一种电力综合业务网流量预测方法
【技术领域】
[0001] 本申请涉及智能电网技术领域，尤其涉及一种电力综合业务网的流量预测方法。
【背景技术】
[0002] 随着智能电网建设的不断深入，如变电站无人值守、营业厅的扩建、网上办公业务 等，极大地增加了电力综合业务网的数据流量。对电力综合业务网中的数据流量进行精确 预测实现流量预警，对综合业务网的运营维护和通信资源的扩建有着重要的理论指导意 义。
[0003] 现有的电力综合业务网的数据流量预测算法可分为两类。第一类预测算法从公共 互联网中流量预测模型中，选取和组合后，直接用于电力综合业务网的数据流量预测。这类 预测模型继续使用公共互联网流量预测模型中，针对流量的自相似性、高复杂性建立的模 型，并在实际预测中获得了较好的预测精度。考虑到电力综合业务网中流量特性与公共互 联网流量特性相比复杂度较低，第二类预测算法提出了一些简化的预测模型。这类算法着 重考虑了降低算法的复杂度，在保证一定的精度前提下，减少预测模型的计算开销。主要基 于神经网络预测算法，典型的有：简化粒子群优化神经网络算法、简化模糊逻辑神经网络算 法等。这两类算法建立模型过程中使用的历史时间序列，为同一日期不同时刻的流量数据 即横向流量序列，或者不同日期同一时刻的流量数据即纵向流量序列中的一种，两种流量 序列的提取如附图1所示。
[0004] 然而，现有预测算法，使用的是由等间隔历史采样数据组成的流量序列，进行建模 和训练。这使得所得到的预测模型遇到转折点时预测曲线相比实际数据流量曲线存在明显 的迟滞现象，从而转折点处存在较大的预测误差。
【发明内容】
[0005] 有鉴于此，本申请提供一种电力综合业务网流量预测方法，其特征在于，所述方法 包括： 步骤1 :从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据 序列； 步骤2 :建立二维预测模型； 步骤3 :读取I时刻的新数据，其中t当前采样时刻； 步骤4 :利用二维预测模型对〗+T时刻的流量数据进行预测并输出预测结果，其中T 为采样周期； 步骤5 :等待直到下一采样时刻返回步骤3。
[0006] 在本申请一具体实施例中，所述步骤1具体包括： 从电力综合业务网流量数据库中，提取一段长时间的历史流量数据； 把不同日期同一时刻的流量数据，按照日期从小到大排列成纵向数据流量序列； 把每一天内的数据按照时间从小到大排列，再按日期从小到大把数据排列成横向数据 流量序列。
[0007] 在本申请一具体实施例中，所述步骤2具体包括： 选择小波神经网络算法作为横向预测算法，选择差分自回归移动平均（ARIM)算法作 为纵向预测算法； 利用横向流量数据序列对小波神经网络算法进行训练，得到横向流量预测模型； 利用纵向流量数据序列对差分自回归移动平均（ARIM)算法进行训练，得到纵向流量 预测模型； 确定横向、纵向单指数平滑算法参数。
[0008] 在本申请一具体实施例中，所述利用横向流量数据序列对小波神经网络算法进行 训练，包括： 1) 读取一组数据（Al Fl义...,N }; 2) 计算隐含层节点输出如式（1)，输出层节点输出入式（2)
炉为Morlet母小波基函数^x) = cosCL75)e_K2/2，>%为输入层节点到隐含层节点的连 接权值，Wft为隐含层节点到输出层的权值，七为小波基函数的伸缩因子，\为小波基函数 的平移因子； 3) 计算小波神经网络预测误差如式（3) e = V - (3) V为实际输出，7为预测输出； 4) 更新网络权值和小波基函数系数如式（4)到式（9)
5)若还有下一组数据，则读取下一组数据返回到I);若没有下一组数据则结束训练。
[0009]在本申请一具体实施例中，所述利用纵向流量数据序列对差分自回归移动平均 (ARIMA)算法进行训练，包括： 对每一组参数计算一个最小信息准则（AIC)值，选择最小信息准则（AIC)值最 小的一组参数为差分自回归移动平均（ARIM)算法的阶数。
[0010] 在本申请一具体实施例中，通过公式（10 )、（ 11)分别计算所述确定横向、纵向单指 数平滑算法参数
[0011] 在本申请一具体实施例中，所述步骤4具体包括： 首先，对t时刻到达的新数据，计算横向和纵向两个维度的数据流量预测模型在t时刻 的预测误差气，&，
式（12)、（ 13)中，巧和乃分别为！时刻横向和纵向预测的数据流量预测值，V,为^时刻 数据流量的真实值； 其次，用所述步骤2中得到的横向预测模型中数据流量预测模型和单指数平滑算法， 分别计算出横向数据流量预测值A+r和横向精确度指标用纵向预测模型中数据流量 预测模型和单指数算法，分别计算出纵向数据流量预测值乃+r和纵向精确度指标; 最后，选择精确度指标较小的维度所对应的数据流量预测值为最终预测输出。
【附图说明】
[0012] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他 的附图。
[0013] 图1是本申请中流量序列提取图； 图2是本申请中二维预测方法流程图； 图3是本申请中二维预测模型建立过程流程图； 图4是本申请中二维预测模型预测过程流程图。
【具体实施方式】
[0014] 本申请中公开一种电力综合业务网流量预测方法。由于电力综合业务网数据流量 曲线存在明显的日周期性，如图1所示，本发明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。由于横向数据序列具有明显的周期性趋势，所以本发明采用神经网 络算法来预测横向数据。纵向数据序列，趋势性不明显主要以随机波动为主，故本发明采用 线性预测算法类预测纵向数据。用横向流量序列训练建立一个神经网络预测模型，称为横 向预测。用纵向流量序列建立一个线性预测模型，称为纵向预测。横向预测，较好的捕获了 数据流量当天的趋势。纵向预测，能够很好地反映出电力综合业务网中的转折点的位置。本 发明提出一个二维流量预测方法，用横向预测和纵向预测前N(N为神经网络输入层节点数） 个时刻的预测误差的绝对值为输入值，利用单指数平滑算法给横向和纵向预测分别计算出 一个误差估计值称为精确度指标。通过比较横向和纵向预测的精确度指标，选择精确度指 标较小的维度对应的预测值为最终结果，合理的结合了两个维度预测模型的优点。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。
[0015] 当然，实施本申请的任一技术方案必不一定需要同时达到以上的所有优点。
[0016] 为了使本领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例 中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅 是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人 员所获得的所有其他实施例，都应当属于本申请保护的范围。
[0017] 本申请提供了一种电力综合业务网流量预测方法，其用于精确预测电力综合业务 网中的流量。
[0018] 本发明约定当前采样时刻为<，采样周期为r。
[0019] 如图2所示，本发明中提出的电力综合业务网流量预测方法，具体步骤如下： 步骤1 :从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据 序列。
[0020] 步骤2 :建立二维预测模型。
[0021] 步骤3 :读取I时刻新数据。
[0022] 步骤4 :利用二维预测模型对i+r时刻的流量数据进行预测并输出预测结果。
[0023] 步骤5:等待直到下一采样时刻返回步骤3。
[0024] 其中，步骤1的具体实现步骤包括： 1、从电力综合业务网流量数据库中，提取一段长时间的历史流量数据。
[0025] 2、定义采样间隔为Al (小时)，定义长周期为AT (小时)。长周期必须满足 M7 24d (免为正整数)，采样间隔必须满足24/Ai (F为小波神经网络输入层节点 数)。把不同日期同一时刻的流量数据，按照日期从小到大排列成纵向数据流量序列。把 每一天内的数据按照时间从小到大排列，再按日期从小到大把数据排列成横向数据流量序 列。具体，取值方法如附图1所示。
[0026] 如图3所示，步骤2具体实现步骤包括： 1、选择小波神经网络算法作为横向预测算法，选择差分自回归移动平均（ARIM)算法 作为纵向预测算法。小波神经网络输入层节点见与隐含层节点ilf之间满足，M= 2沒+1， 输出层节点为1个。差分自回归移动平均（ARIMA)算法通过最小信息准则（AIC)定阶。
[0027] 2、利用横向流量数据序列对小波神经网络算法进行训练，得到横向流量预测模 型。利用纵向流量数据序列对差分自回归移动平均（ARIMA)算法进行训练，得到纵向流量 预测模型。
[0028] 小波神经网络算法的训练过程： 1)读取一组数据（Al ...,N}。
[0029] 2)计算隐含