FenixEdu™

Dissertação

Network Energy Saving Techniques Aided by AI/ML in 4G/5G Networks EVALUATED

Detalhes: Esta tese tem como objetivo estudar os aspetos e características das redes móveis 4G e 5G, o seu consumo de energia e a potencial otimização através de técnicas de eficiência energética com o auxílio de machine learning. Foi fornecido um conjunto de dados de tráfego pela Vodafone, que foi cuidadosamente analisado para identificar possíveis oportunidades de poupança de energia que poderiam ser simuladas. Uma técnica de eficiência energética baseada no tempo foi desenvolvida, destinada a desligar componentes da estação base durante períodos de tráfego baixo ou nulo. Para prever esses períodos, foi desenvolvido um algoritmo que utiliza previsões de tráfego de um modelo LSTM para orientar ações de poupança de energia. O algoritmo foi desenhado para oferecer uma eficiência energética substancial, sendo também personalizável para atender aos requisitos específicos dos operadores de rede, além de ser de fácil implementação e manutenção. O modelo LSTM prevê com eficácia o uso futuro dos setores ao aprender e adaptar-se com precisão aos padrões diários de utilização da rede, aumentando significativamente a eficácia das ações de poupança de energia realizadas pelo algoritmo. O algoritmo proposto alcança uma elevada precisão de previsão, com resultados que demonstram um impacto substancial, atingindo até 2.451.624 kWh de energia poupada, o que se traduz em poupanças monetárias de €403.047 e numa redução de emissões de CO2 de 405,7 toneladas por ano de uso simulado em toda a rede 5G do país em estudo.
Keywords: 5G, Eficiência Energética, Aprendizagem Automática, LSTM, Previsão de Tráfego, Otimização da Rede.

Discussão: novembro 28, 2024, 11:30

Documentos da dissertação ainda não disponíveis publicamente