CN109902886A - 一种二维配电通信网网络流量预测方法 - Google Patents

Abstract

本发明涉及一种二维配电通信网网络流量预测方法：S1.获得配电通信网在横向维度及纵向维度的历史流量数据，其中横向维度的历史流量数据定义为同一日期下不同时刻的流量数据，纵向维度的历史流量数据定义为不同日期下同一时刻的流量数据；S2.分别构建第一模型及第二模型，然后分别使用横向维度的历史流量数据及纵向维度的历史流量数据对第一模型、第二模型进行训练；S3.读取t时刻的实时流量数据；S4.将t时刻的实时流量数据分别输入至第一模型、第二模型，分别得到配电通信网在t+T时刻在横向维度和纵向维度的预测值，T为预测周期；利用加权求和的方式对横向维度和纵向维度的预测值进行处理，得到最终的预测输出；S5.令t＝t+T然后执行步骤S3。

Description

一种二维配电通信网网络流量预测方法

技术领域

本发明涉及电力通信网管理技术领域，更具体地，涉及一种二维配电通信网网络流量预测方法。

背景技术

目前配网通信系统具有设备厂家多、接口各异、协议繁杂等特点，存在网络调试复杂、设备互操作性不足等问题，难以适应面向IEC61850标准的配电网互动与开放要求，难以满足配网通信网中对网络运行状态监测的需求。配网通信系统的建设往往针对单项配电业务的需求而开展，呈现“条块分割”、“烟囱林立”的现象，造成网络业务开通过程复杂，新业务接纳能力不足；同时，配电业务对于通信的可靠性、实时性、数据吞吐量和安全性等服务质量(QoS)存在差异化需求，现有网络缺乏资源弹性调度与分配等QoS保障手段，导致网络资源共享不足、综合效益不高等问题，难以保障配网通信网的高业务质量的需求。因此急需一种合理有效的配网通信的性能监测和管理手段。

由于不能提前预测网络的数据流量变化趋势，造成有限网络资源的不合理分配，引起网络拥堵，影响业务的服务质量，并进而为网络的扩容建设提供错误的数据支撑。因此采用一种手段可实时监控通信网中数据传输流量，并能够通过采集的流量数据特征寻找变化规律，从而评估网络流量发展趋势，建立差异化业务流量预测模型，为配电通信网网络资源的优化配置和扩容规划提供基础数据支撑。

发明内容

本发明为解决配电通信网发展现状中存在的问题，提出一种二维配电通信网网络流量预测方法，该方法基于配电通信网数据流量曲线存在明显的日周期性，通过充分利用历史数据，将历史数据提取出横向和纵向两个维度，并分别给横向预测和纵向预测计算出一个精确的预测值。该方法能在转折点处得到比现有预测算法更高的预测精度。

为实现以上发明目的，采用的技术方案是：

一种二维配电通信网网络流量预测方法，包括以下步骤：

S1.获得配电通信网在横向维度及纵向维度的历史流量数据，其中横向维度的历史流量数据定义为同一日期下不同时刻的流量数据，纵向维度的历史流量数据定义为不同日期下同一时刻的流量数据；

S2.分别构建第一模型及第二模型，然后分别使用横向维度的历史流量数据及纵向维度的历史流量数据对第一模型、第二模型进行训练；

S3.读取t时刻的实时流量数据；

S4.将t时刻的实时流量数据分别输入至第一模型、第二模型，分别得到配电通信网在t+T时刻在横向维度和纵向维度的预测值，T为预测周期；利用加权求和的方式对横向维度和纵向维度的预测值进行处理，得到最终的预测输出；

S5.令t＝t+T然后执行步骤S3。

优选地，所述第一模型为BP神经网络。

优选地，所述第二模型为FARIMA模型与Elman神经网络，步骤S4中，FARIMA模型的预测值、Elman神经网络的预测值与BP神经网络的预测值进行加权求和处理。

优选地，所述步骤S3中，通过在电力通信网管系统上安装Wireshark采集软件进行流量数据的采集。

优选地，所述步骤S1中，通过云服务的技术对横向维度及纵向维度的历史流量数据进行管理。

优选地，所述BP神经网络使用S型函数、正切S型函数或线性函数作为传递函数。

优选地，所述步骤S4通过一个权值w进行加权求和。

优选地，所述权值w在执行完步骤S4后，通过单指数平滑算法进行更新。

与现有技术相比，本发明的有益效果是：

本发明提供的二维配电通信网网络流量预测方法通过结合横向维度及纵向维度的流量数据的特点，充分发挥BP神经网络、FARIMA模型与Elman神经网络的优势，有效地解决了转折点延迟的问题，同时提高了预测算法的精度。

附图说明

图1为方法的流程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

本专利所提出的二维配电通信网网络流量预测方法，同时兼顾了采集的横向维度及纵向维度的流量数据的数据特点，并在纵向维度的流量数据预测方面还思考了不同预测模型的优缺性，通过优势互补的方式弥补方法的非稳定性和非线性，解决了以往单一算法中转折点处存在预测延迟的问题，保证了当天趋势区段的预测精度。

横向维度及纵向维度的历史流量数据

横向维度及纵向维度的历史流量数据中，定义采样间隔长度为Δt，ΔT为日周期长度，定义S(t,d)为第d天的第t采用时刻的采用值，其中d＝1,2,...,m(m为历史数据的总天数)。在同一日期下不同时刻的流量数据为横向维度的历史流量数据，如：采样间隔为Δt的横向维度的历史流量数据，横向维度的历史流量数据源序列表示为：

x＝{S'(d)|d＝1,2,...,n}，令x＝{x_i|i＝1,2,...,Lx}为横向维度的历史流量数据序列，其中为横向维度的历史流量数据的数据长度。

纵向维度的历史流量数据的提取是在不同日期下同一时刻的数据流量的纵向维度，表示为下式：

y_t＝{S(t,d)|d＝1,2,...,Ly；Ly≤m}令y_t＝{y_(t,i)|i＝1,2,...Ly}为纵向维度的历史流量数据序列，其中Ly为纵向维度的历史流量数据的长度。横向维度，较好地体现了预测当天流量的上升和下降趋势，保证二维预测方法在非转折点处的预测精度。纵向维度，则更好地反映了一天中转折点的位置，利用了流量的日周期性提高了二维预测方法在转折点处预测精度。本发明通过充分利用两个维度的优势，在保证非转折点处预测精度的同时提高了转折点处的预测精度。

二维配电通信网网络流量预测方法的核心思想如下：将历史数据分为横向和纵向两个维度；然后分别针对两个维度的特性选择合适的模型或组合模型进行预测；最后，利用单指数平滑算法引入动态权值更新策略，合理结合两个维度的优势。

(1)横向流量数据预测

对横向维度进行预测称为横向预测。由于横向维度存在明显的日周期性，随机波动成分较少，适合使用非线性预测算法。本发明选择BP神经网络对横向维度的流量数据进行训练、预测。BP神经网络可以使用任何可微的函数作为它的传递函数。常用的有S型函数、正切S型函数和线性函数。采用不同的传递函数将达到不同的输出值。对于网络流量的预测，由于网络流量数字序列具有多步相关性，即当前采样流量与过去若干个采样周期存在一定关系。定义p(p≥1)步相关、提前l(l≥1)步预测的流量模型为：

x_k+1＝f(x_k,x_k-1,...x_k-p+1) (8)

第k+l个采用间隔的流量与它之前得p个流量存在映射f，f是难以显示描述的非线性函数，BP神经网络很适合解决这种问题。用了三层BP神经网络预测结构,即输入层、输出层、隐含层。输入层以前面采集的数据为准，输入层有L个神经元，接受L个流量差值作为输入，L表示相关步数，隐含n个神经元，输出层有1个神经元，它的输出即第k+l个流量差值的预测k+l个流量差值的预测表示从第m-1层的神经元j到第m各层神经元i的联结权重。由于神经网络各层的初始连接权值是任意的，必须先对神经网络进行训练，使它的输出与期望值的偏差尽可能小。BP神经网络通过训练将样本的真实输出之间的误差反向传播到各层的神经元，采用梯度下降法不断的调节各层的权值，减小因权值带来的偏差，使训练样本真实输出与神经网络输出的误差在设定的范围内或者达到最大训练次数。

(2)纵向历史数据预测

对纵向维度进行预测称为纵向预测。神经网络模型是由小波模型技术演进的一种新型模型，其具有过程非平稳特性。但小波模型不具有实时性和递归性，所以小波预测模型无法实现在线预测。神经网络作为一种非平稳模型，正好可以弥补平稳模型不能刻画流量非平稳性的缺陷。过去对于流量预测模型的研究是采用单一模型或者组合模型来刻画出流量的原始特性。组合模型的构建用FARIMA模型刻画长相关、短相关特性，选择Elman神经网络刻画非平稳性，将两种模型的结果优化组合，全方位体现流量的变化特性，从而达到精准预测的目标。FARIMA模型的预测值是自身延迟变量和随机变量的线性组合，并且适合于非平稳序列，该模型通过对非平稳序列进行d次差分得到平稳序列然后进行预测。其简单易理解易操作并且预测精度较高。

(3)算法流程

如图1所述，本发明提供的方法包括有以下步骤：

S1.获得配电通信网在横向维度及纵向维度的历史流量数据，其中横向维度的历史流量数据定义为同一日期下不同时刻的流量数据，纵向维度的历史流量数据定义为不同日期下同一时刻的流量数据；

S2.分别构建第一模型及第二模型，然后分别使用横向维度的历史流量数据及纵向维度的历史流量数据对第一模型、第二模型进行训练；

S3.读取t时刻的实时流量数据；

S4.将t时刻的实时流量数据分别输入至第一模型、第二模型，分别得到配电通信网在t+T时刻在横向维度和纵向维度的预测值，T为预测周期；利用加权求和的方式对横向维度和纵向维度的预测值进行处理，得到最终的预测输出；

S5.令t＝t+T然后执行步骤S3。

在具体的实施过程中，所述第一模型为BP神经网络。所述第二模型为FARIMA模型与Elman神经网络，步骤S4中，FARIMA模型的预测值、Elman神经网络的预测值与BP神经网络的预测值进行加权求和处理。

在具体的实施过程中，所述步骤S4通过一个权值w进行加权求和。所述权值w在执行完步骤S4后，通过单指数平滑算法进行更新。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种二维配电通信网网络流量预测方法，其特征在于，包括以下步骤：

S1.获得配电通信网在横向维度及纵向维度的历史流量数据，其中横向维度的历史流量数据定义为同一日期下不同时刻的流量数据，纵向维度的历史流量数据定义为不同日期下同一时刻的流量数据；

S2.分别构建第一模型及第二模型，然后分别使用横向维度的历史流量数据及纵向维度的历史流量数据对第一模型、第二模型进行训练；

S3.读取t时刻的实时流量数据；

S4.将t时刻的实时流量数据分别输入至第一模型、第二模型，分别得到配电通信网在t+T时刻在横向维度和纵向维度的预测值，T为预测周期；利用加权求和的方式对横向维度和纵向维度的预测值进行处理，得到最终的预测输出；

S5.令t＝t+T然后执行步骤S3。

2.根据权利要求1所述的二维配电通信网网络流量预测方法，其特征在于，所述第一模型为BP神经网络。

3.根据权利要求2所述的二维配电通信网网络流量预测方法，其特征在于，所述第二模型为FARIMA模型与Elman神经网络，步骤S4中，FARIMA模型的预测值、Elman神经网络的预测值与BP神经网络的预测值进行加权求和处理。

4.根据权利要求3所述的二维配电通信网网络流量预测方法，其特征在于，所述步骤S3中，通过在电力通信网管系统上安装Wireshark采集软件进行流量数据的采集。

5.根据权利要求4所述的二维配电通信网网络流量预测方法，其特征在于，所述步骤S1中，通过云服务的技术对横向维度及纵向维度的历史流量数据进行管理。

6.根据权利要求2所述的二维配电通信网网络流量预测方法，其特征在于，所述BP神经网络使用S型函数、正切S型函数或线性函数作为传递函数。

7.根据权利要求1～6任一项所述的二维配电通信网网络流量预测方法，其特征在于，所述步骤S4通过一个权值w进行加权求和。

8.根据权利要求7所述的二维配电通信网网络流量预测方法，其特征在于，所述权值w在执行完步骤S4后，通过单指数平滑算法进行更新。