一種電力綜合業(yè)務(wù)網(wǎng)流量預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本申請(qǐng)涉及智能電網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種電力綜合業(yè)務(wù)網(wǎng)的流量預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 隨著智能電網(wǎng)建設(shè)的不斷深入，如變電站無(wú)人值守、營(yíng)業(yè)廳的擴(kuò)建、網(wǎng)上辦公業(yè)務(wù) 等，極大地增加了電力綜合業(yè)務(wù)網(wǎng)的數(shù)據(jù)流量。對(duì)電力綜合業(yè)務(wù)網(wǎng)中的數(shù)據(jù)流量進(jìn)行精確 預(yù)測(cè)實(shí)現(xiàn)流量預(yù)警，對(duì)綜合業(yè)務(wù)網(wǎng)的運(yùn)營(yíng)維護(hù)和通信資源的擴(kuò)建有著重要的理論指導(dǎo)意 義。
[0003] 現(xiàn)有的電力綜合業(yè)務(wù)網(wǎng)的數(shù)據(jù)流量預(yù)測(cè)算法可分為兩類(lèi)。第一類(lèi)預(yù)測(cè)算法從公共 互聯(lián)網(wǎng)中流量預(yù)測(cè)模型中，選取和組合后，直接用于電力綜合業(yè)務(wù)網(wǎng)的數(shù)據(jù)流量預(yù)測(cè)。這類(lèi) 預(yù)測(cè)模型繼續(xù)使用公共互聯(lián)網(wǎng)流量預(yù)測(cè)模型中，針對(duì)流量的自相似性、高復(fù)雜性建立的模 型，并在實(shí)際預(yù)測(cè)中獲得了較好的預(yù)測(cè)精度?？紤]到電力綜合業(yè)務(wù)網(wǎng)中流量特性與公共互 聯(lián)網(wǎng)流量特性相比復(fù)雜度較低，第二類(lèi)預(yù)測(cè)算法提出了一些簡(jiǎn)化的預(yù)測(cè)模型。這類(lèi)算法著 重考慮了降低算法的復(fù)雜度，在保證一定的精度前提下，減少預(yù)測(cè)模型的計(jì)算開(kāi)銷(xiāo)。主要基 于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法，典型的有：簡(jiǎn)化粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法、簡(jiǎn)化模糊邏輯神經(jīng)網(wǎng)絡(luò)算 法等。這兩類(lèi)算法建立模型過(guò)程中使用的歷史時(shí)間序列，為同一日期不同時(shí)刻的流量數(shù)據(jù) 即橫向流量序列，或者不同日期同一時(shí)刻的流量數(shù)據(jù)即縱向流量序列中的一種，兩種流量 序列的提取如附圖1所示。
[0004] 然而，現(xiàn)有預(yù)測(cè)算法，使用的是由等間隔歷史采樣數(shù)據(jù)組成的流量序列，進(jìn)行建模 和訓(xùn)練。這使得所得到的預(yù)測(cè)模型遇到轉(zhuǎn)折點(diǎn)時(shí)預(yù)測(cè)曲線相比實(shí)際數(shù)據(jù)流量曲線存在明顯 的遲滯現(xiàn)象，從而轉(zhuǎn)折點(diǎn)處存在較大的預(yù)測(cè)誤差。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本申請(qǐng)?zhí)峁┮环N電力綜合業(yè)務(wù)網(wǎng)流量預(yù)測(cè)方法，其特征在于，所述方法 包括： 步驟1 :從電力綜合業(yè)務(wù)網(wǎng)流量數(shù)據(jù)庫(kù)中，提取出橫向流量數(shù)據(jù)序列和縱向流量數(shù)據(jù) 序列； 步驟2 :建立二維預(yù)測(cè)模型； 步驟3 :讀取I時(shí)刻的新數(shù)據(jù)，其中t當(dāng)前采樣時(shí)刻； 步驟4 :利用二維預(yù)測(cè)模型對(duì)〗+T時(shí)刻的流量數(shù)據(jù)進(jìn)行預(yù)測(cè)并輸出預(yù)測(cè)結(jié)果，其中T 為采樣周期； 步驟5 :等待直到下一采樣時(shí)刻返回步驟3。
[0006] 在本申請(qǐng)一具體實(shí)施例中，所述步驟1具體包括： 從電力綜合業(yè)務(wù)網(wǎng)流量數(shù)據(jù)庫(kù)中，提取一段長(zhǎng)時(shí)間的歷史流量數(shù)據(jù)； 把不同日期同一時(shí)刻的流量數(shù)據(jù)，按照日期從小到大排列成縱向數(shù)據(jù)流量序列； 把每一天內(nèi)的數(shù)據(jù)按照時(shí)間從小到大排列，再按日期從小到大把數(shù)據(jù)排列成橫向數(shù)據(jù) 流量序列。
[0007] 在本申請(qǐng)一具體實(shí)施例中，所述步驟2具體包括： 選擇小波神經(jīng)網(wǎng)絡(luò)算法作為橫向預(yù)測(cè)算法，選擇差分自回歸移動(dòng)平均（ARIM)算法作 為縱向預(yù)測(cè)算法； 利用橫向流量數(shù)據(jù)序列對(duì)小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，得到橫向流量預(yù)測(cè)模型； 利用縱向流量數(shù)據(jù)序列對(duì)差分自回歸移動(dòng)平均（ARIM)算法進(jìn)行訓(xùn)練，得到縱向流量 預(yù)測(cè)模型； 確定橫向、縱向單指數(shù)平滑算法參數(shù)。
[0008] 在本申請(qǐng)一具體實(shí)施例中，所述利用橫向流量數(shù)據(jù)序列對(duì)小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行 訓(xùn)練，包括： 1) 讀取一組數(shù)據(jù)（Al Fl義...,N }; 2) 計(jì)算隱含層節(jié)點(diǎn)輸出如式（1)，輸出層節(jié)點(diǎn)輸出入式（2)
爐為Morlet母小波基函數(shù)^x) = cosCL75)e_K2/2，>%為輸入層節(jié)點(diǎn)到隱含層節(jié)點(diǎn)的連 接權(quán)值，Wft為隱含層節(jié)點(diǎn)到輸出層的權(quán)值，七為小波基函數(shù)的伸縮因子，\為小波基函數(shù) 的平移因子； 3) 計(jì)算小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差如式（3) e = V - (3) V為實(shí)際輸出，7為預(yù)測(cè)輸出； 4) 更新網(wǎng)絡(luò)權(quán)值和小波基函數(shù)系數(shù)如式（4)到式（9)
5)若還有下一組數(shù)據(jù)，則讀取下一組數(shù)據(jù)返回到I);若沒(méi)有下一組數(shù)據(jù)則結(jié)束訓(xùn)練。
[0009]在本申請(qǐng)一具體實(shí)施例中，所述利用縱向流量數(shù)據(jù)序列對(duì)差分自回歸移動(dòng)平均 (ARIMA)算法進(jìn)行訓(xùn)練，包括： 對(duì)每一組參數(shù)計(jì)算一個(gè)最小信息準(zhǔn)則（AIC)值，選擇最小信息準(zhǔn)則（AIC)值最 小的一組參數(shù)為差分自回歸移動(dòng)平均（ARIM)算法的階數(shù)。
[0010] 在本申請(qǐng)一具體實(shí)施例中，通過(guò)公式（10 )、（ 11)分別計(jì)算所述確定橫向、縱向單指 數(shù)平滑算法參數(shù)
[0011] 在本申請(qǐng)一具體實(shí)施例中，所述步驟4具體包括： 首先，對(duì)t時(shí)刻到達(dá)的新數(shù)據(jù)，計(jì)算橫向和縱向兩個(gè)維度的數(shù)據(jù)流量預(yù)測(cè)模型在t時(shí)刻 的預(yù)測(cè)誤差氣，&，
式（12)、（ 13)中，巧和乃分別為！時(shí)刻橫向和縱向預(yù)測(cè)的數(shù)據(jù)流量預(yù)測(cè)值，V,為^時(shí)刻 數(shù)據(jù)流量的真實(shí)值； 其次，用所述步驟2中得到的橫向預(yù)測(cè)模型中數(shù)據(jù)流量預(yù)測(cè)模型和單指數(shù)平滑算法， 分別計(jì)算出橫向數(shù)據(jù)流量預(yù)測(cè)值A(chǔ)+r和橫向精確度指標(biāo)用縱向預(yù)測(cè)模型中數(shù)據(jù)流量 預(yù)測(cè)模型和單指數(shù)算法，分別計(jì)算出縱向數(shù)據(jù)流量預(yù)測(cè)值乃+r和縱向精確度指標(biāo); 最后，選擇精確度指標(biāo)較小的維度所對(duì)應(yīng)的數(shù)據(jù)流量預(yù)測(cè)值為最終預(yù)測(cè)輸出。
【附圖說(shuō)明】
[0012] 為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 申請(qǐng)中記載的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，還可以根據(jù)這些附圖獲得其他 的附圖。
[0013] 圖1是本申請(qǐng)中流量序列提取圖； 圖2是本申請(qǐng)中二維預(yù)測(cè)方法流程圖； 圖3是本申請(qǐng)中二維預(yù)測(cè)模型建立過(guò)程流程圖； 圖4是本申請(qǐng)中二維預(yù)測(cè)模型預(yù)測(cè)過(guò)程流程圖。
【具體實(shí)施方式】
[0014] 本申請(qǐng)中公開(kāi)一種電力綜合業(yè)務(wù)網(wǎng)流量預(yù)測(cè)方法。由于電力綜合業(yè)務(wù)網(wǎng)數(shù)據(jù)流量 曲線存在明顯的日周期性，如圖1所示，本發(fā)明通過(guò)充分利用歷史數(shù)據(jù)，將歷史數(shù)據(jù)提取出 橫向和縱向兩個(gè)維度。由于橫向數(shù)據(jù)序列具有明顯的周期性趨勢(shì)，所以本發(fā)明采用神經(jīng)網(wǎng) 絡(luò)算法來(lái)預(yù)測(cè)橫向數(shù)據(jù)?？v向數(shù)據(jù)序列，趨勢(shì)性不明顯主要以隨機(jī)波動(dòng)為主，故本發(fā)明采用 線性預(yù)測(cè)算法類(lèi)預(yù)測(cè)縱向數(shù)據(jù)。用橫向流量序列訓(xùn)練建立一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，稱(chēng)為橫 向預(yù)測(cè)。用縱向流量序列建立一個(gè)線性預(yù)測(cè)模型，稱(chēng)為縱向預(yù)測(cè)。橫向預(yù)測(cè)，較好的捕獲了 數(shù)據(jù)流量當(dāng)天的趨勢(shì)?？v向預(yù)測(cè)，能夠很好地反映出電力綜合業(yè)務(wù)網(wǎng)中的轉(zhuǎn)折點(diǎn)的位置。本 發(fā)明提出一個(gè)二維流量預(yù)測(cè)方法，用橫向預(yù)測(cè)和縱向預(yù)測(cè)前N(N為神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)） 個(gè)時(shí)刻的預(yù)測(cè)誤差的絕對(duì)值為輸入值，利用單指數(shù)平滑算法給橫向和縱向預(yù)測(cè)分別計(jì)算出 一個(gè)誤差估計(jì)值稱(chēng)為精確度指標(biāo)。通過(guò)比較橫向和縱向預(yù)測(cè)的精確度指標(biāo)，選擇精確度指 標(biāo)較小的維度對(duì)應(yīng)的預(yù)測(cè)值為最終結(jié)果，合理的結(jié)合了兩個(gè)維度預(yù)測(cè)模型的優(yōu)點(diǎn)。該方法 能在轉(zhuǎn)折點(diǎn)處得到比現(xiàn)有預(yù)測(cè)算法更高的預(yù)測(cè)精度。
[0015] 當(dāng)然，實(shí)施本申請(qǐng)的任一技術(shù)方案必不一定需要同時(shí)達(dá)到以上的所有優(yōu)點(diǎn)。
[0016] 為了使本領(lǐng)域的人員更好地理解本申請(qǐng)中的技術(shù)方案，下面將結(jié)合本申請(qǐng)實(shí)施例 中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅 是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人 員所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本申請(qǐng)保護(hù)的范圍。
[0017] 本申請(qǐng)?zhí)峁┝艘环N電力綜合業(yè)務(wù)網(wǎng)流量預(yù)測(cè)方法，其用于精確預(yù)測(cè)電力綜合業(yè)務(wù) 網(wǎng)中的流量。
[0018] 本發(fā)明約定當(dāng)前采樣時(shí)刻為<，采樣周期為r。
[0019] 如圖2所示，本發(fā)明中提出的電力綜合業(yè)務(wù)網(wǎng)流量預(yù)測(cè)方法，具體步驟如下： 步驟1 :從電力綜合業(yè)務(wù)網(wǎng)流量數(shù)據(jù)庫(kù)中，提取出橫向流量數(shù)據(jù)序列和縱向流量數(shù)據(jù) 序列。
[0020] 步驟2 :建立二維預(yù)測(cè)模型。
[0021] 步驟3 :讀取I時(shí)刻新數(shù)據(jù)。
[0022] 步驟4 :利用二維預(yù)測(cè)模型對(duì)i+r時(shí)刻的流量數(shù)據(jù)進(jìn)行預(yù)測(cè)并輸出預(yù)測(cè)結(jié)果。
[0023] 步驟5:等待直到下一采樣時(shí)刻返回步驟3。
[0024] 其中，步驟1的具體實(shí)現(xiàn)步驟包括： 1、從電力綜合業(yè)務(wù)網(wǎng)流量數(shù)據(jù)庫(kù)中，提取一段長(zhǎng)時(shí)間的歷史流量數(shù)據(jù)。
[0025] 2、定義采樣間隔為Al (小時(shí))，定義長(zhǎng)周期為AT (小時(shí))。長(zhǎng)周期必須滿足 M7 24d (免為正整數(shù))，采樣間隔必須滿足24/Ai (F為小波神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn) 數(shù))。把不同日期同一時(shí)刻的流量數(shù)據(jù)，按照日期從小到大排列成縱向數(shù)據(jù)流量序列。把 每一天內(nèi)的數(shù)據(jù)按照時(shí)間從小到大排列，再按日期從小到大把數(shù)據(jù)排列成橫向數(shù)據(jù)流量序 列。具體，取值方法如附圖1所示。
[0026] 如圖3所示，步驟2具體實(shí)現(xiàn)步驟包括： 1、選擇小波神經(jīng)網(wǎng)絡(luò)算法作為橫向預(yù)測(cè)算法，選擇差分自回歸移動(dòng)平均（ARIM)算法 作為縱向預(yù)測(cè)算法。小波神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)見(jiàn)與隱含層節(jié)點(diǎn)ilf之間滿足，M= 2沒(méi)+1， 輸出層節(jié)點(diǎn)為1個(gè)。差分自回歸移動(dòng)平均（ARIMA)算法通過(guò)最小信息準(zhǔn)則（AIC)定階。
[0027] 2、利用橫向流量數(shù)據(jù)序列對(duì)小波神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，得到橫向流量預(yù)測(cè)模 型。利用縱向流量數(shù)據(jù)序列對(duì)差分自回歸移動(dòng)平均（ARIMA)算法進(jìn)行訓(xùn)練，得到縱向流量 預(yù)測(cè)模型。
[0028] 小波神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練過(guò)程： 1)讀取一組數(shù)據(jù)（Al ...,N}。
[0029] 2)計(jì)算隱含