好的，我们继续进行系列的下一篇深度解读。
深度解析 3GPP TS 28.552：5.17 Void & 5.19 Power, Energy and Environmental (PEE) measurements for PNF
本文技术原理深度参考了3GPP TS 28.552 V18.10.0 (2025-03) Release 18规范中，关于“5.1.19 Power, Energy and Environmental (PEE) measurements”的核心章节，旨在为读者提供一个关于5G物理网络设备（PNF）能效与环境监控的性能测量全景解析。
引言：运营商的“双碳”KPI与“隐形”成本
“王哥，集团下发了新的KPI考核指标，”小林拿着一份文件，表情严肃，“除了网络质量指标，今年新增了一项硬性KPI——‘网络能效比’，要求我们在保障性能的同时，单位数据流量的能耗必须比去年降低15%。这可怎么考核？”
老王指着窗外密密麻麻的基站天线和远处若隐若现的数据中心：“小林，我们每天优化的这张5G网络，其实是一头巨大的‘电老虎’。成千上万的基站、服务器、交换机，24小时不间断运行，电费是运营商最大的一块运营成本。在‘双碳’战略的大背景下，建设一张‘绿色’的5G网络，不再是可选项，而是必选项。”
“要实现这个目标，我们首先需要一套精准的‘电表’和‘温湿度计’，来量化我们的能源消耗和设备健康状况。TS 28.552的5.1.19节，就是3GPP为我们提供的这套‘标准化能源审计工具’。”
他解释道：“5.17节是Void（空），我们可以忽略。而5.1.19节 PEE (Power, Energy and Environmental) measurements for PNF，就是专门针对物理网络功能（PNF），也就是我们机房里那些实实在在的硬件设备，进行功耗、能耗和环境状态测量的规范。它和我们之前在5.1.1.19中学到的基站PEE测量一脉相承，但适用范围更广。”
“通过这些测量，我们不仅能计算出集团下发的‘网络能效比’KPI，更重要的是，能够发现网络中那些‘隐形’的能源浪费点和潜在的设备故障风险。今天，我们就来学习，如何从‘比特’和‘瓦特’的视角，重新审视我们的网络。”
1. 5G网络的“电费账单”：Power & Energy Measurements
要管理能源，首先要能度量能源。5.1.19节的核心，就是对设备功耗（Power）和能耗（Energy）的精确测量。
1.1 瞬时与平均的“功率”画像 (5.1.19.2 PNF Power Consumption)
5.1.19.2.1
Average Power(PEE.AvgPower) a) This measurement provides the average power consumed over the measurement period.
5.1.19.2.2
Minimum Power(PEE.MinPower) a) This measurement provides the minimum power consumed during the measurement period
5.1.19.2.3
Maximum Power(PEE.MaxPower) a) This measurement provides the maximum power consumed during the measurement period.
-
深度解析: 这三个测量项共同描绘了一台PNF（如一台完整的BBU设备，或一台核心网服务器）在测量周期内的**功率（Power, 单位：W）**特征。
AvgPower(平均功耗): 反映了设备在统计周期内的平均运行负荷。它是计算总能耗和能效比的基础。MinPower(最低功耗): 通常出现在设备业务负载最低的时段（如深夜）。这个值代表了设备的基础开销功耗（Overhead Power）。一个优秀的节能设计，其MinPower应该尽可能地低。MaxPower(峰值功耗): 出现在设备业务负载最高的时刻。这个值反映了设备的极限功耗，对于机房的电源容量规划和供电安全至关重要。
-
场景化应用：评估“潮汐”节能效果 为了降低CBD区域基站在夜间的能耗，运维团队部署了“深度休眠”节能特性。小林通过对比部署前后的PEE数据来评估效果：
- 部署前:
PEE.AvgPower(24小时): 350WPEE.MinPower(凌晨3点): 200W
- 部署后:
PEE.AvgPower(24小时): 280WPEE.MinPower(凌晨3点): 50W
“王哥，效果太明显了！”小林兴奋地说，“深度休眠功能让基站的基础功耗降低了75%，全天的平均功耗也下降了20%！”
- 部署前:
1.2 成本的最终体现：“能耗”统计 (5.1.19.3 PNF Energy consumption)
a) This measurement provides the energy consumed. d) A real value in kilowatt-hours (kWh). e) The measurement name has the form PEE.Energy
-
深度解析:
PEE.Energy统计的是设备在测量周期内消耗的总能量（Energy），单位是千瓦时（kWh），即“度”。这是运营商需要向电力公司支付电费的直接依据。 -
场景化应用：计算“网络能效比”KPI 集团下发的KPI——网络能效比（Network Energy Efficiency），通常定义为**“每传输1GByte数据所消耗的电能”**。小林现在有了计算这个KPI的所有原材料：
- 从
5.1.2节，他可以获取到该基站（PNF）在测量周期内的总数据流量Data Volume（假设为1000 GByte）。 - 从
5.1.19.3节，他获取到该基站同期的总能耗PEE.Energy（假设为24 kWh）。 - 网络能效比 =
PEE.Energy/Data Volume= 24 kWh / 1000 GByte = 0.024 kWh/GByte。
通过持续追踪这个KPI，并横向对比不同厂商、不同型号的设备，运营商就可以筛选出更节能的设备，并指导未来的网络建设。
- 从
2. 设备的“健康体检报告”：Environmental Measurements
一台设备能否长期稳定运行，除了自身的负载，还高度依赖于其所处的物理环境。PEE测量中的环境部分，就是对设备运行环境的“健康体检”。
5.1.19.4 PNF Temperature (PNF温度) (Avg/Min/Max) 5.1.19.5 PNF Voltage (PNF电压) 5.1.19.6 PNF Current (PNF电流) 5.1.19.7 PNF Humidity (PNF湿度)
2.1 深度解析与场景化应用：从“被动告警”到“主动预警”
-
温度 (
PEE.Avg/Min/MaxTemperature): “高温是电子设备的第一杀手。” 老王强调。- 应用1：发现散热异常。 小林发现，某个室外站点的
PEE.MaxTemperature在夏季午后频繁触及告警门限（如80℃）。这直接导致该站点的RRU（射频单元）发生“过温降额”，即自动降低发射功率以防止烧毁，从而造成了该区域下午的5G信号覆盖变差。运维团队立刻派人去清洁了RRU的散热片，问题解决。 - 应用2：智能机房节能。 通过监控机房内所有设备上报的
PEE.AvgTemperature，智能温控系统可以动态调整空调的制冷量，在保证设备安全的前提下，最大限度地节省空调能耗。
- 应用1：发现散热异常。 小林发现，某个室外站点的
-
电压/电流 (
PEE.Voltage,PEE.Current): “稳定的供电是网络运行的血液。”- 应用：预警供电隐患。 运维平台通过对
PEE.Voltage进行长期监控，发现某个站点的电压存在规律性的、轻微的下跌。虽然尚未触发低压告警，但这种“亚健康”状态，可能预示着该站点的电源模块（PSU）或外部电网存在老化等隐患。平台可以生成一个低优先级的“预测性维护”工单，安排人员在例行巡检时进行重点检查，从而避免未来可能发生的突发断电事故。
- 应用：预警供电隐患。 运维平台通过对
-
湿度 (
PEE.Humidity): “潮湿是精密电路的无声腐蚀剂。”- 应用：环境风险评估。 在南方梅雨季节，监控
PEE.Humidity的峰值，可以帮助运营商评估哪些站点的环境风险最高，需要优先进行除湿设备的安装或维护，以延长设备的使用寿命。
- 应用：环境风险评估。 在南方梅雨季节，监控
结论：PEE测量——绿色5G与智慧运维的交汇点
通过对PEE测量的学习，我们开启了一个全新的视角，将网络性能的关注点从纯粹的通信指标，扩展到了能源效率和物理健康。
- 量化能源成本: Power和Energy测量，为运营商提供了精细化的“电费账单”，使得“网络能效比”这一“双碳”时代的核心KPI变得可计算、可考核。
- 评估节能技术: 通过对比节能特性开启前后的PEE数据，可以量化评估各项节能技术的真实效果，指导全网的节能策略部署。
- 实现预测性维护: 环境测量（温度、电压等）提供了设备物理健康的“体征数据”。结合大数据和AI分析，可以从“事后告警”的被动运维，升级为“事前预警”的主动、预测性维护，极大地提高了网络的可靠性和运维效率。
PEE测量，是5G网络迈向“绿色、低碳、智能、高效”目标的关键一步。它不仅关系到运营商的运营成本，更体现了通信行业在可持续发展时代下的社会责任。掌握这套“能源审计”工具，将是未来网络工程师不可或缺的一项核心技能。
FAQ 环节
Q1：5.1.19 PEE measurements for PNF 和 5.1.1.19 Power, Energy and Environmental (PEE) measurements 的标题几乎一样，它们有什么区别？
A1：这是一个非常细致的观察。在规范的目录结构中，5.1.1.19是早期为gNB（特别是作为PNF的gNB）定义的PEE测量。而5.7 Common performance measurements for NFs（我们之前解读过）则定义了适用于所有虚拟化NF（VNF）的VR usage（虚拟资源使用）。随着规范的演进，3GPP意识到，PEE测量不仅适用于gNB，也适用于核心网中以物理设备（PNF）形态部署的网元（如某些高性能UPF、NRF等）。因此，在后续的版本中（如本解读参考的V18.10.0），5.1.19被更清晰地定义和扩展，以覆盖更广泛的PNF设备。本质上，它们都遵循相同的测量原理，即对物理硬件的能源和环境进行监控。
Q2：这些PEE数据是由谁测量的？数据准确性如何保证？ A2：这些数据是由PNF硬件设备本身内置的各种传感器测量的。例如，电源模块内置了电压和电流传感器，主板和射频单元上布满了温度传感器。设备通过内部总线采集这些数据，并由设备的管理模块（通常符合IPMI等标准）汇总后，通过标准的网管接口（如SNMP或Netconf）向上层OAM系统上报。其准确性由设备制造商保证，并且通常需要符合相关的行业标准（如ETSI ES 202 336）。
Q3：PEE.AvgPower（平均功耗）和CARR.MeanTxPwr（平均发射功率）有什么关系？
A3：PEE.AvgPower是一个**“整机”的概念，而CARR.MeanTxPwr是一个“射频端口”的概念。PEE.AvgPower** 测量的是整个基站设备（包括BBU的基带处理、RRU的射频和功放等所有部件）从电网消耗的总输入功率。而**CARR.MeanTxPwr** 测量的是RRU的天线端口向空中发射出去的无线电波功率。
PEE.AvgPower 必然远远大于 CARR.MeanTxPwr。它们之间的差值，主要就是设备在信号处理、数模转换、以及功率放大器（PA）效率损耗等环节消耗掉的能量，这部分能量大部分最终转化为了热量。两者的比值 (CARR.MeanTxPwr / PEE.AvgPower)，可以用来计算一个关键的能效指标——整机效率（Wall Plug Efficiency）。
Q4：为什么有了详细的通信性能测量，还需要这些看似“不相干”的环境测量？ A4：因为环境是影响通信性能的重要根源之一。很多疑难的、间歇性的网络性能问题，最终都可能追溯到物理环境的异常。例如：1）间歇性掉话/降速，可能是因为机房空调故障，导致设备在高温时段周期性地过温降额。2）误码率突然升高，可能是因为外部电网电压不稳，对设备的供电造成了干扰。3. 设备频繁重启，可能是因为机柜内部湿度过大，导致了电路板的慢速短路。将环境测量数据与通信性能数据进行关联分析，是现代根因分析（Root Cause Analysis）系统的重要能力，能够发现许多单纯从信令层面无法解释的问题。
Q5：这些PEE测量项，对于未来液冷、AI节能等更先进的绿色技术，是否依然适用？
A5：完全适用，并且是评估这些新技术效果的基础。无论是采用更高效的液冷散热，还是引入AI算法根据业务预测进行智能关断，其最终的节能效果，都必须通过PEE.Energy和PEE.AvgPower的降低来量化体现。例如，部署AI节能后，如果能看到在业务量相同的情况下，PEE.AvgPower下降了5%，那么这5%就是AI算法带来的实实在在的收益。没有这些基础的“电表”测量，任何上层的节能技术都将无法被衡量和闭环优化。