0 引言

隨著電網(wǎng)內(nèi)大量二次設(shè)備的接入,過去單一的點對點通信方式已不能滿足現(xiàn)有電力通信網(wǎng)的發(fā)展。電網(wǎng)智能化及應(yīng)用集中部署也使得電網(wǎng)生產(chǎn)、調(diào)度、營銷、管理業(yè)務(wù)需求不斷增多,單一依靠流量統(tǒng)計已不能滿足現(xiàn)有業(yè)務(wù)對傳輸網(wǎng)和傳輸設(shè)備的需求^[1-2]。因此,根據(jù)承載方式的不同對電力業(yè)務(wù)進行分類,同時按照不同類型的業(yè)務(wù)需求對其通信帶寬流量進行預(yù)測,既能夠有效地解決網(wǎng)絡(luò)擁塞,也能提高電力通信網(wǎng)絡(luò)的利用率^[3]。

目前,現(xiàn)有的帶寬預(yù)測方法中,線性預(yù)測方法是最常用的,通過簡單地計算業(yè)務(wù)的平均值、最大值累加,或者統(tǒng)計預(yù)測過去某時間段業(yè)務(wù)流量趨勢,來對電網(wǎng)通信帶寬進行預(yù)測。但由于同一天內(nèi)不同業(yè)務(wù)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(jù)電話業(yè)務(wù)的特征提出的泊松模型,因能夠準確描述電話網(wǎng)中業(yè)務(wù)特性而得到廣泛應(yīng)用。但該模型更多用于傳統(tǒng)的電話交換網(wǎng),由于數(shù)據(jù)通信流量具有突發(fā)性,因此泊松模型不適合用于數(shù)據(jù)網(wǎng)絡(luò)流量分析。基于研究統(tǒng)計規(guī)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(chǔ),采用歷史值預(yù)估未來值。但是其對于業(yè)務(wù)的發(fā)展敏感性低,無法較好地反映業(yè)務(wù)變化對網(wǎng)絡(luò)帶寬造成的影響^[5]。反向傳播（Back Propagation,BP）神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,通過對大量數(shù)據(jù)的學(xué)習(xí)和存儲來尋找輸入-輸出之間的映射關(guān)系,但BP神經(jīng)網(wǎng)絡(luò)容易受到數(shù)據(jù)量和自身節(jié)點數(shù)目的限制,造成算法運行時間長、運行結(jié)果偏差較大等問題。

現(xiàn)今電力通信網(wǎng)絡(luò)承載業(yè)務(wù)種類多、實時數(shù)據(jù)量大,單一或者淺度的學(xué)習(xí)算法對其帶寬流量的預(yù)測準確性不夠,同時對于大量的帶寬流量數(shù)據(jù)使用率不高,運行時間較長。深度學(xué)習(xí)模型在面對越來越龐大的數(shù)據(jù)量時基本不存在過飽和狀態(tài),數(shù)據(jù)越多越能獲得更好的學(xué)習(xí)效果,可最大程度發(fā)揮大數(shù)據(jù)量的優(yōu)勢。

因此,本文依托某省電力公司“十二五”期間通信網(wǎng)絡(luò)建設(shè)^[6],結(jié)合其電力通信業(yè)務(wù)的種類及歷史流量,對其通信網(wǎng)絡(luò)承載業(yè)務(wù)進行分析;同時采用深度學(xué)習(xí)方法,建立不同業(yè)務(wù)的流量模型,對某省電力通信網(wǎng)未來帶寬流量進行預(yù)測。根據(jù)業(yè)務(wù)需求預(yù)測結(jié)果,分析現(xiàn)有通信網(wǎng)存在的問題,進而開展對數(shù)據(jù)通信網(wǎng)絡(luò)建設(shè)的思考及其發(fā)展規(guī)劃的建設(shè)。

 1 現(xiàn)有電力通信網(wǎng)絡(luò)承載業(yè)務(wù)分析

根據(jù)承載方式不同,現(xiàn)有電力通信網(wǎng)絡(luò)業(yè)務(wù)可劃分為3個類別：專線通信、調(diào)度數(shù)據(jù)網(wǎng)和綜合數(shù)據(jù)網(wǎng)。具體分類為：點到點專用光纖通道所承載的業(yè)務(wù);調(diào)度數(shù)據(jù)網(wǎng)承載的電力系統(tǒng)生產(chǎn)直接相關(guān)的業(yè)務(wù);綜合數(shù)據(jù)網(wǎng)承載的電力系統(tǒng)生產(chǎn)管理服務(wù)業(yè)務(wù)^[7-8]。

1.1 專線通信承載業(yè)務(wù)

專線通信業(yè)務(wù)主要是指由電力專用光纖傳輸網(wǎng)承載的業(yè)務(wù),特指電力系統(tǒng)專線通信業(yè)務(wù)——點到點的專用光纖通道,為電網(wǎng)安全穩(wěn)定運行必不可少的核心業(yè)務(wù)。例如調(diào)度電話、電力系統(tǒng)繼電保護、電力系統(tǒng)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(wěn)定控制信號的傳輸。

1.2 調(diào)度數(shù)據(jù)網(wǎng)承載業(yè)務(wù)

調(diào)度數(shù)據(jù)網(wǎng)業(yè)務(wù)是指與電力自動化生產(chǎn)直接相關(guān)的業(yè)務(wù),例如信息保護管理系統(tǒng)、信息安穩(wěn)管理系統(tǒng)、廣域相量測量系統(tǒng)、電力市場技術(shù)支持系統(tǒng)等。這些業(yè)務(wù)對數(shù)據(jù)傳輸?shù)目煽啃浴踩砸筝^高,同時相對于專線通信業(yè)務(wù),其傳輸時延要求較低。

1.3 綜合數(shù)據(jù)網(wǎng)承載業(yè)務(wù)

綜合數(shù)據(jù)網(wǎng)承載的業(yè)務(wù)主要是為生產(chǎn)管理服務(wù),包括企業(yè)管理信息化業(yè)務(wù)、變電站圖像/通信機房設(shè)備監(jiān)視系統(tǒng)、視頻會議系統(tǒng)、調(diào)度管理信息系統(tǒng)等。這些業(yè)務(wù)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(yè)務(wù),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(yè)務(wù)按照其對應(yīng)的統(tǒng)計方法對通信帶寬進行統(tǒng)計,得到其帶寬需求量的歷史數(shù)據(jù),并同時統(tǒng)計影響通信帶寬預(yù)測因素的體系數(shù)據(jù)。將現(xiàn)有某省電力通信網(wǎng)傳統(tǒng)業(yè)務(wù)歸類,同時對其新業(yè)務(wù)（如調(diào)度數(shù)據(jù)網(wǎng)第二平面建設(shè)、輸電線路狀態(tài)監(jiān)測、變電站視頻監(jiān)測、配網(wǎng)自動化高清會議系統(tǒng)等）進行分析和分類,本文基于業(yè)務(wù)系統(tǒng)的相似性及業(yè)務(wù)系統(tǒng)的現(xiàn)有模型,選取5個典型業(yè)務(wù)系統(tǒng)（管理信息化業(yè)務(wù)、視頻會議業(yè)務(wù)、語音業(yè)務(wù)、互聯(lián)網(wǎng)業(yè)務(wù)、新增業(yè)務(wù)）對通信帶寬預(yù)測模型進行建模,分析網(wǎng)絡(luò)帶寬需求,同時這也是新增業(yè)務(wù)帶寬預(yù)測的基礎(chǔ)。

 2 基于深度學(xué)習(xí)的電力通信網(wǎng)絡(luò)帶寬需求預(yù)測

深度學(xué)習(xí)模型相對于淺度學(xué)習(xí)模型（如神經(jīng)網(wǎng)絡(luò)、支持向量機等）而言,是一種包含多個隱藏層的機器學(xué)習(xí)模型。深度學(xué)習(xí)模型由Hinton等人于2006年提出,通過利用大量數(shù)據(jù)進行訓(xùn)練,學(xué)習(xí)獲得有用的特征,進而廣泛應(yīng)用于圖像處理和語音識別等方面。區(qū)別于淺度學(xué)習(xí),使用深度學(xué)習(xí)模型在面對越龐大的數(shù)據(jù)量時越能獲得更好的學(xué)習(xí)效果,不存在過飽和狀態(tài),無需考慮過擬合的問題,可最大程度發(fā)揮大數(shù)據(jù)量的優(yōu)勢。同時,深度學(xué)習(xí)模型在突出特征學(xué)習(xí)重要性的基礎(chǔ)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(nèi),易于實現(xiàn)樣本的預(yù)測或分類^[9]。

由于現(xiàn)有電力通信網(wǎng)絡(luò)承載的業(yè)務(wù)種類多,實時數(shù)據(jù)量大,簡單的淺度學(xué)習(xí)算法對其帶寬流量的預(yù)測具有很大的不準確性,同時浪費了大量的帶寬流量數(shù)據(jù)^[10]。為了提高通信網(wǎng)絡(luò)帶寬流量預(yù)測的準確度,定性、定量判斷帶寬需求,本文選用深度學(xué)習(xí)方法,針對某省電力通信網(wǎng)5個典型業(yè)務(wù)分別建立預(yù)測模型,綜合分析預(yù)測模型結(jié)果,預(yù)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(yè)務(wù)對帶寬的需求,如互聯(lián)網(wǎng)訪問業(yè)務(wù)、FTP業(yè)務(wù)、視頻語音業(yè)務(wù)等。

2.1 預(yù)測模型結(jié)構(gòu)

本文采用深度學(xué)習(xí)方法中的深度玻爾茲曼機模型（Deep Boltzmann Machines,DBMs）建立預(yù)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(gòu)成可分為兩部分,即輸入數(shù)據(jù)層和隱藏層。每層內(nèi)節(jié)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(jié)構(gòu)如圖1所示。

圖1 DBM模型結(jié)構(gòu)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(jié)構(gòu),迭代次數(shù)為20次。輸入層節(jié)點數(shù)與不同業(yè)務(wù)系統(tǒng)的主要影響因素個數(shù)有關(guān),隱藏層節(jié)點個數(shù)為輸入層節(jié)點數(shù)的一半,同時用ω_i（i=1,2,…,5）分別表示5個隱藏層的權(quán)值,ω表示輸出層的權(quán)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(yè)務(wù)的帶寬流量。對于本預(yù)測模型而言,利用大量的數(shù)據(jù)樣本訓(xùn)練低層RBM模型的每一層,然后訓(xùn)練上層分類層,最后通過BP算法微調(diào)整個網(wǎng)絡(luò)。

2.2 模型訓(xùn)練策略

與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,深度學(xué)習(xí)引入了預(yù)訓(xùn)練概念,初始權(quán)值通過利用自下而上的非監(jiān)督學(xué)習(xí)獲得,然后再通過自上而下的監(jiān)督學(xué)習(xí)優(yōu)化參數(shù)。深度學(xué)習(xí)法主要分為2個階段：預(yù)訓(xùn)練階段和微調(diào)階段^[12]。

2.2.1 預(yù)訓(xùn)練階段

深度學(xué)習(xí)的預(yù)訓(xùn)練過程是一種非監(jiān)督學(xué)習(xí)過程,利用預(yù)訓(xùn)練網(wǎng)絡(luò)能夠獲得算法的初始權(quán)值,逐層貪婪優(yōu)化為其訓(xùn)練策略。RBM的可視層為v和隱層為h,同時層內(nèi)節(jié)點彼此對立,層間節(jié)點全部互相
連接。

RBM隨機模型的能量函數(shù)和概率分布函數(shù)可表示為：

 （2）

式中,v_i為可視層節(jié)點狀態(tài);h_i為隱層節(jié)點狀態(tài);a_i、b_i為相應(yīng)層節(jié)點偏置;ω_i,j為節(jié)點之間的連接權(quán)值;θ={W,a,b}為網(wǎng)絡(luò)權(quán)值,即該階段需要優(yōu)化的參數(shù);Z是歸一化系數(shù),其表達式為：

 （4）

式中,ε為學(xué)習(xí)率;<*>_data為樣本期望;<*>_recon為RBM重構(gòu)后的期望。

通過上述過程,能夠獲得與輸入數(shù)據(jù)分布類似的輸出。通過優(yōu)先訓(xùn)練最低層RBM,并將影響因素個數(shù)作為輸入,得到帶寬流量的表述h₁,然后以h₁作為輸入,訓(xùn)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(quán)值ω。

2.2.2 微調(diào)階段

預(yù)訓(xùn)練后,RBM模型獲得了一個初始權(quán)值,但不一定是模型的最優(yōu)權(quán)值,因此需要對初始權(quán)值進行微調(diào)。本文選用BP神經(jīng)網(wǎng)絡(luò)算法^[10],與樣本數(shù)據(jù)比較,自頂向下對網(wǎng)絡(luò)參數(shù)進行微調(diào),其調(diào)整過程的目標函數(shù)如下：

 （6）

業(yè)務(wù)流量y是由時間t和用戶數(shù)x組成的相關(guān)函數(shù)。

同時,使用該業(yè)務(wù)的用戶數(shù)x是由總用戶數(shù)A及時間t組成的相關(guān)函數(shù)：

 （8）

深度學(xué)習(xí)法主要是在帶寬流量預(yù)測過程中尋找出原始數(shù)據(jù)和時間的關(guān)系方程。

 3 基于主元分析法的帶寬預(yù)測影響指標簡化分析

在電力通信網(wǎng)絡(luò)帶寬預(yù)測中存在很多影響因素,不同的預(yù)測方法對提煉樣本數(shù)據(jù)信息的復(fù)雜性、數(shù)據(jù)要求等方面均有不同,常規(guī)考慮多影響因素的預(yù)測方法無法完全描述各因素對預(yù)測對象的影響^[13]。本文選用的深度學(xué)習(xí)法可以不必處理影響因素,可直接將其作為輸入數(shù)據(jù)就可進行考慮多因素的預(yù)測。由于深度學(xué)習(xí)是一個對數(shù)據(jù)不斷挖掘的過程,隨著挖掘的深入,若輸入節(jié)點過多,則很有可能造成結(jié)果不收斂,而輸入節(jié)點過少則會造成預(yù)測不準確。因此,綜合考慮電力業(yè)務(wù)帶寬歷史數(shù)據(jù)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(yù)測影響因素數(shù)據(jù)進行簡化^[