CN102938742B - 基于电力业务需求的通信带宽预测方法及装置 - Google Patents
基于电力业务需求的通信带宽预测方法及装置 Download PDFInfo
- Publication number
- CN102938742B CN102938742B CN201210445390.4A CN201210445390A CN102938742B CN 102938742 B CN102938742 B CN 102938742B CN 201210445390 A CN201210445390 A CN 201210445390A CN 102938742 B CN102938742 B CN 102938742B
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- business
- communication
- data
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力业务需求的通信带宽预测方法,包括:计算各年度的业务总带宽数据;获取若干个业务带宽影响因素在各年度中的数据;采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;对用于电力通信网络带宽预测的神经网络模型进行训练;通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。此外,还公开了一种基于电力业务需求的通信带宽预测装置。本发明选取神经网络模型来进行电力通信网络带宽的多因素预测。克服了传统方法无法描述各个业务带宽影响因素对预测对象影响的问题,提高了预测精度。有利于降低通信成本,从而提高电力系统通信的经济效益和社会效益。
Description
技术领域
本发明涉及电力通信网络带宽预测技术领域,尤其涉及一种基于电力业务需求的通信带宽预测方法和一种基于电力业务需求的通信带宽预测装置。
背景技术
随着智能电网的发展,电网智能化的发展将实现电网生产、运行、管理、经营等大规模过程向智能化转化,电网各个环节将部署更多的信息采集与监测点,电网核心业务种类、数量及带宽需求将不断上升。通信网络中的带宽分配、流量控制等,在不同程度上都依赖于网络业务带宽预测。
电力ICT业务带宽预测,预测方法的选择直接关系到预测目标的实现和预测结果的精确程度。在处理考虑影响因素的预测问题时,既有确定性趋势,又有一定随机性影响,需要进行确定性趋势的分离,计算比较复杂,而且还需对分离残差的零均值及平稳性进行假定。目前的预测方法一般采用时间序列分析方法,但时间序列分析方法无法描述各因素对预测对象的影响,因此存在着预测精度不高的问题。
发明内容
基于此,本发明提供了一种基于电力业务需求的通信带宽预测方法和一种基于电力业务需求的通信带宽预测装置。
一种基于电力业务需求的通信带宽预测方法,包括以下步骤:
根据电力通信网络的业务承载方式,计算各年度的业务总带宽数据;
获取若干个业务带宽影响因素在各年度中的数据;
采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;
将降维处理后的所述若干个业务带宽影响因素在各年度中的数据和所述各年度的业务总带宽数据作为训练样本,对用于电力通信网络带宽预测的神经网络模型进行训练;
其中,所述神经网络模型为BP神经网络;所述BP神经网络为具有隐含层的三层神经网络模型,隐含层的传递函数采用S型函数;
建立BP神经网络的输入体系,神经网络的输入为电力ICT业务带宽历史数据和处理后的影响因素指标体系,指标体系筛选过程选择为主成分分析法,确定BP神经网络输入层神经元个数为N+1,N为影响因素指标体系经主成分分析法简化后的主成分数量;
确定BP神经网络输出层神经元个数时,采用电力ICT业务通信带宽作为输出,输出层神经元个数为1;
确定BP神经网络隐含层神经元个数时,选择最佳隐含层节点数z的公式:
其中,m为输入神经元个数,q为输出神经元个数,c为常数,在[1,10]之间;
通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。
与一般技术相比,本发明基于电力业务需求的通信带宽预测方法,综合考虑了电力业务通信带宽的历史数据特点以及影响因素,选取神经网络模型来进行电力通信网络带宽的多因素预测。采用神经网络模型进行通信带宽预测,克服了传统方法无法描述各个业务带宽影响因素对预测对象影响的问题,只需将各个影响因素作为神经网络模型的输入即可以实现多因素的预测,提高了预测精度。有利于实现电力通信网络线路的合理规划,降低通信成本,从而提高电力系统通信的经济效益和社会效益。
一种基于电力业务需求的通信带宽预测装置,包括业务总带宽计算模块、业务带宽影响因素获取模块、降维处理模块、神经网络模型训练模块和通信带宽预测模块;
所述业务总带宽计算模块,用于根据电力通信网络的业务承载方式,计算各年度的业务总带宽数据;
所述业务带宽影响因素获取模块,用于获取若干个业务带宽影响因素在各年度中的数据;
所述降维处理模块,用于采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;
所述神经网络模型训练模块,用于将降维处理后的所述若干个业务带宽影响因素在各年度中的数据和所述各年度的业务总带宽数据作为训练样本,对用于电力通信网络带宽预测的神经网络模型进行训练;
其中,所述神经网络模型为BP神经网络;所述BP神经网络为具有隐含层的三层神经网络模型,隐含层的传递函数采用S型函数;
建立BP神经网络的输入体系,神经网络的输入为电力ICT业务带宽历史数据和处理后的影响因素指标体系,指标体系筛选过程选择为主成分分析法,确定BP神经网络输入层神经元个数为N+1,N为影响因素指标体系经主成分分析法简化后的主成分数量;
确定BP神经网络输出层神经元个数时,采用电力ICT业务通信带宽作为输出,输出层神经元个数为1;
确定BP神经网络隐含层神经元个数时,选择最佳隐含层节点数z的公式:
其中,m为输入神经元个数,q为输出神经元个数,c为常数,在[1,10]之间;
所述通信带宽预测模块,用于通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。
与一般技术相比,本发明基于电力业务需求的通信带宽预测装置,综合考虑了电力业务通信带宽的历史数据特点以及影响因素,选取神经网络模型来进行电力通信网络带宽的多因素预测。采用神经网络模型进行通信带宽预测,克服了传统方法无法描述各个业务带宽影响因素对预测对象影响的问题,只需将各个影响因素作为神经网络模型的输入即可以实现多因素的预测,提高了预测精度。有利于实现电力通信网络线路的合理规划,降低通信成本,从而提高电力系统通信的经济效益和社会效益。
附图说明
图1是本发明基于电力业务需求的通信带宽预测方法的流程示意图;
图2是电力通信网络业务结构组成示意图;
图3是基于BP神经网络的带宽预测结果对比图;
图4是本发明基于电力业务需求的通信带宽预测装置的结构示意图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及取得的效果,下面结合附图及较佳实施例,对本发明的技术方案,进行清楚和完整的描述。
请参阅图1,为本发明基于电力业务需求的通信带宽预测方法的流程示意图。本发明基于电力业务需求的通信带宽预测方法,包括以下步骤:
S101根据电力通信网络的业务承载方式,计算各年度的业务总带宽数据;
将电力ICT(Information and Communications Technology,信息和通信技术)业务根据其承载方式划分为三个类别,电力ICT业务承载方式为专线通信、调度数据网、综合数据网。作为其中一个实施例,所述电力通信网络的业务承载方式包括:点到点的专用光纤通道所承载的业务、调度数据网承载的与电力系统生产直接相关的业务、综合数据网承载的电力系统中为生产管理服务的业务。
在通信网中,将两个通信节点之间所有通信线路上承载的业务总和称为一个业务断面,可在业务断面上根据业务承载方式,进行业务总带宽统计,来确定带宽需求。
基于业务承载网的带宽测算方法,是通过分析两通信节点间的业务,按照不同类型业务的承载方式归为不同的类别,通过对各业务承载网中各通道承载的基础业务流量进行分析和统计,以业务承载网为基本计算单位进行业务带宽汇总。
作为其中一个实施例,按照如下公式计算各年度的业务总带宽数据:
其中,B总为某通信节点业务总带宽,i为业务断面,j为承载方式,k为单业务数量,为第i个业务断面上承载网j中某时刻单业务通道基础流量,N为通道数量,Φ为带宽利用率。
基于承载网进行业务流量统计方法,仅与承载网上的业务通道和数量有关,与业务的通信方式和承载网的网络特性等无关。各承载网络承载的所有业务流量总和为两通信节点间流量。
S102获取若干个业务带宽影响因素在各年度中的数据;
作为其中一个实施例,所述若干个业务带宽影响因素包括:经济因素、用户因素以及通信因素;
所述经济因素包括GDP;所述用户因素包括电力用户数量;所述通信因素包括通信网络规划指标、通信运行分析指标和通信运维支撑指标,所述通信网络规划指标包括通信站数量、光纤覆盖率,所述通信运行分析指标包括通道可用率、业务保障率,所述通信运维支撑指标包括业务通道可用率、业务双通道率。
S103采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;
对影响电力ICT业务带宽预测的影响因素的历史数据初始矩阵A,进行计算得到相关系数矩阵:
初始矩阵为:
影响因素的相关系数矩阵R:
其中:
其中,rij为相关系数矩阵的第i行第j列的数据,xij为原始数据矩阵中第i行第j列的数据,n为数据矩阵中的行(年数),p为影响因素个数。
计算相关系数矩阵的特征根、特征向量,即计算|R-λE|=0的特征根(进行从大到小的排列):λ1>λ2>…>λp,以及特征向量:α1,α2,…αp。
计算前q个主成分的累计贡献率,主成分F1,,F2…Fm中m的确定通过信息累计贡献率G(m)来确定:
当G(m)>85%时,对应的m就是抽取的前m个主成分。写出主成分:
Fi=α1iX1+α2iX2+...+αpiXpi=1,2,...,m
S104将降维处理后的所述若干个业务带宽影响因素在各年度中的数据和所述各年度的业务总带宽数据作为训练样本,对用于电力通信网络带宽预测的神经网络模型进行训练;
作为其中一个实施例,在所述对用于电力通信网络带宽预测的神经网络模型进行训练的步骤中,所述神经网络模型为BP神经网络。
所述BP神经网络为具有隐含层的三层神经网络模型,并且隐含层的传递函数采用S型函数。
建立BP神经网络的输入体系,神经网络的输入为电力ICT业务带宽历史数据和处理后的影响因素指标体系,指标体系筛选过程选择为主成分分析法,确定BP神经网络输入层神经元个数为N+1,N为影响因素指标体系经主成分分析法简化后的主成分数量;
确定BP神经网络输出层神经元个数时,采用电力ICT业务通信带宽作为输出,输出层神经元个数为1;
确定BP神经网络隐含层神经元个数时,选择最佳隐含层节点数z的参考公式:
其中,m为输入神经元个数,q为输出神经元个数,c为常数,在[1,10]之间,可选取隐含层神经元个数为8。
确定BP神经网络传递函数时,神经网络要考虑到计算的鲁棒性和收敛速度快等特点,基于以上,传递函数选择为S函数,即
采用电力ICT业务带宽历史数据和经主成分分析法简化后的主成分作为BP神经网络的训练样本,初始化各神经元的连接权值,初始权值选定为(-1,1)之间的随机数;
向BP神经网络输入一组训练样本;
通过神经网络计算得到输出结果y*,计算输出结果与历史数据y的误差,eh=yh*-yh,eh为第h年的预测误差,yh*为第h年的预测输出,yh为第h年的期望输出(即样本值);
采用L-M算法调节权值,对神经网络模型进行训练。
S105通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。
判断目标函数是否满足要求,如果满足要求则输出电力ICT业务带宽预测值。目标函数选择为:
其中,u为历史样本截止年份,v为历史样本开始年份,yh*为第h年的预测输出,yh为第h年的期望输出,其中h∈(v,u)。
本发明的基于电力业务需求的ICT通信带宽预测方法具有以下效果:给出电力业务总量的统计方法,并采用主成分分析法对电力ICT通信带宽的影响因素进行处理,得到BP神经网络的输入,简化了神经网络结构,略去冗余,得到更加精确的预测结果。
与一般技术相比,本发明基于电力业务需求的通信带宽预测方法,综合考虑了电力业务通信带宽的历史数据特点以及影响因素,选取神经网络模型来进行电力通信网络带宽的多因素预测。采用神经网络模型进行通信带宽预测,克服了传统方法无法描述各个业务带宽影响因素对预测对象影响的问题,只需将各个影响因素作为神经网络模型的输入即可以实现多因素的预测,提高了预测精度。有利于实现电力通信网络线路的合理规划,降低通信成本,从而提高电力系统通信的经济效益和社会效益。
下面给出一个优选的ICT业务带宽量预测实施例。
根据电力ICT业务承载方式将业务划分为三个类别,电力通信业务的承载方式有:专线通信、调度数据网、综合数据网。具体类别划分为:由专线通信承载的电力系统专有业务、由调度数据网承载的电力系统生产业务、由综合数据网承载的电力系统管理业务。
其中,类别I为由专线通信承载的业务,主要为电力系统专有业务,专线通信即点到点的专用光纤通道。包括:调度电话、电力系统继电保护/远方保护和安全自动转置等业务。主要用于传送各类远方保护及安全稳定控制信号,是保证电网安全、稳定运行必不可少的电网核心业务。
类别II为由调度数据网承载的业务,主要为与电力自动化生产直接相关的业务,包括:保护信息管理系统、安稳管理信息系统、广域向量测量系统、电能计量遥测系统、电力市场技术支持系统等。此类业务对传输时延要求较电力系统专有业务低,但对数据传输的可靠性和安全性要求较高。
类别III为由综合数据网承载的业务,主要是为生产管理提供服务的业务,包括:公司企业管理信息化业务、变电站图像监视系统、通信机房监视系统、一次设备在线监测系统、视频会议系统、调度管理信息系统等。生产管理系统业务对传输时延要求较电力系统专有业务低,但对数据传输性能、传输安全、传输可靠性要求较高,必须提供可靠的传输路径和充足的带宽。
参照图2,为电力通信网络业务结构组成示意图。采用基于业务承载网的流量测算方法,分为5个业务断面:省公司与地市公司之间、省公司与直调变电站之间、省公司与直调电厂之间、省公司与直属单位之间以及省公司直调变电站之间。各个业务断面中的业务按照不同类型业务的三种承载方式分为三类,通过对各业务承载网中承载的基础业务流量进行分析和统计,以业务承载网为基本计算单位进行业务流量汇总。
主成分分析法的具体实现,以某省公司带宽预测影响因素数据为基础(参照表1),其影响因素选择为:GDP(A)、电力用户数量(B)、通信站数量(C)、光纤覆盖率(D)、通道可用率(E)、业务保障率(F)、设备监控率(G)、业务双通道率(H)八个因素。
表1 带宽与影响因素体系历史数据
主成分分析过程和结果如下:
建立影响因素指标体系(即带宽预测的影响因素)的初始变量相关系数矩阵:
A | B | C | D | E | F | G | H | |
A | 1.0000 | -0.2453 | -0.2541 | -0.1828 | 0.9926 | -0.2711 | -0.2935 | -0.2160 |
B | -0.2453 | 1.0000 | -0.2369 | -0.2076 | -0.2762 | 0.9911 | -0.2585 | -0.2651 |
C | -0.2541 | -0.2369 | 1.0000 | -0.1813 | -0.2894 | -0.2660 | 0.9867 | -0.2249 |
D | -0.1828 | -0.2076 | -0.1813 | 1.0000 | -0.1851 | -0.2430 | -0.1999 | 0.9668 |
E | 0.9926 | -0.2762 | -0.2894 | -0.1851 | 1.0000 | -0.3016 | -0.3345 | -0.1948 |
F | -0.2711 | 0.9911 | -0.2660 | -0.2430 | -0.3016 | 1.0000 | -0.2803 | -0.3099 |
G | -0.2935 | -0.2585 | 0.9867 | -0.1999 | -0.3345 | -0.2803 | 1.0000 | -0.2395 |
H | -0.2160 | -0.2651 | -0.2249 | 0.9668 | -0.1948 | -0.3099 | -0.2395 | 1.0000 |
计算得到相关系数矩阵的初始特征根、特征向量以及累积贡献率:
主成分数量 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
初始特征值 | 2.5934 | 2.5345 | 2.3205 | 0.5087 | 0.0309 | 0.0111 | 0.0008 | 0.0001 |
累积贡献率 | 0.3242 | 0.6410 | 0.9311 | 0.9947 | 0.9986 | 0.9999 | 1.0000 | 1.0000 |
根据计算结果,提取出3个主成分,提取的主成分的累积贡献率为93.11%,能反映影响因素体系对于带宽预测的影响。
写出主成分:
根据得到的特征向量,得出主成分系数矩阵,即带宽预测的影响因素主成分分析法的主成分系数矩阵:
主成分 | A | B | C | D | E | F | G | H |
1 | 0.8001 | -0.4944 | -0.5393 | 0.2621 | 0.8304 | -0.5085 | -0.5627 | 0.2909 |
2 | -0.1561 | -0.8050 | 0.6754 | 0.3258 | -0.1543 | -0.8263 | -0.6878 | 0.3464 |
3 | 0.5029 | -0.1183 | 0.4038 | -0.8522 | 0.4856 | -0.1082 | 0.3999 | -0.8700 |
根据主成分分析法的主成分系数矩阵,得到主成分。
下面为预测部分:
确定BP神经网络输入。建立电力ICT业务带宽预测的BP神经网络输入体系,神经网络的输入为电力ICT业务带宽历史数据和经主成分分析法处理后的影响因素指标体系,为3个主成分,确定BP神经网络输入层神经元个数为4;
确定BP神经网络输出层神经元个数。采用电力ICT业务通信带宽作为输出,输出层神经元个数为1;
确定BP神经网络隐含层神经元个数。选择最佳隐含层节点数z的参考公式:
其中,m为输入神经元个数,q为输出神经元个数,c为常数,在[1,10]之间,本实施例中选取隐含层神经元个数为8。
确定BP神经网络传递函数。神经网络要考虑到计算的鲁棒性和收敛速度快等特点,基于以上,传递函数选择为S函数。
利用BP神经网络训练,确定均方差为评价指标,对电力ICT业务总带宽进行预测。
利用训练后的神经网络,对电力ICT业务带宽进行预测,图3所示为基于BP神经网络的带宽预测结果对比图。表2为基于BP神经网络的带宽预测误差表。
表2 为基于BP神经网络的带宽预测误差表
年份 | 1999 | 2000 | 2001 | 2002 | 2003 | 2004 | 2005 |
期望数据 | 855.5 | 974.5 | 1116.5 | 1229.6 | 1360.2 | 1511.7 | 1715.3 |
预测数据 | 834.07 | 997.89 | 1135.54 | 1274.40 | 1369.98 | 1520.18 | 1781.21 |
误差 | 2.5% | 2.4% | 1.7% | 3.6% | 0.7% | 0.6% | 3.8% |
年份 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | |
期望数据 | 2081.6 | 1976 | 2272 | 2596 | 2726 | 2941 | |
预测数据 | 2085.68 | 1976.52 | 2272.45 | 2549.90 | 2723.79 | 2938.56 | |
误差 | 0.2% | 0.03% | 0.02% | 1.8% | 0.1% | 0.08% |
请参阅图4,为本发明基于电力业务需求的通信带宽预测装置的结构示意图。本发明基于电力业务需求的通信带宽预测装置,包括业务总带宽计算模块401、业务带宽影响因素获取模块402、降维处理模块403、神经网络模型训练模块404和通信带宽预测模块405;
所述业务总带宽计算模块401,用于根据电力通信网络的业务承载方式,计算各年度的业务总带宽数据;
作为其中一个实施例,所述业务总带宽计算模块根据如下三种业务承载方式计算各年度的业务总带宽数据:点到点的专用光纤通道所承载的业务、调度数据网承载的与电力系统生产直接相关的业务、综合数据网承载的电力系统中为生产管理服务的业务。
所述业务带宽影响因素获取模块402,用于获取若干个业务带宽影响因素在各年度中的数据;
作为其中一个实施例,所述若干个业务带宽影响因素包括:经济因素、用户因素以及通信因素;
所述经济因素包括GDP;所述用户因素包括电力用户数量;所述通信因素包括通信网络规划指标、通信运行分析指标和通信运维支撑指标,所述通信网络规划指标包括通信站数量、光纤覆盖率,所述通信运行分析指标包括通道可用率、业务保障率,所述通信运维支撑指标包括业务通道可用率、业务双通道率。
所述降维处理模块403,用于采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;
对影响电力ICT业务带宽预测的影响因素的历史数据初始矩阵A,进行计算得到相关系数矩阵:
初始矩阵为:
影响因素的相关系数矩阵R:
其中:
其中,rij为相关系数矩阵的第i行第j列的数据,xij为原始数据矩阵中第i行第j列的数据,n为数据矩阵中的行(年数),p为影响因素个数。
计算相关系数矩阵的特征根、特征向量,即计算|R-λE|=0的特征根(进行从大到小的排列):λ1>λ2>…>λp,以及特征向量:α1,α2,…αp。
计算前q个主成分的累计贡献率,主成分F1,,F2…Fm中m的确定通过信息累计贡献率G(m)来确定:
当G(m)>85%时,对应的m就是抽取的前m个主成分。写出主成分:
Fi=α1iX1+α2iX2+...+αpiXpi=1,2,...,m
所述神经网络模型训练模块404,用于将降维处理后的所述若干个业务带宽影响因素在各年度中的数据和所述各年度的业务总带宽数据作为训练样本,对用于电力通信网络带宽预测的神经网络模型进行训练;
作为其中一个实施例,所述用于电力通信网络带宽预测的神经网络模型为BP神经网络。
采用电力ICT业务带宽历史数据和经主成分分析法简化后的主成分作为BP神经网络的训练样本,初始化各神经元的连接权值,初始权值选定为(-1,1)之间的随机数;
向BP神经网络输入一组训练样本;
通过神经网络计算得到输出结果y*,计算输出结果与历史数据y的误差,eh=yh*-yh,eh为第h年的预测误差,yh*为第h年的预测输出,yh为第h年的期望输出(即样本值);
采用L-M算法调节权值,对神经网络模型进行训练。
所述通信带宽预测模块405,用于通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。
判断目标函数是否满足要求,如果满足要求则输出电力ICT业务带宽预测值。目标函数选择为:
其中,u为历史样本截止年份,v为历史样本开始年份,yh*为第h年的预测输出,yh为第h年的期望输出,其中h∈(v,u)。
与一般技术相比,本发明基于电力业务需求的通信带宽预测装置,综合考虑了电力业务通信带宽的历史数据特点以及影响因素,选取神经网络模型来进行电力通信网络带宽的多因素预测。采用神经网络模型进行通信带宽预测,克服了传统方法无法描述各个业务带宽影响因素对预测对象影响的问题,只需将各个影响因素作为神经网络模型的输入即可以实现多因素的预测,提高了预测精度。有利于实现电力通信网络线路的合理规划,降低通信成本,从而提高电力系统通信的经济效益和社会效益。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于电力业务需求的通信带宽预测方法,其特征在于,包括以下步骤:
根据电力通信网络的业务承载方式,计算各年度的业务总带宽数据;
获取若干个业务带宽影响因素在各年度中的数据;
采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;
将降维处理后的所述若干个业务带宽影响因素在各年度中的数据和所述各年度的业务总带宽数据作为训练样本,对用于电力通信网络带宽预测的神经网络模型进行训练;
其中,所述神经网络模型为BP神经网络;所述BP神经网络为具有隐含层的三层神经网络模型,隐含层的传递函数采用S型函数;
建立BP神经网络的输入体系,神经网络的输入为电力ICT业务带宽历史数据和处理后的影响因素指标体系,指标体系筛选过程选择为主成分分析法,确定BP神经网络输入层神经元个数为N+1,N为影响因素指标体系经主成分分析法简化后的主成分数量;
确定BP神经网络输出层神经元个数时,采用电力ICT业务通信带宽作为输出,输出层神经元个数为1;
确定BP神经网络隐含层神经元个数时,选择最佳隐含层节点数z的公式:
其中,m为输入神经元个数,q为输出神经元个数,c为常数,在[1,10]之间;
通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。
2.根据权利要求1所述的基于电力业务需求的通信带宽预测方法,其特征在于,在所述计算各年度的业务总带宽数据的步骤中,所述电力通信网络的业务承载方式包括:点到点的专用光纤通道所承载的业务、调度数据网承载的与电力系统生产直接相关的业务、综合数据网承载的电力系统中为生产管理服务的业务。
3.根据权利要求1所述的基于电力业务需求的通信带宽预测方法,其特征在于,在所述计算各年度的业务总带宽数据的步骤中,按照如下公式计算各年度的业务总带宽数据:
其中,B总为某通信节点业务总带宽,i为业务断面,j为承载方式,k为单业务数量,为第i个业务断面上承载网j中某时刻单业务通道基础流量,N为通道数量,Φ为带宽利用率。
4.根据权利要求1所述的基于电力业务需求的通信带宽预测方法,其特征在于,在所述获取若干个业务带宽影响因素在各年度中的数据的步骤中,所述若干个业务带宽影响因素包括:经济因素、用户因素以及通信因素;
所述经济因素包括GDP;所述用户因素包括电力用户数量;所述通信因素包括通信网络规划指标、通信运行分析指标和通信运维支撑指标,所述通信网络规划指标包括通信站数量、光纤覆盖率,所述通信运行分析指标包括通道可用率、业务保障率,所述通信运维支撑指标包括业务通道可用率、业务双通道率。
5.一种基于电力业务需求的通信带宽预测装置,其特征在于,包括业务总带宽计算模块、业务带宽影响因素获取模块、降维处理模块、神经网络模型训练模块和通信带宽预测模块;
所述业务总带宽计算模块,用于根据电力通信网络的业务承载方式,计算各年度的业务总带宽数据;
所述业务带宽影响因素获取模块,用于获取若干个业务带宽影响因素在各年度中的数据;
所述降维处理模块,用于采用主成分分析法对所述若干个业务带宽影响因素在各年度中的数据进行降维处理;
所述神经网络模型训练模块,用于将降维处理后的所述若干个业务带宽影响因素在各年度中的数据和所述各年度的业务总带宽数据作为训练样本,对用于电力通信网络带宽预测的神经网络模型进行训练;
其中,所述神经网络模型为BP神经网络;所述BP神经网络为具有隐含层的三层神经网络模型,隐含层的传递函数采用S型函数;
建立BP神经网络的输入体系,神经网络的输入为电力ICT业务带宽历史数据和处理后的影响因素指标体系,指标体系筛选过程选择为主成分分析法,确定BP神经网络输入层神经元个数为N+1,N为影响因素指标体系经主成分分析法简化后的主成分数量;
确定BP神经网络输出层神经元个数时,采用电力ICT业务通信带宽作为输出,输出层神经元个数为1;
确定BP神经网络隐含层神经元个数时,选择最佳隐含层节点数z的公式:
其中,m为输入神经元个数,q为输出神经元个数,c为常数,在[1,10]之间;
所述通信带宽预测模块,用于通过训练后的神经网络模型对电力通信网络的通信带宽进行预测。
6.根据权利要求5所述的基于电力业务需求的通信带宽预测装置,其特征在于,所述业务总带宽计算模块根据如下三种业务承载方式计算各年度的业务总带宽数据:点到点的专用光纤通道所承载的业务、调度数据网承载的与电力系统生产直接相关的业务、综合数据网承载的电力系统中为生产管理服务的业务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210445390.4A CN102938742B (zh) | 2012-11-08 | 2012-11-08 | 基于电力业务需求的通信带宽预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210445390.4A CN102938742B (zh) | 2012-11-08 | 2012-11-08 | 基于电力业务需求的通信带宽预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102938742A CN102938742A (zh) | 2013-02-20 |
CN102938742B true CN102938742B (zh) | 2015-07-22 |
Family
ID=47697612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210445390.4A Active CN102938742B (zh) | 2012-11-08 | 2012-11-08 | 基于电力业务需求的通信带宽预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938742B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104242993B (zh) * | 2014-09-29 | 2016-03-16 | 国家电网公司 | 中低压电力通信接入网带宽预测方法 |
CN104463351A (zh) * | 2014-11-15 | 2015-03-25 | 国家电网公司 | 基于电力业务需求的通信带宽预测方法及装置 |
CN105989407A (zh) * | 2015-02-12 | 2016-10-05 | 中国人民解放军信息工程大学 | 一种基于神经网络的短波中值场强预测系统、方法及装置 |
CN105071992B (zh) * | 2015-08-26 | 2018-09-14 | 国家电网公司 | 变电站配用电业务通信带宽预测方法 |
CN106909487B (zh) * | 2017-01-18 | 2020-10-23 | 北京盛世全景科技股份有限公司 | 应用于信息系统的预警方法及装置 |
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN107453926B (zh) * | 2017-09-21 | 2020-07-17 | 国网冀北电力有限公司经济技术研究院 | 一种电力通信网站点通信带宽估算方法及装置 |
CN107809338A (zh) * | 2017-11-24 | 2018-03-16 | 国网甘肃省电力公司经济技术研究院 | 电力通信网自动带宽预测装置 |
CN108011753A (zh) * | 2017-11-24 | 2018-05-08 | 国网甘肃省电力公司经济技术研究院 | 一种基于matlab的电力通信网自动带宽预测方法 |
CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
CN111461377B (zh) * | 2019-01-18 | 2024-02-02 | 中国科学院上海高等研究院 | 用于能源总需求量的预测方法/系统、存储介质及设备 |
CN110621042B (zh) * | 2019-05-23 | 2023-08-08 | 王涵 | 一种宽带数据流量分配和时限控制方法 |
CN110417664B (zh) * | 2019-07-31 | 2022-02-25 | 国家电网有限公司信息通信分公司 | 基于电力通信网的业务路由分配方法及装置 |
CN110674942A (zh) * | 2019-09-26 | 2020-01-10 | 深圳前海达闼云端智能科技有限公司 | 一种带宽管理的方法、装置、电子设备和可读存储介质 |
CN110932885A (zh) * | 2019-11-12 | 2020-03-27 | 国家电网有限公司 | 电力系统通信网评估方法及装置 |
CN113179175B (zh) * | 2021-03-16 | 2022-12-20 | 国家电网有限公司信息通信分公司 | 一种电力通信网业务的实时带宽预测方法及装置 |
CN113033783B (zh) * | 2021-04-07 | 2024-04-26 | 苏州瑞立思科技有限公司 | 一种基于bp神经网络的带宽调整方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594682A (zh) * | 2012-02-16 | 2012-07-18 | 华北电力大学 | 一种基于流量预测的gpon动态带宽分配方法 |
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101288089B (zh) * | 2005-07-28 | 2014-08-20 | 西门子公司 | 基于负荷预测的神经网络的在线和离线训练 |
-
2012
- 2012-11-08 CN CN201210445390.4A patent/CN102938742B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594682A (zh) * | 2012-02-16 | 2012-07-18 | 华北电力大学 | 一种基于流量预测的gpon动态带宽分配方法 |
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102938742A (zh) | 2013-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102938742B (zh) | 基于电力业务需求的通信带宽预测方法及装置 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
CN104463351A (zh) | 基于电力业务需求的通信带宽预测方法及装置 | |
CN107959308B (zh) | 配电网分布式能源接入适应性评估方法及装置 | |
CN107681691A (zh) | 计及不确定性因素的风电并网系统运行可靠性评估方法 | |
CN107634866A (zh) | 一种配电网通信系统性能评估方法和装置 | |
CN102735999A (zh) | Gis局部放电在线监测系统及其故障模式识别方法 | |
CN105335816A (zh) | 基于深度学习的电力通信网运行趋势与业务风险分析方法 | |
CN105163326A (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN104299115A (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
CN113099474B (zh) | 卫星互联网用户终端短期业务量需求预测方法及装置 | |
CN106027288A (zh) | 一种配电线路信息监测业务通信流量预测方法 | |
CN103869192A (zh) | 智能电网线损检测方法和系统 | |
CN106843100A (zh) | 变电站二次设备运行状态等级判断方法和装置 | |
CN108989092A (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN113382477A (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
CN106559242A (zh) | 一种电力通信网运行故障的衡量方法 | |
Rego et al. | Mean shift densification of scarce data sets in short-term electric power load forecasting for special days | |
CN113131487B (zh) | 基于调压图案的台区识别方法、装置、存储介质及电子设备 | |
CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
CN109495315B (zh) | 一种大数据环境下城域网分析预测方法及可读存储介质 | |
CN107679292A (zh) | 一种基于数据挖掘的输电线路电磁环境参数预测方法 | |
Reno et al. | IMoFi (Intelligent Model Fidelity): Physics-Based Data-Driven Grid Modeling to Accelerate Accurate PV Integration Updated Accomplishments | |
CN104346655A (zh) | 蜂巢结构动态算法在智能用电信息管理系统中的应用方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |