基于深度学习的电力业务通信带宽需求预测方法

14],并将简化后的数据送入深度学习预测网络。

主元分析法是多元统计分析中常用的方法之一,是在一定相依关系的N个参数的M个样本值所构成的数据阵列基础上,通过建立较小数目的综合变量,使其更集中地反映原来N个参数中所包含的变化信息。按照数据变化的方差大小确定变化方向的主次地位,按照主次顺序得到互不关联的各主元素,通过这种方法降低数据分析的复杂程度^[15-16]。

采用主元分析法简化电力通信带宽预测影响因素数据,其具体实现过程如下：

1）获取带宽预测影响因素的历史数据初始矩阵;

2）计算初始矩阵的相关系数矩阵,其方程如下：

 ,r_ij为相关系数矩阵的第i行第j列数据,x_ij为原始矩阵中第i行第j列数据,n为数据矩阵中的行（时间）,m为影响因素个数;

3）计算影响因素相关系数矩阵的特征根、特征向量;

4）计算前q个主元的累计贡献率G(q),当G(q)>85%时,对应的q就是抽取的前q个主成分,其中：

图2 预测流量与实际流量对比Fig. 2 Comparison between prediction data and the original data

在图2中,本业务系统的预测结果基本与真实结果相近,能够充分反映该业务在该时段的变化趋势,预测误差较小。

由于业务系统具有相似性,可以基于上述典型流量模型建立其余业务流量预测模型。由于典型模型是单用户流量模型,因此为了提高带宽流量总体预测的准确性,还需要考虑网络承载的活跃用户数。普通业务活跃用户的比例大概在0.5%~0.6%,选取最大比例0.6%进行预估,特殊业务占用量比例较大,选取10%。

将多业务流量预测模型拟合在一起,能够预测出该省四级综合数据网的网络通信带宽需求,即网-省-地-县-所。以管理信息化业务、视频会议/语音业务以及互联网业务某日预测流量为例,将采用RBM算法预测的流量结果与传统BP神经网络预测结果进行比较。通信网络带宽需求预测结果见表1所列。

表1 通信网络带宽需求预测结果Tab.1 The prediction results of electric power communication network requirement

由表1可知,采用RBM预测算法与传统BP神经网络相比,有以下结论。

1）相对于BP神经网络,本文预测模型的通信网络带宽流量预测误差较低,预测精度有所提高,主要是由于深度学习法可以利用更多的历史数据样本拟合预测曲线,提高预测精度。同时相较于地-县-所的带宽流量预测误差,主干综合数据网络带宽预测精度更高,这是由于基于深度学习的预测模型输入数据越多,预测精度也越高。

2）相对于传统神经网络预测模型,本文利用主元分析法减少了模型输入维数,简化了模型输入节点,在保证足够的输入节点数和预测精度的同时,还能使算法最快收敛,且训练时间明显减少,加快了电力通信网络带宽流量预测模型的建模速度,结果更优。

 5 结语

本文提出了一种基于深度学习的电力业务通信带宽预测方法,依托某省电力公司,首先对电力通信网络承载的业务进行分析,选取典型业务作为原有业务和新型业务带宽需求分析的基础模型,分类统计其历史数据,并确定其影响体系数据。利用主元分析法对影响通信带宽预测的影响因素体系数据进行简化,在此基础上,采用深度学习中的RBM模型对简化后的影响因素体系数据和历史数据进行电力业务需求的通信带宽预测,预测某省电力公司下一阶段电力业务需求的通信带宽,有效地提高了业务流量测算的准确性,保证了该省各级通信网基础设施投资的科学性和合理性,可为电力公司下一阶段的数据网建设提供参考。

(编辑:邹海彬)

参考文献

[1] 赵子岩, 胡浩. 一种基于业务断面的智能配用电通信网业务流量计算方法[J]. 电网技术, 2011, 35(11): 12-17.

ZHAO Zi-yan, HU Hao.A new service section based method to calculate service data flow of communication network for smart power distribution and utilization system[J]. Power System Technology, 2011, 35(11): 12-17.

[2] 李文伟. 电力数据通信网的业务流量分析[D]. 上海: 上海交通大学, 2007.

[3] 张宾, 杨家海, 吴建平. Internet流量模型分析与评述[J]. 软件学报, 2011, 22(1): 115-131.

ZHANG Bin, YANG Jia-hai, WU Jian-ping.Survey and analysis on the Internet traffic model[J]. Journal of Software, 2011, 22(1): 115-131.

[4] MORATO D, ARACIL J, DIEZ L A, et al.On linear prediction of Internet traffic for packet and burst switching networks[C]// 10th International Conference on Computer Communications and Networks, 2001: 138-143.

[5] 杜洁. 基于神经网络的电力数据通信网络带宽需求预测分析[C]// 2015年中国电机工程学会年会论文集, 2015: 1-6.

[6] 曾维欢, 魏明海, 杨储华, 等. 基于需求预测的陕西电力通信网发展规划研究[J]. 陕西电力, 2010, 38(6): 19-22.

ZENG Wei-huan, WEI Ming-hai, YANG Chu-hua, et al.Shaanxi electric power communication network development & plan based on demand prediction[J]. Shaanxi Electric Power, 2010, 38(6): 19-22.

[7] 胡楠, 王剑, 滕飞, 等. 基于信息通信融合的电力业务模型研究[J]. 通讯世界, 2016(18): 147-148.

[8] 吴博. 邢台电网通信网络系统可靠性研究[D]. 北京: 华北电力大学, 2013.

[9] 孙志军, 薛磊, 许阳明, 等. 深度学习研究综述[J]. 计算机应用研究, 2012, 29(8): 2806-2810.

[10] DJURDJEVIC P D, HUBER M.Deep belief network for modeling hierarchical reinforcement learning policies[C]//Proceedings of 2013 International Conference on Systems , Man and Cybernetics, 2013: 2485-2491.

[11] 郑毅, 朱成璋. 基于深度信念网络的PM2. 5预测[J]. 山东大学学报(工学版), 2014, 44(6): 19-25.

ZHENG Yi, ZHU Cheng-zhang.A prediction method of atmospheric PM2. 5 based on DBNs[J]. Journal of Shandong University(Engineering Science), 2014, 44(6): 19-25.

[12] LIU J W, CHI G H, LIU Z Y, et al.Predicting protein structural classes with autoencoder neural networks[C]//Control and Decision Conference. IEEE, 2013: 1894-1899.

[13] 张鹏军, 李平康. 基于主元分析的火电厂DCS监视控制系统优化研究[J]. 现代电力, 2008, 25(3): 64-68.

ZHANG Peng-jun, LI Ping-kang.Optimization of monitoring and control system of DCS in power plant based on PCA[J]. Modern Electric Power, 2008, 25(3): 64-68.

[14] 李超然, 肖飞, 刘计龙, 等. 复杂电力电子系统通信网络有效能评估指标体系研究[J]. 电源学报, 2016, 16(2): 1-11.

LI Chao-ran, XIAO Fei, LIU Ji-long, et al.Research on the efficiency evaluation index system of complex power electronics system communication net[J]. Journal of Power Supply, 2016, 16(2): 1-11.

[15] 王京茹, 李平康, 郑宏伟, 等. 主元分析法在火电厂过程控制中的应用[J]. 仪器仪表学报, 2004, 25(S1): 1016-1017, 1036.

WANG Jing-ru, LI Ping-kang, ZHENG Hong-wei, et al.Application of principal component analysis in power plant process control systems[J]. Chinese Journal of Scientific Instrument, 2004, 25(S1): 1016-1017, 1036.

[16] 李小航. 网络业务流的特性分析及预测技术研究[D]. 无锡: 江南大学, 2008.