0 引言

隨著智能電網(wǎng)信息化建設(shè)的不斷深入,IT集約化建設(shè)管控逐步加強(qiáng),信息化應(yīng)用對網(wǎng)絡(luò)的需求呈現(xiàn)出快速增長的勢頭^[1-2]。為了更有效地對網(wǎng)絡(luò)資源進(jìn)行管理,提高網(wǎng)絡(luò)的智能化水平和對電網(wǎng)的調(diào)度駕馭能力,基于IP多媒體子系統(tǒng)（IP Multimedia Subsystem, IMS）架構(gòu)的新型多媒體聯(lián)動(dòng)調(diào)度平臺(tái)已廣泛應(yīng)用于智能電網(wǎng),作為電力數(shù)據(jù)通信網(wǎng)的典型信息化應(yīng)用,其建設(shè)水平應(yīng)滿足通信系統(tǒng)的發(fā)展需求。如何有效評估數(shù)據(jù)通信網(wǎng)綜合業(yè)務(wù)的帶寬需求,進(jìn)而開展多媒體調(diào)度平臺(tái)的合理規(guī)劃建設(shè),網(wǎng)絡(luò)流量預(yù)測技術(shù)可起到關(guān)鍵作用。

目前,電力通信網(wǎng)流量預(yù)測與帶寬估算方法主要集中在彈性系數(shù)法^[3-4]和排隊(duì)論^[5]兩方面,有效支撐了現(xiàn)行電力業(yè)務(wù)流量預(yù)測,解決了通信傳輸帶寬估算問題。但是彈性系數(shù)法多憑借經(jīng)驗(yàn)公式估算業(yè)務(wù)流量,未考慮具體業(yè)務(wù)的行為特征和時(shí)序特征,準(zhǔn)確性不高。排隊(duì)論則只在業(yè)務(wù)流量服從泊松分布時(shí)具有較好的預(yù)測效果,而智能電網(wǎng)背景下的用電業(yè)務(wù)更兼具長相關(guān)特性。此外,以回歸分析法、時(shí)間序列法、灰色理論為基礎(chǔ)的傳統(tǒng)預(yù)測方法和以人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）、支持向量回歸（Support Vector Regression, SVR）為代表的機(jī)器學(xué)習(xí)算法在公網(wǎng)流量預(yù)測中也取得了不錯(cuò)的效果。文獻(xiàn)[6]提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和自回歸滑動(dòng)平均模型的自相似網(wǎng)絡(luò)流量預(yù)測方法,在降低算法復(fù)雜度的同時(shí)可有效提高預(yù)測精度;文獻(xiàn)[7]針對網(wǎng)絡(luò)流量時(shí)間序列的非線性和多時(shí)間尺度特性,將灰色系統(tǒng)理論和馬爾可夫鏈相結(jié)合,提出灰色馬爾可夫模型對實(shí)際網(wǎng)絡(luò)流量進(jìn)行預(yù)測;文獻(xiàn)[8]將模糊邏輯和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合起來,構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)用于自相似業(yè)務(wù)流量預(yù)測,相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不僅收斂速度快,預(yù)測效果也更好;文獻(xiàn)[9]為解決SVR模型易陷入局部最優(yōu)問題,采用混沌粒子群優(yōu)化算法（Chaos Particle Swarm Optimization, CPSO）進(jìn)行參數(shù)選擇,預(yù)測結(jié)果表明模型泛化性能可得到明顯提高。然而電網(wǎng)中大量二次設(shè)備的接入以及業(yè)務(wù)種類的增加,使數(shù)據(jù)通信網(wǎng)業(yè)務(wù)流量變化更加復(fù)雜,波動(dòng)性更加明顯。若直接采用上述方法進(jìn)行一維預(yù)測,則很難捕捉流量序列的突變、轉(zhuǎn)折點(diǎn),勢必會(huì)影響到預(yù)測精度。

針對以上分析,本文基于ARIMA模型和FNN提出一種二維組合預(yù)測算法（Two Dimensional Combination Forecasting Algorithm, 2D-CFA）。考慮到電力通信網(wǎng)業(yè)務(wù)具有明顯日周期性,該方法從兩個(gè)維度分別提取出歷史流量數(shù)據(jù),在水平維度建立FNN模型預(yù)測流量序列當(dāng)天的變化趨勢,采用ARIMA模型進(jìn)行縱向預(yù)測來捕捉流量序列轉(zhuǎn)折點(diǎn)位置,最后基于單指數(shù)平滑算法實(shí)現(xiàn)動(dòng)態(tài)權(quán)重更新,以此結(jié)合兩個(gè)維度的預(yù)測結(jié)果。對甘肅電網(wǎng)多媒體聯(lián)動(dòng)調(diào)度平臺(tái)融合的業(yè)務(wù)流量進(jìn)行實(shí)例分析,結(jié)果表明該方法的預(yù)測效果比較理想。

 1 新型多媒體聯(lián)動(dòng)調(diào)度平臺(tái)

IP多媒體子系統(tǒng)是下一代網(wǎng)絡(luò)控制的核心^[10],支持多種業(yè)務(wù)系統(tǒng)的靈活接入,可實(shí)現(xiàn)網(wǎng)絡(luò)業(yè)務(wù)層與控制層完全分離。基于IMS架構(gòu)的新型多媒體聯(lián)動(dòng)調(diào)度交互平臺(tái)（見圖1）作為電網(wǎng)調(diào)度應(yīng)急處置的重要組成部分,可為電力調(diào)控系統(tǒng)提供可視化智能調(diào)度手段,完成對生產(chǎn)調(diào)度電話系統(tǒng)、視頻監(jiān)控系統(tǒng)、報(bào)警系統(tǒng)的整合,最終實(shí)現(xiàn)“交互化、便捷化、高效化、貫穿化、平面化”調(diào)度。

圖1 基于IMS的新型多媒體聯(lián)動(dòng)調(diào)度平臺(tái)架構(gòu)Fig.1 The new multimedia linkage dispatching platform architecture based on IMS

該平臺(tái)主要融合了語音會(huì)話、視頻會(huì)議、視頻監(jiān)控、應(yīng)急告警等多種業(yè)務(wù),同時(shí)還接入以遠(yuǎn)程協(xié)助、可視圖文、短信服務(wù)、IP傳真、郵件和Web服務(wù)為主的多媒體業(yè)務(wù)系統(tǒng),實(shí)現(xiàn)語音、視頻、報(bào)警、多媒體信息的相互聯(lián)動(dòng)。但不同類別的業(yè)務(wù)流量特性不盡相同,如語音類業(yè)務(wù)一般表現(xiàn)出短相關(guān)特性,而視頻、多媒體類業(yè)務(wù)不僅具有自相似性,其長相關(guān)特性更為突出^[11]。因此,常規(guī)單一預(yù)測模型很難詮釋混合業(yè)務(wù)流量的變化規(guī)律,而組合模型通過結(jié)合多算法、多維度預(yù)測的優(yōu)勢,具有更好的適應(yīng)性。

 2 二維組合流量預(yù)測模型設(shè)計(jì)

2.1 水平維度預(yù)測

電網(wǎng)業(yè)務(wù)流量的橫向數(shù)據(jù)序列日周期性趨勢顯著,非線性特性較強(qiáng)。FNN是模糊邏輯與神經(jīng)網(wǎng)絡(luò)的結(jié)合,網(wǎng)絡(luò)結(jié)構(gòu)簡單,收斂速度快,對非線性時(shí)間序列具有良好的自適應(yīng)感知能力和擬合效果。因此,本文建立多輸入單輸出FNN模型來預(yù)測橫向數(shù)據(jù)流。圖2和圖3分別展示了FNN模型結(jié)構(gòu)以及橫向維度樣本數(shù)據(jù)的采樣方式。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Fuzzy neural network structure

圖3 橫向維度數(shù)據(jù)采樣方式Fig.3 Horizontal dimension data sampling method

根據(jù)圖3方式從橫向維度獲取數(shù)據(jù)樣本X={x₁,x₂,…,x_Lx,L_x=mΔT/Δt}訓(xùn)練FNN模型,m為歷史日天數(shù),ΔT代表日周期長度,Δt為流量采樣間隔。在圖2中,FNN共包含5層,其中模糊化層采用下面式（1）中的隸屬度函數(shù)對輸入層流量值進(jìn)行模糊化,得到各輸入變量的隸屬度,并在模糊規(guī)則計(jì)算層根據(jù)式（2）計(jì)算模糊規(guī)則適應(yīng)度,然后利用式（3）對所有適應(yīng)度值歸一化,最后在輸出層按照式（4）計(jì)算得到流量預(yù)測值y。

 （2）

 （4）

式中,cⁱ_j、bⁱ_j分別是隸屬度函數(shù)  （5）

 （7）

式中,E為誤差函數(shù),0<a<1為學(xué)習(xí)率。

當(dāng)?shù)介Ls達(dá)到上限或E滿足最小誤差時(shí),參數(shù)尋優(yōu)結(jié)束。在橫向一步預(yù)測中,只需在t時(shí)刻點(diǎn)輸入{x_i | i=t, t-1,…, t-k+1},便可預(yù)測出t+1時(shí)刻流量值x′_t+1。

2.2 縱向維度預(yù)測

縱向維度數(shù)據(jù)采樣方式如圖4所示,縱向數(shù)據(jù)序列包含了若干離散點(diǎn),由不同日期同一時(shí)刻點(diǎn)的流量數(shù)據(jù)組成,隨機(jī)波動(dòng)性強(qiáng),具有一定的線性變化趨勢。而 ARIMA模型原理簡單,是一種經(jīng)典的線性預(yù)測算法^[12],對樣本規(guī)模要求不高,通過差分處理對非線性時(shí)間序列也有良好的適應(yīng)性,非常適合縱向維度預(yù)測。

圖4 縱向維度數(shù)據(jù)采樣方式Fig.4 Longitudinal dimension data sampling method

令第t(t=1,2,…,ΔT/Δt)個(gè)時(shí)刻點(diǎn)縱向流量序列Y_t={y_t,1,y_t,2,…,y_t,Ly,L_y=m},y_t,i表示第i天t時(shí)刻點(diǎn)的流量值。若Y_t不滿足平穩(wěn)性要求,ARIMA算法將對其做d次差分處理成為平穩(wěn)時(shí)間序列ΔY_t={Δy_t,i|i=1,2,…,L_y-d}后,構(gòu)建ARIMA(p, d, q)模型,具體表示為：

 （9）

ARIMA算法以時(shí)間序列的自相關(guān)分析為基礎(chǔ),對短期趨勢的預(yù)測效果較好。與橫向一步預(yù)測過程相似,在t時(shí)刻點(diǎn)輸入{Δy_t,i|i=L_y-d-p+1,…,L_y-d}至ARIMA模型中,輸出Δy_t,Ly+1-d,然后進(jìn)行d次反差分處理得到第L_y+1天t時(shí)刻的流量預(yù)測值y′_t,Ly+1。

2.3 二維組合預(yù)測

橫向預(yù)測可較好地捕獲數(shù)據(jù)流量當(dāng)天的趨勢,縱向預(yù)測則能夠反映出業(yè)務(wù)流量的轉(zhuǎn)折點(diǎn)位置。本文采用一種二維組合預(yù)測模型結(jié)合兩個(gè)維度的預(yù)測結(jié)果,以得到最優(yōu)預(yù)測值。2D-CFA模型預(yù)測流程如圖5所示。

圖5 2D-CFA模型預(yù)測流程Fig.5 The forecasting process of 2D-CFA model

2D-CFA以預(yù)測誤差作為精確度指標(biāo),通過單指數(shù)平滑算法^[15]動(dòng)態(tài)更新權(quán)重,賦予預(yù)測誤差最小的單維度流量值以較大權(quán)重,具體為：

 （11）

在獲得x′_t、y′_t和v_t值后,w_t最優(yōu)最小值可表示為：

 （13）

此時(shí),t+1時(shí)刻的權(quán)重預(yù)測值w′_t+1根據(jù)單指數(shù)平滑算法由下式給出：

Fig.6 Original traffic data (2016/06/01-2016/06/21) " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">圖6 2016年6月1日至21日期間的原始流量數(shù)據(jù)Fig.6 Original traffic data (2016/06/01-2016/06/21)

為了避免數(shù)據(jù)輸入輸出相差太大而影響到預(yù)測精度,本文在模型訓(xùn)練之前,按照式（15）將所有數(shù)據(jù)歸一化到[0, 1]區(qū)間,同時(shí)對2016年6月22日的流量進(jìn)行預(yù)測以驗(yàn)證該方法的準(zhǔn)確性和可行性,并選取相對誤差、準(zhǔn)確率和平均絕對百分比誤差分析流量預(yù)測效果,即：

 （16）

 （18）

式中,k、n和o分別對應(yīng)輸入層、模糊規(guī)則計(jì)算層以及輸出層節(jié)點(diǎn)個(gè)數(shù)。

縱向流量序列Y_t代表21天同一時(shí)刻點(diǎn)t的流量數(shù)據(jù),因此在縱向維度上共包含48個(gè)ARIMA預(yù)測模型。以零點(diǎn)時(shí)刻舉例說明,表1為階數(shù)d取不同值時(shí)序列Y₀的方差。

表1 差分判定Tab.1 Differential decision

可以看出,在d=1時(shí)方差最小。隨后分別對p=0,1,2,3和q=0,1,2,3的情況進(jìn)行AIC值分析,當(dāng)p=3,q=2時(shí),AIC=-4.718值最小,因此確定模型為ARIMA（3,1,2）。由最小二乘法估計(jì)得到模型方程為：

Tab.2 Comparison of traffic forecasting results (2016/6/22) " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">表2 2016年6月22日流量預(yù)測結(jié)果對比Tab.2 Comparison of traffic forecasting results (2016/6/22)

圖7 2016年6月22日流量預(yù)測曲線Fig.7 Traffic forecasting curve (2016/06/22)

圖8 3種流量預(yù)測方法的相對誤差比較Fig.8 Relative error of three traffic forecasting methods

由表2對比單維FNN和ARIMA模型的評價(jià)指標(biāo)可知,所提方法的綜合預(yù)測效果明顯更好,其預(yù)測精度可達(dá)95.7%,比FNN和ARIMA模型分別高出2.7%和5.9%,而預(yù)測誤差也相對較低,降至3.41%。從圖7的流量變化曲線可發(fā)現(xiàn)橫向預(yù)測保持了良好的趨勢性,但曲線變化比較平緩,轉(zhuǎn)折點(diǎn)流量偏差較大。而縱向預(yù)測是在48個(gè)時(shí)刻點(diǎn)同時(shí)進(jìn)行一步預(yù)測,雖然預(yù)測曲線波動(dòng)強(qiáng)烈,但能夠有效捕捉流量轉(zhuǎn)折點(diǎn),該時(shí)刻流量更貼近實(shí)際值。2D-CFA的預(yù)測曲線表明得益于權(quán)重系數(shù)的動(dòng)態(tài)預(yù)測更新,該模型兼具兩個(gè)維度預(yù)測的優(yōu)勢,可如實(shí)跟蹤實(shí)際流量的變化特性,使流量預(yù)測值的整體偏離程度最小。此外,結(jié)合圖8也可看出2D-CFA對各時(shí)刻點(diǎn)的預(yù)測誤差控制更好,最大誤差為10.61%,最小誤差僅為0.11%。相對誤差控制在3%以內(nèi)概率達(dá)到58.3%,而超過6%的概率只有10.4%,誤差分布更加集中,預(yù)測值無明顯“跑點(diǎn)”現(xiàn)象,可滿足電網(wǎng)多媒體聯(lián)動(dòng)調(diào)度平臺(tái)流量預(yù)測需求。

 4 結(jié)語

智能電網(wǎng)背景下的電力數(shù)據(jù)網(wǎng)業(yè)務(wù)流量不確定性、復(fù)雜性和非線性特征明顯,常規(guī)的預(yù)測模型只從單維度方向很難捕捉出流量序列的內(nèi)在關(guān)系,較少應(yīng)用于電網(wǎng)流量預(yù)測。本文根據(jù)甘肅電網(wǎng)多媒體聯(lián)動(dòng)調(diào)度平臺(tái)所融合的業(yè)務(wù)特點(diǎn),提出一種二維組合預(yù)測方法。該方法在縱向維度上利用ARIMA模型捕捉流量序列的轉(zhuǎn)折點(diǎn),并通過橫向FNN模型對流量趨勢性進(jìn)行預(yù)測,然后動(dòng)態(tài)更新權(quán)重實(shí)現(xiàn)兩個(gè)單維度預(yù)測結(jié)果的最優(yōu)變權(quán)組合。通過對比實(shí)驗(yàn)發(fā)現(xiàn),所提方法的預(yù)測準(zhǔn)確率可以提高2.7%以上,預(yù)測效果明顯優(yōu)于單維預(yù)測模型,可為當(dāng)?shù)囟嗝襟w聯(lián)動(dòng)調(diào)度平臺(tái)的優(yōu)化與建設(shè)提供可靠的理論依據(jù)。

(編輯:鄒海彬)

參考文獻(xiàn)

[1] 胡學(xué)浩. 智能電網(wǎng)——未來電網(wǎng)的發(fā)展態(tài)勢[J]. 電網(wǎng)技術(shù), 2009, 33(14): 1-5. 
HU Xue-hao.Smart grid: a development trend of future power grid[J]. Power System Technology, 2009, 33(14): 1-5.

[2] 陳樹勇, 宋書芳, 李蘭欣, 等. 智能電網(wǎng)技術(shù)綜述[J]. 電網(wǎng)技術(shù), 2009, 33(8): 1-7. 
CHEN Shu-yong, SONG Shu-fang, LI Lan-xin, et al.Survey on smart grid technology[J]. Power System Technology, 2009, 33(8): 1-7.

[3] 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(jì)算方法[J]. 電網(wǎng)技術(shù), 2011, 35(11):12-17. 
ZHAO Zi-yan, HU Hao.A new service 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.

[4] 李莉, 王文韜, 彭柏, 等. 基于匯聚業(yè)務(wù)模型的電力通信網(wǎng)節(jié)點(diǎn)帶寬估算方法[J]. 電力信息與通信技術(shù),2017, 15(3): 73-77. 
LI Li, WANG Wen-tao, PENG Bo, et al.Bandwidth estimation algorithm of nodes in the power communication networks based on aggregation service model[J]. Electric Power Information and Communication Technology, 2017,15(3): 73-77.

[5] 徐志強(qiáng), 陸俊, 翟峰, 等. 智能配用電多業(yè)務(wù)匯聚的通信帶寬預(yù)測[J]. 電網(wǎng)技術(shù), 2015, 39(3): 712-716. 
XU Zhi-qiang, LU Jun, ZHAI Feng, et al.Communication bandwidth prediction of aggregation of multi-services for smart power distribution and utilization[J]. Power System Technology, 2015, 39(3): 712-716.

[6] 高波, 張欽宇, 梁永生, 等. 基于EMD及ARMA的自相似網(wǎng)絡(luò)流量預(yù)測[J]. 通信學(xué)報(bào), 2011, 32(4): 47-56. 
GAO Bo, ZHANG Qin-yu, LIANG Yong-sheng, et al.Predicting self-similar networking traffic based on EMD and ARMA[J]. Journal on Communications, 2011, 32(4): 47-56.

[7] 姚奇富, 李翠鳳, 馬華林, 等. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J]. 浙江大學(xué)學(xué)報(bào)(理學(xué)版), 2007, 34(4): 396-400. 
YAO Qi-fu, LI Cui-feng, MA Hua-lin, et al.Novel network traffic forecasting algorithm based on grey model and Markov chain[J]. Journal of Zhejiang University(Science Edition), 2007, 34(4): 396-400.

[8] 王兆霞, 孫雨耕, 陳增強(qiáng), 等. 基于模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)量預(yù)測研究[J]. 通信學(xué)報(bào), 2005, 26(3):136-140. 
WANG Zhao-xia, SUN Yu-geng, CHEN Zeng-qiang, et al.Study of predicting network traffic using fuzzy neural networks[J]. Journal on Communications, 2005, 26(3): 136-140.

[9] 王治. 基于混沌粒子群優(yōu)化SVR的網(wǎng)絡(luò)流量預(yù)測[J]. 計(jì)算機(jī)仿真, 2011, 28(5): 151-154. 
WANG Zhi.Network traffic prediction based on SVR optimized by chaos particle swarm optimization algorithm[J].Computer Simulation, 2011, 28(5): 151-154.

[10] 劉世棟, 李炳林, 王瑤. 智能電力IMS網(wǎng)絡(luò)架構(gòu)及實(shí)現(xiàn)技術(shù)研究[J]. 電力信息與通信技術(shù), 2015,13(11): 25-30. 
LIU Shi-dong, LI Bing-lin, WANG Yao.Research on architecture and implementation technologies of intelligent electric IMS network[J]. Electric Power Information and Communication Technology, 2015, 13(11): 25-30.

[11] 蔣康明. 電力通信網(wǎng)絡(luò)組網(wǎng)分析[M]. 北京: 中國電力出版社, 2014.

[12] 趙建龍, 曲樺, 趙季紅, 等. 基于Morlet_SVR和ARIMA組合模型的網(wǎng)絡(luò)流量預(yù)測[J]. 北京郵電大學(xué)學(xué)報(bào), 2016, 39(2): 53-57. 
ZHAO Jian-long, QU Hua, ZHAO Ji-hong, et al.A comprehensive forecasting model for network traffic based on Morlet-SVR and ARMA[J]. Journal of Beijing University of Posts and Telecommunications, 2016, 39(2): 53-57.

[13] 王輝明. 時(shí)間序列分析技術(shù)在移動(dòng)網(wǎng)絡(luò)性能建模與預(yù)測中的應(yīng)用[D]. 長沙: 湖南大學(xué), 2009.

[14] 張冉, 趙成龍. ARIMA模型在網(wǎng)絡(luò)流量預(yù)測中的應(yīng)用研究[J]. 計(jì)算機(jī)仿真, 2011, 28(2): 171-174. 
ZHANG Ran, ZHAO Cheng-long.Application research on network traffic prediction based on ARIMA[J]. Computer Simulation, 2011, 28(2): 171-174.

[15] 齊馳, 侯忠生. 自適應(yīng)單指數(shù)平滑法在短期交通流預(yù)測中的應(yīng)用[J]. 控制理論與應(yīng)用, 2012, 29(4):60-64. 
QI Chi, HOU Zhong-sheng.Application of adaptive single-exponent smoothing for short-term traffic flow prediction[J]. Control Theory & Applications, 2012, 29(4): 60-64.

[16] 嚴(yán)干貴, 王東, 楊茂, 等. 兩種風(fēng)電功率多步預(yù)測方式的分析及評價(jià)[J]. 東北電力大學(xué)學(xué)報(bào), 2013,33(S1): 126-130. 
YAN Gan-gui, WANG Dong, YANG Mao, et al.The analysis and evaluation of two ways for multi-step wind power prediction[J]. Journal of Northeast Dianli University, 2013, 33(S1): 126-130.