近日，中国移动研究院与清华大学电子系的合作研究成果研究论文“Carbon emissions of 5G mobile networks in China”发表于Nature子刊《自然·可持续》（Nature Sustainability）杂志，影响因子IF为27.7。
当前信息与能量一体化成为发展趋势，在移动通信网络中，信息流与能量流在时间与空间上呈现高度的不匹配特性。为解决该问题，研究团队通过利用城市模拟器进行城市级别的移动通信网络与电力网络的高度真实且高效的模拟，成功地实现了移动通信网络的能耗与碳排放测定系统。基于此，进一步提出了一种基于强化学习的节能策略，实现网络能效和碳效率的显著提升。这一研究为城市5G网络的低碳部署与节能优化提供了重要的理论依据和实践指导。
研究团队分析某城市2020 – 2023年移动网络运营数据实验结果发现，5G部署初期，因为用户和业务发展滞后等原因导致某城市的碳效率从2.98 TByte/tCO2下降到2.08 TByte/tCO2（图1）。该碳效率下降和随后的恢复过程被称为碳效率陷阱。同时，文章研究了蜂窝网络流量与能量消耗之间的时空不匹配现象，网络不匹配系数的增加降低了网络能量效率，不匹配系数较大的区域能量效率较低，反之亦然。5G部署初期，城市中心的平均能量效率从2.98 TByte/MWh下降到1.94 TByte/MWh，与不匹配系数的增加相对应（图2）
图1 某市2020-2023年移动网络碳效率变化以及额外碳排放
图2某市一周内4G（左）、5G（中）、4G和5G整个网络（右）网络能效的空间分布
为缓解能量与信息的不匹配现象，文章提出了一种基于人工智能的节能方法DeepEnergy，该方法基于协作深度强化学习来自适应地控制网络小区的工作状态。在每个小区决策时，将其他小区的决策对该小区的影响简化为两个二值标记编码，分别表示同基站下是否还存在其它开启的小区，以及共覆盖关系内的总体流量需求能否满足，这样做既能良好地表示其它小区的开闭状态对该小区的影响，又能大幅度降低智能体决策的计算量；使用深度强化学习模型，将多个小区的网络流量、能耗、标记编码等关键信息训练，以此来实现小区的节能控制。这样做同时考虑了补偿小区间和基站内部的协作，可有效协调数万个小区的工作状态。与传统节能方法和人工经验方法相比，DeepEnergy可显著提高网络碳效率40%以上（图3）。文章进一步基于PVWatts的模拟来评估了联合运营DeepEnergy和光伏系统时N市移动网络的碳效率，结果表明将DeepEnergy与光伏系统相结合可以显著提高移动网络的碳效率超20%。
图3 不同节能方法下N市网络碳效率的变化
全球可持续发展目标（SDGs）迫切号召各行业采取行动，本研究将“AI算法-通信知识-可再生能源”三者有机结合，实现了网络流量与能量的时空匹配，为通信网络实现“双碳”目标奠定了坚实的基础。
论文链接：
https://www.nature.com/articles/s41893-023-01206-5 
