0 引言

隨著電網內大量二次設備的接入,過去單一的點對點通信方式已不能滿足現有電力通信網的發展。電網智能化及應用集中部署也使得電網生產、調度、營銷、管理業務需求不斷增多,單一依靠流量統計已不能滿足現有業務對傳輸網和傳輸設備的需求^[1-2]。因此,根據承載方式的不同對電力業務進行分類,同時按照不同類型的業務需求對其通信帶寬流量進行預測,既能夠有效地解決網絡擁塞,也能提高電力通信網絡的利用率^[3]。

目前,現有的帶寬預測方法中,線性預測方法是最常用的,通過簡單地計算業務的平均值、最大值累加,或者統計預測過去某時間段業務流量趨勢,來對電網通信帶寬進行預測。但由于同一天內不同業務之間的流量分布情況不一定相同,因此這種方法的準確性不高^[4]。根據電話業務的特征提出的泊松模型,因能夠準確描述電話網中業務特性而得到廣泛應用。但該模型更多用于傳統的電話交換網,由于數據通信流量具有突發性,因此泊松模型不適合用于數據網絡流量分析。基于研究統計規律的自回歸滑動平均模型（Auto Regressive and Moving Average Model,ARMA）是以自回歸模型（AR模型）與滑動平均模型（MA模型）為基礎,采用歷史值預估未來值。但是其對于業務的發展敏感性低,無法較好地反映業務變化對網絡帶寬造成的影響^[5]。反向傳播（Back Propagation,BP）神經網絡是目前應用最廣泛的神經網絡模型之一,通過對大量數據的學習和存儲來尋找輸入-輸出之間的映射關系,但BP神經網絡容易受到數據量和自身節點數目的限制,造成算法運行時間長、運行結果偏差較大等問題。

現今電力通信網絡承載業務種類多、實時數據量大,單一或者淺度的學習算法對其帶寬流量的預測準確性不夠,同時對于大量的帶寬流量數據使用率不高,運行時間較長。深度學習模型在面對越來越龐大的數據量時基本不存在過飽和狀態,數據越多越能獲得更好的學習效果,可最大程度發揮大數據量的優勢。

因此,本文依托某省電力公司“十二五”期間通信網絡建設^[6],結合其電力通信業務的種類及歷史流量,對其通信網絡承載業務進行分析;同時采用深度學習方法,建立不同業務的流量模型,對某省電力通信網未來帶寬流量進行預測。根據業務需求預測結果,分析現有通信網存在的問題,進而開展對數據通信網絡建設的思考及其發展規劃的建設。

 1 現有電力通信網絡承載業務分析

根據承載方式不同,現有電力通信網絡業務可劃分為3個類別：專線通信、調度數據網和綜合數據網。具體分類為：點到點專用光纖通道所承載的業務;調度數據網承載的電力系統生產直接相關的業務;綜合數據網承載的電力系統生產管理服務業務^[7-8]。

1.1 專線通信承載業務

專線通信業務主要是指由電力專用光纖傳輸網承載的業務,特指電力系統專線通信業務——點到點的專用光纖通道,為電網安全穩定運行必不可少的核心業務。例如調度電話、電力系統繼電保護、電力系統遠方保護、安全自動裝置等,主要功能是承載各類遠方保護及安全穩定控制信號的傳輸。

1.2 調度數據網承載業務

調度數據網業務是指與電力自動化生產直接相關的業務,例如信息保護管理系統、信息安穩管理系統、廣域相量測量系統、電力市場技術支持系統等。這些業務對數據傳輸的可靠性、安全性要求較高,同時相對于專線通信業務,其傳輸時延要求較低。

1.3 綜合數據網承載業務

綜合數據網承載的業務主要是為生產管理服務,包括企業管理信息化業務、變電站圖像/通信機房設備監視系統、視頻會議系統、調度管理信息系統等。這些業務對信號傳輸性能和安全、信號傳輸可靠性等要求較高,同時相較于專線通信業務,其傳輸時延要求較低。因此,必須為其提供可靠的傳輸路徑和充足的帶寬量。

針對不同類型業務按照其對應的統計方法對通信帶寬進行統計,得到其帶寬需求量的歷史數據,并同時統計影響通信帶寬預測因素的體系數據。將現有某省電力通信網傳統業務歸類,同時對其新業務（如調度數據網第二平面建設、輸電線路狀態監測、變電站視頻監測、配網自動化高清會議系統等）進行分析和分類,本文基于業務系統的相似性及業務系統的現有模型,選取5個典型業務系統（管理信息化業務、視頻會議業務、語音業務、互聯網業務、新增業務）對通信帶寬預測模型進行建模,分析網絡帶寬需求,同時這也是新增業務帶寬預測的基礎。

 2 基于深度學習的電力通信網絡帶寬需求預測

深度學習模型相對于淺度學習模型（如神經網絡、支持向量機等）而言,是一種包含多個隱藏層的機器學習模型。深度學習模型由Hinton等人于2006年提出,通過利用大量數據進行訓練,學習獲得有用的特征,進而廣泛應用于圖像處理和語音識別等方面。區別于淺度學習,使用深度學習模型在面對越龐大的數據量時越能獲得更好的學習效果,不存在過飽和狀態,無需考慮過擬合的問題,可最大程度發揮大數據量的優勢。同時,深度學習模型在突出特征學習重要性的基礎上,還利用逐層特征變換方法,將原空間樣本特征變換到一個新的特征空間內,易于實現樣本的預測或分類^[9]。

由于現有電力通信網絡承載的業務種類多,實時數據量大,簡單的淺度學習算法對其帶寬流量的預測具有很大的不準確性,同時浪費了大量的帶寬流量數據^[10]。為了提高通信網絡帶寬流量預測的準確度,定性、定量判斷帶寬需求,本文選用深度學習方法,針對某省電力通信網5個典型業務分別建立預測模型,綜合分析預測模型結果,預測該省電力公司下一階段的帶寬需求,同時也考慮了特殊業務對帶寬的需求,如互聯網訪問業務、FTP業務、視頻語音業務等。

2.1 預測模型結構

本文采用深度學習方法中的深度玻爾茲曼機模型（Deep Boltzmann Machines,DBMs）建立預測模型,其中DBMs是指堆疊多個限制玻爾茲曼機（Restricted Boltzmann Machines,RBM）。RBM的構成可分為兩部分,即輸入數據層和隱藏層。每層內節點之間無連接,且只能隨機在0和1取值,其全概率分布滿足Boltzmann分布^[11-12]。DBM模型結構如圖1所示。

圖1 DBM模型結構Fig. 1 The structure of DBM

通過多次試驗,本文采用1個輸入層、1個輸出層和5個隱藏層的RBM模型結構,迭代次數為20次。輸入層節點數與不同業務系統的主要影響因素個數有關,隱藏層節點個數為輸入層節點數的一半,同時用ω_i（i=1,2,…,5）分別表示5個隱藏層的權值,ω表示輸出層的權值。輸入層為影響帶寬流量的因素,輸出層為帶寬流量,表示當前典型業務的帶寬流量。對于本預測模型而言,利用大量的數據樣本訓練低層RBM模型的每一層,然后訓練上層分類層,最后通過BP算法微調整個網絡。

2.2 模型訓練策略

與傳統神經網絡相比,深度學習引入了預訓練概念,初始權值通過利用自下而上的非監督學習獲得,然后再通過自上而下的監督學習優化參數。深度學習法主要分為2個階段：預訓練階段和微調階段^[12]。

2.2.1 預訓練階段

深度學習的預訓練過程是一種非監督學習過程,利用預訓練網絡能夠獲得算法的初始權值,逐層貪婪優化為其訓練策略。RBM的可視層為v和隱層為h,同時層內節點彼此對立,層間節點全部互相
連接。

RBM隨機模型的能量函數和概率分布函數可表示為：

 （2）

式中,v_i為可視層節點狀態;h_i為隱層節點狀態;a_i、b_i為相應層節點偏置;ω_i,j為節點之間的連接權值;θ={W,a,b}為網絡權值,即該階段需要優化的參數;Z是歸一化系數,其表達式為：

 （4）

式中,ε為學習率;<*>_data為樣本期望;<*>_recon為RBM重構后的期望。

通過上述過程,能夠獲得與輸入數據分布類似的輸出。通過優先訓練最低層RBM,并將影響因素個數作為輸入,得到帶寬流量的表述h₁,然后以h₁作為輸入,訓練第二層RBM,以此類推。輸出層是Softmax分類器,通過樣本比較隨機初始化輸出層權值ω。

2.2.2 微調階段

預訓練后,RBM模型獲得了一個初始權值,但不一定是模型的最優權值,因此需要對初始權值進行微調。本文選用BP神經網絡算法^[10],與樣本數據比較,自頂向下對網絡參數進行微調,其調整過程的目標函數如下：

 （6）

業務流量y是由時間t和用戶數x組成的相關函數。

同時,使用該業務的用戶數x是由總用戶數A及時間t組成的相關函數：

 （8）

深度學習法主要是在帶寬流量預測過程中尋找出原始數據和時間的關系方程。

 3 基于主元分析法的帶寬預測影響指標簡化分析

在電力通信網絡帶寬預測中存在很多影響因素,不同的預測方法對提煉樣本數據信息的復雜性、數據要求等方面均有不同,常規考慮多影響因素的預測方法無法完全描述各因素對預測對象的影響^[13]。本文選用的深度學習法可以不必處理影響因素,可直接將其作為輸入數據就可進行考慮多因素的預測。由于深度學習是一個對數據不斷挖掘的過程,隨著挖掘的深入,若輸入節點過多,則很有可能造成結果不收斂,而輸入節點過少則會造成預測不準確。因此,綜合考慮電力業務帶寬歷史數據特點以及其影響因素,本文提出首先采用主元分析法對電力通信帶寬預測影響因素數據進行簡化^[