14],并將簡化后的數據送入深度學習預測網絡。

主元分析法是多元統計分析中常用的方法之一,是在一定相依關系的N個參數的M個樣本值所構成的數據陣列基礎上,通過建立較小數目的綜合變量,使其更集中地反映原來N個參數中所包含的變化信息。按照數據變化的方差大小確定變化方向的主次地位,按照主次順序得到互不關聯的各主元素,通過這種方法降低數據分析的復雜程度^[15-16]。

采用主元分析法簡化電力通信帶寬預測影響因素數據,其具體實現過程如下：

1）獲取帶寬預測影響因素的歷史數據初始矩陣;

2）計算初始矩陣的相關系數矩陣,其方程如下：

 ,r_ij為相關系數矩陣的第i行第j列數據,x_ij為原始矩陣中第i行第j列數據,n為數據矩陣中的行（時間）,m為影響因素個數;

3）計算影響因素相關系數矩陣的特征根、特征向量;

4）計算前q個主元的累計貢獻率G(q),當G(q)>85%時,對應的q就是抽取的前q個主成分,其中：

圖2 預測流量與實際流量對比Fig. 2 Comparison between prediction data and the original data

在圖2中,本業務系統的預測結果基本與真實結果相近,能夠充分反映該業務在該時段的變化趨勢,預測誤差較小。

由于業務系統具有相似性,可以基于上述典型流量模型建立其余業務流量預測模型。由于典型模型是單用戶流量模型,因此為了提高帶寬流量總體預測的準確性,還需要考慮網絡承載的活躍用戶數。普通業務活躍用戶的比例大概在0.5%~0.6%,選取最大比例0.6%進行預估,特殊業務占用量比例較大,選取10%。

將多業務流量預測模型擬合在一起,能夠預測出該省四級綜合數據網的網絡通信帶寬需求,即網-省-地-縣-所。以管理信息化業務、視頻會議/語音業務以及互聯網業務某日預測流量為例,將采用RBM算法預測的流量結果與傳統BP神經網絡預測結果進行比較。通信網絡帶寬需求預測結果見表1所列。

表1 通信網絡帶寬需求預測結果Tab.1 The prediction results of electric power communication network requirement

由表1可知,采用RBM預測算法與傳統BP神經網絡相比,有以下結論。

1）相對于BP神經網絡,本文預測模型的通信網絡帶寬流量預測誤差較低,預測精度有所提高,主要是由于深度學習法可以利用更多的歷史數據樣本擬合預測曲線,提高預測精度。同時相較于地-縣-所的帶寬流量預測誤差,主干綜合數據網絡帶寬預測精度更高,這是由于基于深度學習的預測模型輸入數據越多,預測精度也越高。

2）相對于傳統神經網絡預測模型,本文利用主元分析法減少了模型輸入維數,簡化了模型輸入節點,在保證足夠的輸入節點數和預測精度的同時,還能使算法最快收斂,且訓練時間明顯減少,加快了電力通信網絡帶寬流量預測模型的建模速度,結果更優。

 5 結語

本文提出了一種基于深度學習的電力業務通信帶寬預測方法,依托某省電力公司,首先對電力通信網絡承載的業務進行分析,選取典型業務作為原有業務和新型業務帶寬需求分析的基礎模型,分類統計其歷史數據,并確定其影響體系數據。利用主元分析法對影響通信帶寬預測的影響因素體系數據進行簡化,在此基礎上,采用深度學習中的RBM模型對簡化后的影響因素體系數據和歷史數據進行電力業務需求的通信帶寬預測,預測某省電力公司下一階段電力業務需求的通信帶寬,有效地提高了業務流量測算的準確性,保證了該省各級通信網基礎設施投資的科學性和合理性,可為電力公司下一階段的數據網建設提供參考。

(編輯:鄒海彬)

參考文獻

[1] 趙子巖, 胡浩. 一種基于業務斷面的智能配用電通信網業務流量計算方法[J]. 電網技術, 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] 李文偉. 電力數據通信網的業務流量分析[D]. 上海: 上海交通大學, 2007.

[3] 張賓, 楊家海, 吳建平. Internet流量模型分析與評述[J]. 軟件學報, 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] 杜潔. 基于神經網絡的電力數據通信網絡帶寬需求預測分析[C]// 2015年中國電機工程學會年會論文集, 2015: 1-6.

[6] 曾維歡, 魏明海, 楊儲華, 等. 基于需求預測的陜西電力通信網發展規劃研究[J]. 陜西電力, 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, 王劍, 滕飛, 等. 基于信息通信融合的電力業務模型研究[J]. 通訊世界, 2016(18): 147-148.

[8] 吳博. 邢臺電網通信網絡系統可靠性研究[D]. 北京: 華北電力大學, 2013.

[9] 孫志軍, 薛磊, 許陽明, 等. 深度學習研究綜述[J]. 計算機應用研究, 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] 鄭毅, 朱成璋. 基于深度信念網絡的PM2. 5預測[J]. 山東大學學報(工學版), 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] 張鵬軍, 李平康. 基于主元分析的火電廠DCS監視控制系統優化研究[J]. 現代電力, 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, 肖飛, 劉計龍, 等. 復雜電力電子系統通信網絡有效能評估指標體系研究[J]. 電源學報, 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, 鄭宏偉, 等. 主元分析法在火電廠過程控制中的應用[J]. 儀器儀表學報, 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. 網絡業務流的特性分析及預測技術研究[D]. 無錫: 江南大學, 2008.