基于神经网络的电力营销系统网络性能预测模型

基于神经网络的电力营销系统网络性能预测模型

温兆聪谭雄华林浩钊

温兆聪谭雄华林浩钊

（东莞供电局523000）

摘要：网络性能预测是指以现有理论等为基础，来构造具有预测性的模型以实现对未来业务数据的推测和估计。本文按照电力营销系统的特殊架构，建立了基于神经网络的电力营销系统网络性能预测模型，构建了电力营销系统的网络特征信息集，并设定了网络性能预测的信息过滤规则。此外，基于构建的电力营销系统网络预测模型，进一步研发了电力营销系统流量过滤模块。通过OPNET网络仿真结果显示，基于神经网络的电力营销系统网络性能预测模型能够有效降低网络阻塞，提高网络使用效率。

关键字：网络性能预测；神经网络；OPNET

1.引言

1.1研究意义

随着电力信息化管理的迅猛发展，对电力营销系统的智能化要求越来越高，如何减少网络拥塞，使得电力营销系统在自适应拥塞控制、带宽分配和网络性能管理中显得至关重要[1]。电力营销系统网络性能预测是指以现有理论等为基础，来构造具有预测性的模型以实现对未来业务数据的推测和估计。

1.2研究现状

近些年来，电力营销系统网络预测研究越来越受到重视，许多改进的预测方法不断被应用。

电力营销系统网络预测方法主要有回归模型、时间序列模型、神经网络、基于均值法、小波理论、卡尔曼滤波方法等[3]。A.Mellit、HenriqueVieira等人构建了自适应的小波变换网络预测模型，将小波和神经网络结合在一起，提出了一种多维尺度的预测算法。可以在减少计算时间的基础上，提高流量预测的准确性[4~7]。

1.3研究思路

实际的电力营销系统数据具有很强的自相似性、高突发性、重尾特性长程相关性和异构性等复杂特性[8]，本文按照电力营销系统的特殊架构，建立了基于神经网络的电力营销系统信息预测模型，构建了电力营销系统信息的特征信息集，并设定了网络预测的信息过滤规则，研发了电力营销系统流量过滤模块。通过OPNET网络仿真结果显示，基于神经网络的电力营销系统网络性能预测模型能够有效降低网络阻塞，提高网络使用效率。

2.网络性能预测基础理论

2.1神经网络电力专网模型

神经网络电力营销系统模型主要由三部分组成，包括输入层、输出层以及中间的隐含层。不同层的神经元之间通过权值进行连接，网络结构如图1所示。

电力营销系统神经网络学习过程是由正向计算进行输出以及误差进行反向传播的多次迭代过程组成，系统误差将会随着迭代次数的增多而减小，训练过程将会收敛到一组较稳定的权。对于电力营销系统神经网络学习算法，其具体步骤可以归纳如下：

1）在训练样本中取出某一样本，将其输入的信息输入进网络中。

2）根据网络的结构正向计算出每层节点的输出。

3）计算网络的期望输出和实际输出的误差。

4）从输出层开始进行反向计算，直到第一个隐含层，按照一定原则向着减小误差的方向调整网络中的联接权值。

5）对训练样本的集合中每个样本都重复以上的步骤，直到总体的训练样本集误差达到给定的要求为止。

2.2电力专网信息特征集

为了提高电力营销系统网络性能预测模型的效率，需要构建电力营销系统网络性能的特征信息集。

1）自相似性与长相关性

自相似是就是从特定角度来看，部分的特征和全局的特征进行对比所呈现出的相似性，并且同时具有的是时间维度上和空间维度上的双重含义。电力营销系统网络性能呈现出长程相关性，即突出的是突发特性在所有时间尺度上都存在的这一自相似过程中的持续现象，即多尺度行为特性。

2）多分形性

多分形性，指的是所有特性不能够只用一个维数来表示，必须选取多重连续谱来进行刻画。通过对电力营销系统网络性能流量数值进行分析可以发现，在较大的时间尺度上长相关只是电力营销系统网络性能分形性质的一个方面。

2.3稳定性分析

神经网络电力营销系统网络性能模型由输入层、隐含层和输出层三部分组成。其学习算法是一种多层感知模型，其隐含层即中间层，由一层或多层构成。电力营销系统网络性能神经网络的学习通过两个过程实现：正向传播和反向传播。信息在正向传播时，从输入层逐层经中间层处理完成后向系统后端传播。返回过程中，逐一修改各层神经元连接的权值以及阈值。这种过程不断迭代重复，最后得到在误差允许范围内的输出。

此外，为了提高模型的稳定性，本文还将多神经网络预测模型应用到电力营销系统网络性能的流量预测当中。使得神经网络电力营销系统模型可以同时捕捉网络流量的长相关和短相关特征，在多维时间尺度和多步流量预测上有较好的表现。

3.基于神经网络的电力营销系统网络性能预测

3.1系统与网络结构

为了提高神经网络电力营销系统网络性能模型对流量预测的准确性与高效性，本文设定了网络预测的信息过滤规则并研发了电力营销系统网络性能流量过滤模块。系统与网络结构如图3所示。

3.2电力专网预测信息过滤

本文提出了基于贝叶斯网络的信息过滤模型BMIF（Bayesianmodelofinformationfiltering）以此针对电力专网预测信息进行过滤。BMIF模型的层次结构如图4所示：

1）信息层：表示了电力营销系统网络性能最终信息所在，电力系统会有多个电网信息焦点，每个信息焦点由不同模式组合。

2）模式层：一个模式映射到电网信息检索中的多查询系统中，就是一个查询。但模式比查询的含义更广泛，例如，它可以是通过过滤得出的系统对某条信息捕获的概率。

3）特征层：系统可在特征层将电网元信息、特殊特征、类别等各种信息，结合起来描述特定模式。在BMIF中，权和节点可以映射成向量模型，噪声或节点、噪声与节点和非节点可以映射到布尔模型。

4）虚拟特征层：虚拟特征层与特征层之间的连接可将未在特征层出现的数据映射到特征层，这种映射基于的是已有的数据表现形式。

4.仿真与分析

4.1仿真环境

本文测试在OPENT仿真平台上进行。测试数据来源于某市电网中心电力营销系统数据库，数据库中收集了该市电网电力营销系统主节点路由器从2015年3月11日到5月20日，共10周每天电网电力营销系统中的每小时采集流量，得到70×24=1680个数据，从而形成了一个网络流量时间序列{s（t），t=1，2，…，1680}，以每个星期作为1d。由前8周共24×56=1344个数据建立网络模型，后2周数据预测检验。

4.2仿真结果

本文首先对非用电高峰时段、用电高峰时段以及各时段平均电网流量的电力营销系统网络预测结果进行了仿真。其中图5为非用电高峰时段电网电力营销系统流量预测结果图，图6为用电高峰时段电网电力营销系统流量预测结果图，把非用电高峰时段与用电高峰时段的预测结果叠加可以得到各时段平均电网流量的预测结果图如7所示。

为了对神经网络电力营销系统网络预测模型性能进行评估，本文对使用该模型后的系统网络利用率与网络时延进行了仿真，并与原有系统进行了对比，结果分别如图8、图9所示。

从图8可以看出，在使用神经网络电力营销系统模型的系统中，随着电网流量的不断增加，网络利用率也会不断提升。在电网流量达到70Kbps时，相对于原有系统，使用神经网络电力专网模型的系统利用率可提高30%以上。

图9显示了系统时延的仿真结果，从图中可以明显看出使用神经网络电力专网模型的系统可以降低网络阻塞，缩短系统处理时延。

5.总结

本文按照电力专网的特殊架构，建立了基于神经网络的电力营销系统信息预测模型，构建了电力营销系统的特征信息集，并设定了网络预测的信息过滤规则。此外，基于构建的电力营销系统网络性能预测模型，进一步研发了电力专网流量过滤模块。通过OPNET网络仿真结果显示，基于神经网络的电力营销系统网络性能预测模型能够有效降低网络阻塞，提高网络使用效率。

参考文献：

[1]张冉，赵成龙.ARIMA模型在网络流量预测中的应用研究[J].计算机仿真，2011，02：171-174.

[2]刘宁，陈昱颋，虞慧群，范贵生.基于Elman神经网络的交通流量预测方法[J].华东理工大学学报（自然科学版），2011，02：204-209.

[3]崔艳，程跃华.小波支持向量机在交通流量预测中的应用[J].计算机仿真，2011，07：353-356.

[4]冯明发，卢锦川.粒子群优化RBF神经网络的短时交通流量预测[J].计算机仿真，2010，12：323-326.

[5]李捷，刘瑞新，刘先省，韩志杰.一种基于混合模型的实时网络流量预测算法[J].计算机研究与发展，2006，05：806-812.

[6]郑成兴.网络流量预测方法和实际预测分析[J].计算机工程与应用，2006，23：127-130.

[7]杨兆升，王媛，管青.基于支持向量机方法的短时交通流量预测方法[J].吉林大学学报（工学版），2006，06：881-884.

[8]白翔宇，叶新铭，蒋海.基于小波变换与自回归模型的网络流量预测[J].计算机科学，2007，07：47-49+54.