In the domain of telecommunication infrastructure, the operation of Climate Control Units (CCUs) within the Radio Base Stations (RBSs) is crucial for supporting the operation of RBSs and preventing the wear of hardware parts. However, the improvement of energy efficiency in CCUs still attracts research attention. This master thesis analyzes the methods for optimizing the operation and power savings of CCU implementation in RBS. The primary objective focused on power efficiency and hardware lifespan, sets the foundation for this research that leads to the development of Machine Learning (ML) based algorithms. These algorithms are used to create dynamic predictive models that are responsible for setting the best temperature and fan speed control over time for a particular RBS hosting the CCU. This ML approach is reinforced by a data-driven approach involving data preprocessing, exploratory analysis, and model training. The work is also strengthened by assessing the operational approach using Reinforcement Learning (RL) methodology and evaluating how it contributes towards a predictive model. The results prove that there were up to 70% energy savings for the fans’ operation while using RL based methods for climate control, when compared to traditional methods. The developed algorithm not only allows for reducing energy costs and environmental impact but also enhances the operational reliability of telecommunication infrastructure. With many RBSs deployed all over the world, the results of this study aim to contribute towards sustainable and greener technologies and also open the world of opportunities for the real- life application of Artificial Intelligence (AI).

Inom området för telekommunikationsinfrastruktur är driften av CCUs inom RBSs avgörande för att stödja driften av RBSs och förhindra slitage på hårdvarukomponenter. Trots detta kvarstår forskningsintresset kring att förbättra energieffektiviteten hos CCUs. Denna masteruppsats diskuterar metoder för att optimera driften och energibesparingarna av CCUs i RBSs. Huvudmålet, med fokus på energieffektivitet och hårdvarans livslängd, utgör grunden för denna forskning, vilket leder till utvecklingen av algoritmer baserade på ML. Dessa algoritmer används för att skapa dynamiska prediktiva modeller som ansvarar för att kontinuerligt justera temperaturen och fläkthastigheterna i en specifik RBS som är värd för CCU. Detta ML-tillvägagångssätt stöds av en datadriven metod som inkluderar datarensning, utforskande analys och modellträning. Arbetet förstärks också av en bedömning av det operativa tillvägagångssättet med RL-metodiken och en utvärdering av hur den bidrar till att bygga upp en prediktiv modell. Resultaten visar att energibesparingar på upp till 70% för fläktdriften kan uppnås med hjälp av RL-baserade metoder för klimatstyrning, jämfört med traditionella metoder. Den utvecklade algoritmen möjliggör inte bara minskade energikostnader och minskad miljöpåverkan, utan förbättrar även den operativa tillförlitligheten för telekommunikationsinfrastrukturen. Med de många RBSs som är installerade världen över, syftar resultaten av denna studie till att bidra till utvecklingen av hållbara och miljövänliga teknologier, samt öppnar upp nya möjligheter för den verkliga tillämpningen av AI.