14],并將簡化后的數(shù)據(jù)送入深度學(xué)習(xí)預(yù)測網(wǎng)絡(luò)。

主元分析法是多元統(tǒng)計分析中常用的方法之一,是在一定相依關(guān)系的N個參數(shù)的M個樣本值所構(gòu)成的數(shù)據(jù)陣列基礎(chǔ)上,通過建立較小數(shù)目的綜合變量,使其更集中地反映原來N個參數(shù)中所包含的變化信息。按照數(shù)據(jù)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(guān)聯(lián)的各主元素,通過這種方法降低數(shù)據(jù)分析的復(fù)雜程度^[15-16]。

采用主元分析法簡化電力通信帶寬預(yù)測影響因素數(shù)據(jù),其具體實現(xiàn)過程如下：

1）獲取帶寬預(yù)測影響因素的歷史數(shù)據(jù)初始矩陣;

2）計算初始矩陣的相關(guān)系數(shù)矩陣,其方程如下：

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

3）計算影響因素相關(guān)系數(shù)矩陣的特征根、特征向量;

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

圖2 預(yù)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(yè)務(wù)系統(tǒng)的預(yù)測結(jié)果基本與真實結(jié)果相近,能夠充分反映該業(yè)務(wù)在該時段的變化趨勢,預(yù)測誤差較小。

由于業(yè)務(wù)系統(tǒng)具有相似性,可以基于上述典型流量模型建立其余業(yè)務(wù)流量預(yù)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(yù)測的準(zhǔn)確性,還需要考慮網(wǎng)絡(luò)承載的活躍用戶數(shù)。普通業(yè)務(wù)活躍用戶的比例大概在0.5%~0.6%,選取最大比例0.6%進(jìn)行預(yù)估,特殊業(yè)務(wù)占用量比例較大,選取10%。

將多業(yè)務(wù)流量預(yù)測模型擬合在一起,能夠預(yù)測出該省四級綜合數(shù)據(jù)網(wǎng)的網(wǎng)絡(luò)通信帶寬需求,即網(wǎng)-省-地-縣-所。以管理信息化業(yè)務(wù)、視頻會議/語音業(yè)務(wù)以及互聯(lián)網(wǎng)業(yè)務(wù)某日預(yù)測流量為例,將采用RBM算法預(yù)測的流量結(jié)果與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)行比較。通信網(wǎng)絡(luò)帶寬需求預(yù)測結(jié)果見表1所列。

表1 通信網(wǎng)絡(luò)帶寬需求預(yù)測結(jié)果Tab.1 The prediction results of electric power communication network requirement

由表1可知,采用RBM預(yù)測算法與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比,有以下結(jié)論。

1）相對于BP神經(jīng)網(wǎng)絡(luò),本文預(yù)測模型的通信網(wǎng)絡(luò)帶寬流量預(yù)測誤差較低,預(yù)測精度有所提高,主要是由于深度學(xué)習(xí)法可以利用更多的歷史數(shù)據(jù)樣本擬合預(yù)測曲線,提高預(yù)測精度。同時相較于地-縣-所的帶寬流量預(yù)測誤差,主干綜合數(shù)據(jù)網(wǎng)絡(luò)帶寬預(yù)測精度更高,這是由于基于深度學(xué)習(xí)的預(yù)測模型輸入數(shù)據(jù)越多,預(yù)測精度也越高。

2）相對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型,本文利用主元分析法減少了模型輸入維數(shù),簡化了模型輸入節(jié)點,在保證足夠的輸入節(jié)點數(shù)和預(yù)測精度的同時,還能使算法最快收斂,且訓(xùn)練時間明顯減少,加快了電力通信網(wǎng)絡(luò)帶寬流量預(yù)測模型的建模速度,結(jié)果更優(yōu)。

 5 結(jié)語

本文提出了一種基于深度學(xué)習(xí)的電力業(yè)務(wù)通信帶寬預(yù)測方法,依托某省電力公司,首先對電力通信網(wǎng)絡(luò)承載的業(yè)務(wù)進(jìn)行分析,選取典型業(yè)務(wù)作為原有業(yè)務(wù)和新型業(yè)務(wù)帶寬需求分析的基礎(chǔ)模型,分類統(tǒng)計其歷史數(shù)據(jù),并確定其影響體系數(shù)據(jù)。利用主元分析法對影響通信帶寬預(yù)測的影響因素體系數(shù)據(jù)進(jìn)行簡化,在此基礎(chǔ)上,采用深度學(xué)習(xí)中的RBM模型對簡化后的影響因素體系數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行電力業(yè)務(wù)需求的通信帶寬預(yù)測,預(yù)測某省電力公司下一階段電力業(yè)務(wù)需求的通信帶寬,有效地提高了業(yè)務(wù)流量測算的準(zhǔn)確性,保證了該省各級通信網(wǎng)基礎(chǔ)設(shè)施投資的科學(xué)性和合理性,可為電力公司下一階段的數(shù)據(jù)網(wǎng)建設(shè)提供參考。

(編輯:鄒海彬)

參考文獻(xiàn)

[1] 趙子巖, 胡浩. 一種基于業(yè)務(wù)斷面的智能配用電通信網(wǎng)業(yè)務(wù)流量計算方法[J]. 電網(wǎng)技術(shù), 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(shù)據(jù)通信網(wǎng)的業(yè)務(wù)流量分析[D]. 上海: 上海交通大學(xué), 2007.

[3] 張賓, 楊家海, 吳建平. Internet流量模型分析與評述[J]. 軟件學(xué)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(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)通信網(wǎng)絡(luò)帶寬需求預(yù)測分析[C]// 2015年中國電機工程學(xué)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(yù)測的陜西電力通信網(wǎng)發(fā)展規(guī)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(yè)務(wù)模型研究[J]. 通訊世界, 2016(18): 147-148.

[8] 吳博. 邢臺電網(wǎng)通信網(wǎng)絡(luò)系統(tǒng)可靠性研究[D]. 北京: 華北電力大學(xué), 2013.

[9] 孫志軍, 薛磊, 許陽明, 等. 深度學(xué)習(xí)研究綜述[J]. 計算機應(yīng)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(wǎng)絡(luò)的PM2. 5預(yù)測[J]. 山東大學(xué)學(xué)報(工學(xué)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(jiān)視控制系統(tǒng)優(yōu)化研究[J]. 現(xiàn)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(fù)雜電力電子系統(tǒng)通信網(wǎng)絡(luò)有效能評估指標(biāo)體系研究[J]. 電源學(xué)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(yīng)用[J]. 儀器儀表學(xué)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(wǎng)絡(luò)業(yè)務(wù)流的特性分析及預(yù)測技術(shù)研究[D]. 無錫: 江南大學(xué), 2008.