基于深度學習的電力業務通信帶寬需求預測方法
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:
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:
在
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
由
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]
責任編輯:售電衡衡
-
權威發布 | 新能源汽車產業頂層設計落地:鼓勵“光儲充放”,有序推進氫燃料供給體系建設
2020-11-03新能源,汽車,產業,設計 -
中國自主研制的“人造太陽”重力支撐設備正式啟運
2020-09-14核聚變,ITER,核電 -
探索 | 既耗能又可供能的數據中心 打造融合型綜合能源系統
2020-06-16綜合能源服務,新能源消納,能源互聯網
-
新基建助推 數據中心建設將迎爆發期
2020-06-16數據中心,能源互聯網,電力新基建 -
泛在電力物聯網建設下看電網企業數據變現之路
2019-11-12泛在電力物聯網 -
泛在電力物聯網建設典型實踐案例
2019-10-15泛在電力物聯網案例
-
權威發布 | 新能源汽車產業頂層設計落地:鼓勵“光儲充放”,有序推進氫燃料供給體系建設
2020-11-03新能源,汽車,產業,設計 -
中國自主研制的“人造太陽”重力支撐設備正式啟運
2020-09-14核聚變,ITER,核電 -
能源革命和電改政策紅利將長期助力儲能行業發展
-
探索 | 既耗能又可供能的數據中心 打造融合型綜合能源系統
2020-06-16綜合能源服務,新能源消納,能源互聯網 -
5G新基建助力智能電網發展
2020-06-125G,智能電網,配電網 -
從智能電網到智能城市