式中，e表示偏心因子，M为正整数；将Cm在m为0至M之间累计求和即获得第一递归系数S1＝C0+C1+C2+...+CM。优选地，所述第二递归系数的计算过程为：获取第二初始递归系数Km，其表达式为：式中，θ表示偏角，M为正整数；根据第一初始递归系数Cm和第二初始递归系数Km计算第二递归系数S2，得到s2＝-K0(C0+C1+C2+...+CM)-K1(C1+C2+...+CM)-...-KM-1CM。优选地，所述对预先采集的变电站资源数据进行预处理，以获得数据集，所述变电站资源数据包括变电站实时环境数据和变电站属性数据的步骤中的预处理包括：数据清洗、筛选特征和数据缓存。优选地，所述数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗和非需求数据清洗。第二方面，本专利技术还提供了一种基于变电站资源部署5G基站的优化系统，包括：数据处理模块，用于对预先采集的变电站资源数据进行预处理，以获得数据集，所述变电站资源数据包括变电站实时环境数据和变电站属性数据；特征提取模块，用于基于最小二乘支持向量机原则建立特征提取模型，还用于基于所述特征提取模型对所述数据集提取特征信息；筛选模块，用于基于预设的期望特征信息和所述特征信息，通过递归算法遍历变电站的部署位置集合并计算筛选出部署5G基站的最优位置。从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供了一种基于变电站资源部署5G基站的优化方法及系统，通过所采集的变电站资源数据进行预处理，使得数据集更加准确，再利用特征提取模型进行特征提取，以获得变电站资源数据的特性信息，再通过递归算法根据特性信息得出部署5G基站的最优位置，能够在现有的变电站资源基础上快速且准确地部署5G基站，从而实现利益最大化。附图说明图1为本申请实施例提供的一种基于变电站资源部署5G基站的优化方法的流程图；图2为本申请施例提供的一种基于变电站资源部署5G基站的优化系统的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。为了便于理解，请参阅图1，本申请提供的一种基于变电站资源部署5G基站的优化方法，包括以下步骤：S1、对预先采集的变电站资源数据进行预处理，以获得数据集，变电站资源数据包括变电站实时环境数据和变电站属性数据；需要说明的是，变电站实时环境数据包括温度、湿度、烟雾、空调电流、水位和粉尘密度；变电站属性数据包括边缘数据中心系统的位置信息、额定电流、额定电压、额定负载、运行状态和建筑结构性能数据。S2、基于最小二乘支持向量机原则建立特征提取模型，对数据集提取特征信息；需要说明的是，特征提取模型具体为深度神经网络模型，利用最小二乘支持向量机和深度神经网络选取特征提取模型的目标函数为：式中，N表示迭代次数，θi表示偏角系数，Li表示距离，y表示影响因子，yi表示电压与电流的差值的绝对值，a表示常数。可以理解的是，该深度神经网络模型为通过预先基于深度神经网络算法，根据大量数据集进行训练而得出的。S3、基于预设的期望特征信息和特征信息，通过递归算法遍历变电站的部署位置集合并计算筛选出部署5G基站的最优位置。需要说明的是，递归算法的目标函数为：式中，P表示最优位置，e表示偏心因子，θ表示偏角，S1表示第一递归系数，S2表示第二递归系数。可以理解的是，部署位置集合是预选在变电站的所属区域内可部署的5G基站的位置集合，其可以由若干个位置节点构成，每个位置节点均具有坐标位置信息，因此，通过递归算法可以遍历部署位置集合内的每个位置节点，以期望特征信息作为递归结束条件，从而选取符合期望特征信息的最优位置来部署5G基站。进一步地，第一递归系数的计算过程为：获取第一初始递归系数Cm，其表达式为：式中，e表示偏心因子，M为正整数；将Cm在m为0至M之间累计求和即获得第一递归系数S1＝C0+C1+C2+...+CM。进一步地，第二递归系数的计算过程为：获取第二初始递归系数Km，其本文档来自技高网...

【技术保护点】
1.一种基于变电站资源部署5G基站的优化方法，其特征在于，包括以下步骤：/n对预先采集的变电站资源数据进行预处理，以获得数据集，所述变电站资源数据包括变电站实时环境数据和变电站属性数据；/n基于最小二乘支持向量机原则建立特征提取模型，对所述数据集提取特征信息；/n基于预设的期望特征信息和所述特征信息，通过递归算法遍历变电站的部署位置集合并计算筛选出部署5G基站的最优位置。/n

【技术特征摘要】
1.一种基于变电站资源部署5G基站的优化方法，其特征在于，包括以下步骤：
对预先采集的变电站资源数据进行预处理，以获得数据集，所述变电站资源数据包括变电站实时环境数据和变电站属性数据；
基于最小二乘支持向量机原则建立特征提取模型，对所述数据集提取特征信息；
基于预设的期望特征信息和所述特征信息，通过递归算法遍历变电站的部署位置集合并计算筛选出部署5G基站的最优位置。


2.根据权利要求1所述的基于变电站资源部署5G基站的优化方法，其特征在于，所述变电站实时环境数据包括温度、湿度、烟雾、空调电流、水位和粉尘密度。


3.根据权利要求1所述的基于变电站资源部署5G基站的优化方法，其特征在于，所述变电站属性数据包括边缘数据中心系统的位置信息、额定电流、额定电压、额定负载、运行状态和建筑结构性能数据。


4.根据权利要求1所述的基于变电站资源部署5G基站的优化方法，其特征在于，所述特征提取模型具体为深度神经网络模型，其目标函数为：



式中，N表示迭代次数，θi表示偏角系数，Li表示距离，y表示影响因子，yi表示电压与电流的差值的绝对值，a表示常数。


5.根据权利要求4所述的基于变电站资源部署5G基站的优化方法，其特征在于，所述根据所述特征信息，通过递归算法遍历变电站的部署位置集合并计算得出部署5G基站的最优位置的步骤中递归算法的目标函数为：



式中，P表示最优位置，e表示偏心因子，θ表示偏角，S1表示第一递归系数，S2表示第二递归系数。


6.根据权利要求5所述的基于变电站资源部署5G基站的优化方法，其特征在于，所述第一递归系数的计算过程为：<...

【专利技术属性】
技术研发人员：彭志荣，程洋，陈锦洪，杨玺，赖奎，陈剑平，桂盛青，黄龙，谭迪江，薛菲，谢晓磊，赵爽，楚剑雄，陆庭辉，李瑞德，
申请(专利权)人：广东电网有限责任公司江门供电局，中国南方电网有限责任公司，
类型：发明
国别省市：广东;44