繆巍巍　吳海洋　施　健　呂順利

(1.江蘇省電力公司　南京　210024)(2.南京南瑞集團(tuán)公司　南京　210003)

?

基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測模型研究

繆巍巍1吳海洋1施健2呂順利2

(1.江蘇省電力公司南京210024)(2.南京南瑞集團(tuán)公司南京210003)

摘要論文根據(jù)時間序列分析理論,從專業(yè)設(shè)備網(wǎng)管所提供的網(wǎng)絡(luò)運行性能參數(shù)入手,應(yīng)用概率論和數(shù)理統(tǒng)計理論,提出了基于時間序列分解模型的趨勢預(yù)測算法,建立了基于時間序列變化分解的網(wǎng)絡(luò)性能特征量趨勢預(yù)測模型。通過實際采集的性能參數(shù)數(shù)據(jù)對分解模型和算法進(jìn)行了驗證,仿真結(jié)果表明,性能參數(shù)的預(yù)測趨勢與實際監(jiān)測趨勢具有很好的吻合性,具有較好的可行性和實用性,可為通信網(wǎng)絡(luò)狀態(tài)檢修提供技術(shù)支持和判斷依據(jù)。

關(guān)鍵詞電力通信網(wǎng); 性能參數(shù); 時間序列分解; 趨勢預(yù)測

Trend Forecast Model of Optical Transmission Network Based on Time Series Analysis

MIAO Weiwei1WU Haiyang1SHI Jian2LV Sunli2

(1. Jiangsu Provincial Power Company, Nanjing210024)(2. Nanjing NARI Group Corporation, Nanjing210003)

AbstractBased on time-series analysis theory, starting from characterization network operation state of performance parameters provided from professional equipment management, This paper is based on the theory of probability and statistics, the model is established to predict the trend of network performance characteristics based on the amount of sequence variation decomposition, a predictive algorithm is proposed based on the trend of time series decomposition model. The performance parameter data acquired on the decomposition model and algorithm are tested, results show that the forecasting trend and the actual monitoring trends are fitted well, it has good feasibility and practicability, which can provide technical support and judgment basis for condition based maintenance of communication network.

Key Wordspower communication network, performance parameter, time series analysis, trend forecast

Class NumberO141.4

1引言

電力通信網(wǎng)絡(luò)運行狀態(tài)的實時診斷直接關(guān)系到電力系統(tǒng)的安全穩(wěn)定運行。隨著電力企業(yè)智能電網(wǎng)和“三集五大”體系的全面推進(jìn),越來越多的電網(wǎng)運行控制業(yè)務(wù)與企業(yè)管理信息業(yè)務(wù)需要通過電力通信網(wǎng)進(jìn)行傳輸,使得電力系統(tǒng)對于通信網(wǎng)的依賴程度不斷加大,通信網(wǎng)的單點故障可能會對電力系統(tǒng)的安全生產(chǎn)造成不利影響。

傳統(tǒng)的電力通信網(wǎng)監(jiān)控與診斷主要是基于專業(yè)網(wǎng)絡(luò)管理系統(tǒng)提示的告警信息,但對于那些征兆不明顯、可能存在隱患的性能信息則缺乏有效的診斷手段。隨著電力通信網(wǎng)規(guī)模和專業(yè)網(wǎng)絡(luò)管理系統(tǒng)的不斷擴(kuò)大,原有的這種實時監(jiān)控和事后處理的診斷手段已無法滿足電力通信精益化管理的需要。通信運行維護(hù)人員不僅需要了解通信網(wǎng)絡(luò)當(dāng)前的運行狀態(tài),更希望了解網(wǎng)絡(luò)未來的運行趨勢以及運行狀態(tài)的變化,以便能夠合理調(diào)整通信設(shè)備的運行方式,并且可以科學(xué)地延長通信設(shè)備的維修間隔,最大限度地提高通信設(shè)備的效率[1]。因此,對電力通信網(wǎng)絡(luò)的運行狀態(tài)進(jìn)行預(yù)測,提前發(fā)現(xiàn)通信設(shè)備的潛伏性故障,對于降低通信設(shè)備檢修維護(hù)費用、提高通信網(wǎng)運行安全性和可靠性、減少網(wǎng)絡(luò)故障帶來的經(jīng)濟(jì)損失具有十分重要的意義。

本文從專業(yè)網(wǎng)絡(luò)管理系統(tǒng)提供的表征網(wǎng)絡(luò)運行狀態(tài)的性能參數(shù)入手,以概率論與數(shù)理統(tǒng)計理論為基礎(chǔ),通過構(gòu)建網(wǎng)絡(luò)趨勢預(yù)測模型,能準(zhǔn)確預(yù)測出通信網(wǎng)絡(luò)的運行狀態(tài),從而為基于設(shè)備狀態(tài)檢修的主動維護(hù)模式提供技術(shù)支撐。

2時序分析基本理論及方法

時間序列分析(Time Series Analysis)通過分析不同時刻變量的相關(guān)關(guān)系,揭示其與時間序列相關(guān)的結(jié)構(gòu)與規(guī)律,從而認(rèn)識產(chǎn)生時間序列系統(tǒng)的固有特性,掌握數(shù)據(jù)內(nèi)部系統(tǒng)與外部的聯(lián)系規(guī)律,從系統(tǒng)的過去值去預(yù)測與控制將來值。

在本文中,光傳輸網(wǎng)絡(luò)引入時序分析方法主要應(yīng)用于兩大方面。 1) 預(yù)測分析,針對某性能指標(biāo)的一般采集數(shù)據(jù),建立統(tǒng)計預(yù)測模型,從而預(yù)測該性能指標(biāo)在未來時刻的取值。 2) 識別分析,根據(jù)兩個不同時間序列的記錄值,建立統(tǒng)計分析模型,判斷其是否具有相同屬性;或者根據(jù)某個時間序列的記錄值分析判斷其是否具有某些指定的屬性。

設(shè)一組隨機(jī)變量值X1,…,Xn,其構(gòu)成的序列稱為隨機(jī)序列,用Xt(t=1,2,…,n)表示。如果下標(biāo)是整數(shù)變量,它代表時間間隔的時刻增長量,如第t時刻、第t天、第t次,稱這種隨機(jī)序列為時間序列[2~4]。

將某一特征量的數(shù)值按一定的時間間隔排列就可以得到該特征量數(shù)值的時間序列?，F(xiàn)實中監(jiān)測到的光傳輸網(wǎng)絡(luò)性能參數(shù)的時間序列變化受許多因素的影響,一方面因偶然的、非決定性的隨機(jī)因素影響表現(xiàn)出其隨機(jī)的波動性和不規(guī)則性,另一方面由于受到某些固定因素或周期性因素的、決定性的影響使其變化呈現(xiàn)出某種趨勢和一定的規(guī)律性。比如光傳輸網(wǎng)絡(luò)性能參數(shù)在監(jiān)測過程中受到某些隨機(jī)干擾,使得其特征量的數(shù)據(jù)表現(xiàn)出某種隨機(jī)的波動,同時在監(jiān)測過程中又受到某些周期性的運行條件影響,其數(shù)值波動會呈現(xiàn)周期性。當(dāng)監(jiān)測過程中光傳輸網(wǎng)絡(luò)受到某潛在故障的影響時,其性能參數(shù)數(shù)值通常會表現(xiàn)出某種持續(xù)上升或下降的趨勢。本文引入時間序列分解方法的目的,就是想通過分析并區(qū)分影響特征量數(shù)值變化的因素,并分別分析其對時間序列變動的規(guī)律,以揭示因通信設(shè)備潛在故障引起的長期趨勢變化規(guī)律,并預(yù)測其未來發(fā)展趨勢,為實行通信網(wǎng)絡(luò)狀態(tài)檢修提供技術(shù)支持。

根據(jù)影響通信網(wǎng)絡(luò)狀態(tài)監(jiān)測量時間序列的因素,時間序列的變化大體可分解為以下三種形式[5]:

1) 趨勢變動:指現(xiàn)象受固定因素影響隨時間變化朝著一定方向表現(xiàn)出持續(xù)穩(wěn)定地上升、下降或平穩(wěn)的趨勢。

2) 循環(huán)變動:指現(xiàn)象受周期性因素影響按某固定周期表現(xiàn)出的周期性波動。同樣,周期變動也是由于某些因素導(dǎo)致數(shù)據(jù)呈現(xiàn)周期性波動。

3) 隨機(jī)變動:指現(xiàn)象受偶然因素的影響而表現(xiàn)出的不規(guī)則波動。

時間序列分析的首要任務(wù)是通過對采集到的性能參數(shù)進(jìn)行分析,將時間序列中的趨勢項、周期項和隨機(jī)項分解出來。對分解的三種不同類型項分別建立不同的回歸模型,并通過己知性能參數(shù)數(shù)據(jù)進(jìn)行估計,最終實現(xiàn)基于時間序列的趨勢預(yù)測。

具體采用何種方法分析和評測時間序列中各因素的變動規(guī)律或變動特征主要取決于對三種變動因素之間相互關(guān)系的假設(shè)。通常時間序列各變動因素的關(guān)系主要有加法關(guān)系和乘法關(guān)系,相應(yīng)的形成了加法模型或乘法模型。

由于影響通信網(wǎng)絡(luò)監(jiān)測的性能參數(shù)特征量的因素是相互獨立的,因此,得到的預(yù)測量應(yīng)該是三種因素影響之和,可采用時間序列分析的加法模型:

Xt=Mt+St+It

(1)

3基于時序分析的趨勢預(yù)測模型

3.1趨勢項預(yù)測模型

對于趨勢項,通?？刹捎枚嘣€性回歸模型進(jìn)行估計和預(yù)測。多元線性回歸模型的一般形式為

y=μ0+μ1x1+…+μmxm+ε

(2)

其中μ0,μ1,…,μm是m+1個未知參數(shù),稱為回歸系數(shù),y稱為被解釋變量,而x1,x2,…,xm是m個采集得到的一般變量,即解釋變量。當(dāng)m=1時,即為一元線性回歸模型;m≥2時,則為多元線性回歸模型,ε表示隨機(jī)誤差。

對于我們獲得的N組監(jiān)測數(shù)據(jù),第i組可以表示為:yi=xi1,xi2,…,xim,其中i=1,2,3,…,n,則線性回歸模型可表示為

(3)

由于實際值與估計值之間存在殘差ei=yi-(μ0+μ1xi1+…+μmxim+εi),利用最小二乘估計法,使得殘差的平方和最小,提高估計值的精度:

∑ei2=∑(yi-(μ0+μ1xi1+…+μmxim+εi))2

(4)

其必要條件為

(5)

經(jīng)計算,式(4)可轉(zhuǎn)化為

(6)

(7)

3.2周期項預(yù)測模型

周期項具有周期變化特征,在某段時間內(nèi)不斷做著有規(guī)律的重復(fù),因此,相同相位上的點會在一個特定的值附近上下變動。對周期項St進(jìn)行分解,其相同相位上的數(shù)據(jù)點就構(gòu)成了序列。

設(shè)周期項序列為{T(t),t=1,2,…,N}[6],周期T=h,相同相位的數(shù)據(jù)點構(gòu)成同一列,則原序列可變換為如下矩陣:

(8)

把上述矩陣(8)按列向量拆分成h個不同相位的子序列,從而完成了周期內(nèi)的重構(gòu)。對每個子序列進(jìn)行建模,通過模擬相同相位在不同周期內(nèi)的變化規(guī)律,可以預(yù)測出此相位在下一周期的數(shù)據(jù)值,從而把多步預(yù)測轉(zhuǎn)化為單步預(yù)測。

3.3隨機(jī)項預(yù)測模型

時間序列中除了趨勢項和周期項以外,還可能存在某種平衡波動性,這種時間序列通常為平穩(wěn)序列。對于平穩(wěn)序列,可采用自回歸滑動平均模型(Auto-Regressive and Moving Average Model,ARMA)的時序分析方法來建模和預(yù)測。ARMA作為有限參數(shù)模型,只要確定有限個參數(shù),即可完全確定模型[7~10]。利用ARMA模型來計算隨機(jī)項下一時刻的預(yù)測值主要根據(jù)其t時刻之前的p個歷史值和q個誤差值線性計算得到。ARMA(p,g)模型具體可描述為

(9)

式(9)中V(t+1)為下一時刻隨機(jī)項的預(yù)測值,φ和θ為不等于零的待定系數(shù),p和q分別為ARMA模型自回歸階數(shù)和移動平均階數(shù);V(t+1-i)為在t時刻前的隨機(jī)項測量值,ε(t+1-j)為t時刻前的隨機(jī)項預(yù)測誤差項。因此,隨機(jī)項預(yù)測模型中最重要的是確定模型參數(shù)p與階次q的值。

對于階次q的取值,當(dāng)時間序列的自相關(guān)系數(shù)在某d階后有近95%的數(shù)值均落在2倍標(biāo)準(zhǔn)差范圍內(nèi),且自相關(guān)系數(shù)的衰減為小值的波動過程,則可認(rèn)為模型階數(shù)為此d值。

對于模型參數(shù)p的取值,通過采集N個樣本數(shù)據(jù),利用最小二乘回歸法估計,取得殘差值為

(10)

模型參數(shù)p與階次q的值確定后,則可根據(jù)歷史數(shù)據(jù)對隨機(jī)項進(jìn)行預(yù)測。

4算法的仿真實現(xiàn)與分析

4.1算法

基于時間序列的趨勢預(yù)測算法,采用時間序列預(yù)測步驟如圖1所示。

1) 網(wǎng)管性能參數(shù)篩選。依據(jù)有關(guān)的權(quán)威國家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)、現(xiàn)場的實驗數(shù)據(jù)、大量的文獻(xiàn)資料以及專家的建議等,選擇能夠反映網(wǎng)絡(luò)運行狀態(tài)的網(wǎng)管性能參數(shù)。

2) 網(wǎng)管性能數(shù)據(jù)獲取。通過光傳輸設(shè)備網(wǎng)管的北向接口獲取指定的網(wǎng)管性能數(shù)據(jù)。

3) 時間序列形成。在采樣周期內(nèi)不間斷采集網(wǎng)管性能數(shù)據(jù),按一定的時間間隔排列成某性能參數(shù)特征量數(shù)值的時間序列。

4) 時間序列分解。通過對時間序列樣本的分析,分解出時間序列中的趨勢項、周期項和隨機(jī)項。

5) 分項預(yù)測值計算。針對三種不同類型的分解項,根據(jù)各自的預(yù)測模型分別估算預(yù)測值。

6) 最終預(yù)測值計算。根據(jù)時間序列加法模型,計算最終的預(yù)測值,并與真實值進(jìn)行交叉驗證。

圖1　趨勢預(yù)測模型算法流程圖

4.2仿真結(jié)果

在光傳輸設(shè)備中,對通信網(wǎng)絡(luò)運行狀態(tài)及承載的業(yè)務(wù)質(zhì)量有影響的性能參數(shù)包括背景塊誤碼、誤碼塊、誤碼秒、誤碼率、不可用秒、嚴(yán)重誤碼秒、連續(xù)嚴(yán)重誤碼秒、FEC糾正字節(jié)計數(shù)、FEC不能糾正的幀計數(shù)、CRC校驗錯、指針調(diào)整計數(shù)、保護(hù)倒換計數(shù)、工作溫度、輸入光功率、輸出光功率、激光器偏置電流等。其中,誤碼率和光功率是衡量通信網(wǎng)絡(luò)信號傳輸質(zhì)量的重要指標(biāo)。

本節(jié)以一個實際的某省電力通信網(wǎng)光傳輸設(shè)備的光功率發(fā)送值為例,時間段為一年內(nèi)的特征值,采集周期為24小時,共獲取了365組數(shù)據(jù)。原始數(shù)據(jù)曲線圖如圖2所示。

圖2　原始數(shù)據(jù)曲線圖

基于時間序列的趨勢預(yù)測算法,采用時間序列預(yù)測步驟如下:

1) 趨勢項Mt通過滑動平均算法分解得到,再進(jìn)行多項式最小二乘回歸得到趨勢項的預(yù)測數(shù)據(jù),其中階次選擇8次。

2) 周期項St通過多周期疊加平均得到,再使用延拓方法進(jìn)行后續(xù)周期數(shù)據(jù)的預(yù)測。

3) 隨機(jī)項It通過Xt-Mt+St得到,再使用ARMA(p,g)模型(自回歸滑動平均模型)得到隨機(jī)項的預(yù)測數(shù)據(jù)。

4) 通過時間序列加法模型Xt(l)=Mt(l)+St(l)+It(l),得到最終的預(yù)測值。并通過交叉對比驗證預(yù)測方法的精確性。

圖3　預(yù)測數(shù)據(jù)與真實數(shù)據(jù)比較圖

由圖可見,預(yù)測趨勢與實際監(jiān)測趨勢吻合度較高,具有較好的實用性。

5結(jié)語

現(xiàn)有的故障診斷理念是基于故障征兆,利用狀態(tài)監(jiān)測得到的特征參數(shù)與故障知識庫中的故障征兆進(jìn)行分類、比對等手段,識別設(shè)備故障,判斷設(shè)備故障發(fā)生部位、故障性質(zhì)和程度及產(chǎn)生原因等,進(jìn)一步預(yù)測設(shè)備故障的發(fā)展趨勢。

本文從研究通信網(wǎng)絡(luò)正常運行狀態(tài)的特征參數(shù)入手,根據(jù)通信網(wǎng)絡(luò)性能參數(shù)的時間序列特性,建立了基于時間序列變化分解的通信網(wǎng)絡(luò)性能量趨勢預(yù)測模型,提出了基于時間序列分解模型的趨勢預(yù)測的算法。采用通信網(wǎng)絡(luò)實際采集的實時性

能數(shù)據(jù)對分解模型和算法進(jìn)行了驗證,結(jié)果表明,預(yù)測趨勢與實際監(jiān)測趨勢具有很好的吻合性,可滿足通信網(wǎng)絡(luò)監(jiān)測特征量的定量趨勢預(yù)測,對早期預(yù)警網(wǎng)絡(luò)中可能存在的潛在異常,具有很好的實用性和應(yīng)用前景。

參 考 文 獻(xiàn)

[1] Zhu Li, Qin Lei, Xue Kouying. A Novel BP Neural Network Model for Traffic Prediction of Next Generation Network[C]//International Conference on Natural Computation, Tianjin China IEEE,2009:32-38.

[2] LI Shu-hui, WUNSCH D C, O’HAIR E A. Using neural networks to estimate wind turbine power generation[J]. IEEE Transactions on Energy Conversion,2001,(3):276-282.

[3] Billinton R, CHEN H, GHAJAR R. Time-series models for reliability evaluation of power systems including wind energy[J]. Microelectronics Reliability,1996,(9):1253-1261.

[4] Wang P, BILLINTON R. Time-sequential simulation technique for rural distribution system reliability cost/worth evaluation including wind generation as alternative supply[J]. IEE Proceedings-Generation Transmission and Distribution,2001,(4):355-360.

[5] 呂林濤,王鵬,李軍懷,等.基于時間序列的趨勢性分析及其預(yù)測算法研究[J].計算機(jī)工程與應(yīng)用,2004,19:173.

LV Lintao, WANG Peng, LI Junhuai, et al. Research on the Trend Analysis and Predictive Algorithm Based on Time Series[J]. Computer Engineering and Applications,2004,19:173.

[6] 宋仙磊,劉業(yè)政,陳思風(fēng).基于周期項方法選擇的季節(jié)性時序預(yù)測[J].計算機(jī)工程,2011,37(21):132,135.

SONG Xianlei, LIU Yezheng, CHEN Sifeng. Seasonal Time Series Forecasting Based on Seasonality Method Selection[J]. Computer Engineering,2011,37(21):132,135.

[7] 丁明,張立軍,吳義純.基于時間序列分析的風(fēng)電場風(fēng)速預(yù)測模型[J].電力自動化設(shè)備,2005,25(8):32-34.

DING Ming, ZHANG Lijun, WU Yichun. Wind speed forecast model for wind farms based on time series analysis[J]. Electric Power Automation Equipment,2005,25(8):32-34.

[8] Box G E P, Jenkins G M. Time series analysis: Forecasting and control[M]. San Francisco: Holden-Day,1976.

[9] 高俊芳,吳清.時間序列ARMA模型及其應(yīng)用[J].上海工程技術(shù)大學(xué)學(xué)報,1996,(10):68-73.

GAO Junfang, WU Qing. ARMA’s modeling the time series and its application[J]. Journal of Shanghai University of Engineering Science,1996,(10):68-73.

[10] 許國輝,余春林.時間序列分析方法的研究[J].廣州大學(xué)學(xué)報(自然科學(xué)版),2003,(6):556-559.

XU Guohui, YU Chunli. A study on time series analysis method[J]. Journal of Guangzhou University(Natural Science Edition),2003,(6):556-559.

中圖分類號O141.4

DOI:10.3969/j.issn.1672-9722.2016.01.019

作者簡介:繆巍巍,男,碩士,高級工程師,研究方向:電力通信傳輸網(wǎng)絡(luò)、智能電網(wǎng)、通信網(wǎng)絡(luò)運維。吳海洋,男,博士,工程師,研究方向:電力通信網(wǎng)絡(luò)、模式識別、信號處理。施健,男,碩士,高級工程師,研究方向:通信網(wǎng)管、專家系統(tǒng)。呂順利,男,碩士,高級工程師,研究方向:電力自動化、智能電網(wǎng)、通信運維。

收稿日期:2015年7月5日,修回日期:2015年8月25日