基于时序分析的光传输网络趋势预测模型研究

缪巍巍　吴海洋　施　健　吕顺利

(1.江苏省电力公司　南京　210024)(2.南京南瑞集团公司　南京　210003)



基于时序分析的光传输网络趋势预测模型研究

缪巍巍1吴海洋1施健2吕顺利2

(1.江苏省电力公司南京210024)(2.南京南瑞集团公司南京210003)

摘要论文根据时间序列分析理论,从专业设备网管所提供的网络运行性能参数入手,应用概率论和数理统计理论,提出了基于时间序列分解模型的趋势预测算法,建立了基于时间序列变化分解的网络性能特征量趋势预测模型。通过实际采集的性能参数数据对分解模型和算法进行了验证,仿真结果表明,性能参数的预测趋势与实际监测趋势具有很好的吻合性,具有较好的可行性和实用性,可为通信网络状态检修提供技术支持和判断依据。

关键词电力通信网; 性能参数; 时间序列分解; 趋势预测

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

电力通信网络运行状态的实时诊断直接关系到电力系统的安全稳定运行。随着电力企业智能电网和“三集五大”体系的全面推进,越来越多的电网运行控制业务与企业管理信息业务需要通过电力通信网进行传输,使得电力系统对于通信网的依赖程度不断加大,通信网的单点故障可能会对电力系统的安全生产造成不利影响。

传统的电力通信网监控与诊断主要是基于专业网络管理系统提示的告警信息,但对于那些征兆不明显、可能存在隐患的性能信息则缺乏有效的诊断手段。随着电力通信网规模和专业网络管理系统的不断扩大,原有的这种实时监控和事后处理的诊断手段已无法满足电力通信精益化管理的需要。通信运行维护人员不仅需要了解通信网络当前的运行状态,更希望了解网络未来的运行趋势以及运行状态的变化,以便能够合理调整通信设备的运行方式,并且可以科学地延长通信设备的维修间隔,最大限度地提高通信设备的效率[1]。因此,对电力通信网络的运行状态进行预测,提前发现通信设备的潜伏性故障,对于降低通信设备检修维护费用、提高通信网运行安全性和可靠性、减少网络故障带来的经济损失具有十分重要的意义。

本文从专业网络管理系统提供的表征网络运行状态的性能参数入手,以概率论与数理统计理论为基础,通过构建网络趋势预测模型,能准确预测出通信网络的运行状态,从而为基于设备状态检修的主动维护模式提供技术支撑。

2时序分析基本理论及方法

时间序列分析(Time Series Analysis)通过分析不同时刻变量的相关关系,揭示其与时间序列相关的结构与规律,从而认识产生时间序列系统的固有特性,掌握数据内部系统与外部的联系规律,从系统的过去值去预测与控制将来值。

在本文中,光传输网络引入时序分析方法主要应用于两大方面。 1) 预测分析,针对某性能指标的一般采集数据,建立统计预测模型,从而预测该性能指标在未来时刻的取值。 2) 识别分析,根据两个不同时间序列的记录值,建立统计分析模型,判断其是否具有相同属性;或者根据某个时间序列的记录值分析判断其是否具有某些指定的属性。

设一组随机变量值X1,…,Xn,其构成的序列称为随机序列,用Xt(t=1,2,…,n)表示。如果下标是整数变量,它代表时间间隔的时刻增长量,如第t时刻、第t天、第t次,称这种随机序列为时间序列[2~4]。

将某一特征量的数值按一定的时间间隔排列就可以得到该特征量数值的时间序列。现实中监测到的光传输网络性能参数的时间序列变化受许多因素的影响,一方面因偶然的、非决定性的随机因素影响表现出其随机的波动性和不规则性,另一方面由于受到某些固定因素或周期性因素的、决定性的影响使其变化呈现出某种趋势和一定的规律性。比如光传输网络性能参数在监测过程中受到某些随机干扰,使得其特征量的数据表现出某种随机的波动,同时在监测过程中又受到某些周期性的运行条件影响,其数值波动会呈现周期性。当监测过程中光传输网络受到某潜在故障的影响时,其性能参数数值通常会表现出某种持续上升或下降的趋势。本文引入时间序列分解方法的目的,就是想通过分析并区分影响特征量数值变化的因素,并分别分析其对时间序列变动的规律,以揭示因通信设备潜在故障引起的长期趋势变化规律,并预测其未来发展趋势,为实行通信网络状态检修提供技术支持。

根据影响通信网络状态监测量时间序列的因素,时间序列的变化大体可分解为以下三种形式[5]:

1) 趋势变动:指现象受固定因素影响随时间变化朝着一定方向表现出持续稳定地上升、下降或平稳的趋势。

2) 循环变动:指现象受周期性因素影响按某固定周期表现出的周期性波动。同样,周期变动也是由于某些因素导致数据呈现周期性波动。

3) 随机变动:指现象受偶然因素的影响而表现出的不规则波动。

时间序列分析的首要任务是通过对采集到的性能参数进行分析,将时间序列中的趋势项、周期项和随机项分解出来。对分解的三种不同类型项分别建立不同的回归模型,并通过己知性能参数数据进行估计,最终实现基于时间序列的趋势预测。

具体采用何种方法分析和评测时间序列中各因素的变动规律或变动特征主要取决于对三种变动因素之间相互关系的假设。通常时间序列各变动因素的关系主要有加法关系和乘法关系,相应的形成了加法模型或乘法模型。

由于影响通信网络监测的性能参数特征量的因素是相互独立的,因此,得到的预测量应该是三种因素影响之和,可采用时间序列分析的加法模型:

Xt=Mt+St+It

(1)

3基于时序分析的趋势预测模型

3.1趋势项预测模型

对于趋势项,通常可采用多元线性回归模型进行估计和预测。多元线性回归模型的一般形式为

y=μ0+μ1x1+…+μmxm+ε

(2)

其中μ0,μ1,…,μm是m+1个未知参数,称为回归系数,y称为被解释变量,而x1,x2,…,xm是m个采集得到的一般变量,即解释变量。当m=1时,即为一元线性回归模型;m≥2时,则为多元线性回归模型,ε表示随机误差。

对于我们获得的N组监测数据,第i组可以表示为:yi=xi1,xi2,…,xim,其中i=1,2,3,…,n,则线性回归模型可表示为

(3)

由于实际值与估计值之间存在残差ei=yi-(μ0+μ1xi1+…+μmxim+εi),利用最小二乘估计法,使得残差的平方和最小,提高估计值的精度:

∑ei2=∑(yi-(μ0+μ1xi1+…+μmxim+εi))2

(4)

其必要条件为

(5)

经计算,式(4)可转化为

(6)

(7)

3.2周期项预测模型

周期项具有周期变化特征,在某段时间内不断做着有规律的重复,因此,相同相位上的点会在一个特定的值附近上下变动。对周期项St进行分解,其相同相位上的数据点就构成了序列。

设周期项序列为{T(t),t=1,2,…,N}[6],周期T=h,相同相位的数据点构成同一列,则原序列可变换为如下矩阵:

(8)

把上述矩阵(8)按列向量拆分成h个不同相位的子序列,从而完成了周期内的重构。对每个子序列进行建模,通过模拟相同相位在不同周期内的变化规律,可以预测出此相位在下一周期的数据值,从而把多步预测转化为单步预测。

3.3随机项预测模型

时间序列中除了趋势项和周期项以外,还可能存在某种平衡波动性,这种时间序列通常为平稳序列。对于平稳序列,可采用自回归滑动平均模型(Auto-Regressive and Moving Average Model,ARMA)的时序分析方法来建模和预测。ARMA作为有限参数模型,只要确定有限个参数,即可完全确定模型[7~10]。利用ARMA模型来计算随机项下一时刻的预测值主要根据其t时刻之前的p个历史值和q个误差值线性计算得到。ARMA(p,g)模型具体可描述为

(9)

式(9)中V(t+1)为下一时刻随机项的预测值,φ和θ为不等于零的待定系数,p和q分别为ARMA模型自回归阶数和移动平均阶数;V(t+1-i)为在t时刻前的随机项测量值,ε(t+1-j)为t时刻前的随机项预测误差项。因此,随机项预测模型中最重要的是确定模型参数p与阶次q的值。

对于阶次q的取值,当时间序列的自相关系数在某d阶后有近95%的数值均落在2倍标准差范围内,且自相关系数的衰减为小值的波动过程,则可认为模型阶数为此d值。

对于模型参数p的取值,通过采集N个样本数据,利用最小二乘回归法估计,取得残差值为

(10)

模型参数p与阶次q的值确定后,则可根据历史数据对随机项进行预测。

4算法的仿真实现与分析

4.1算法

基于时间序列的趋势预测算法,采用时间序列预测步骤如图1所示。

1) 网管性能参数筛选。依据有关的权威国家标准和行业标准、现场的实验数据、大量的文献资料以及专家的建议等,选择能够反映网络运行状态的网管性能参数。

2) 网管性能数据获取。通过光传输设备网管的北向接口获取指定的网管性能数据。

3) 时间序列形成。在采样周期内不间断采集网管性能数据,按一定的时间间隔排列成某性能参数特征量数值的时间序列。

4) 时间序列分解。通过对时间序列样本的分析,分解出时间序列中的趋势项、周期项和随机项。

5) 分项预测值计算。针对三种不同类型的分解项,根据各自的预测模型分别估算预测值。

6) 最终预测值计算。根据时间序列加法模型,计算最终的预测值,并与真实值进行交叉验证。

图1　趋势预测模型算法流程图

4.2仿真结果

在光传输设备中,对通信网络运行状态及承载的业务质量有影响的性能参数包括背景块误码、误码块、误码秒、误码率、不可用秒、严重误码秒、连续严重误码秒、FEC纠正字节计数、FEC不能纠正的帧计数、CRC校验错、指针调整计数、保护倒换计数、工作温度、输入光功率、输出光功率、激光器偏置电流等。其中,误码率和光功率是衡量通信网络信号传输质量的重要指标。

本节以一个实际的某省电力通信网光传输设备的光功率发送值为例,时间段为一年内的特征值,采集周期为24小时,共获取了365组数据。原始数据曲线图如图2所示。

图2　原始数据曲线图

基于时间序列的趋势预测算法,采用时间序列预测步骤如下:

1) 趋势项Mt通过滑动平均算法分解得到,再进行多项式最小二乘回归得到趋势项的预测数据,其中阶次选择8次。

2) 周期项St通过多周期叠加平均得到,再使用延拓方法进行后续周期数据的预测。

3) 随机项It通过Xt-Mt+St得到,再使用ARMA(p,g)模型(自回归滑动平均模型)得到随机项的预测数据。

4) 通过时间序列加法模型Xt(l)=Mt(l)+St(l)+It(l),得到最终的预测值。并通过交叉对比验证预测方法的精确性。

图3　预测数据与真实数据比较图

由图可见,预测趋势与实际监测趋势吻合度较高,具有较好的实用性。

5结语

现有的故障诊断理念是基于故障征兆,利用状态监测得到的特征参数与故障知识库中的故障征兆进行分类、比对等手段,识别设备故障,判断设备故障发生部位、故障性质和程度及产生原因等,进一步预测设备故障的发展趋势。

本文从研究通信网络正常运行状态的特征参数入手,根据通信网络性能参数的时间序列特性,建立了基于时间序列变化分解的通信网络性能量趋势预测模型,提出了基于时间序列分解模型的趋势预测的算法。采用通信网络实际采集的实时性

能数据对分解模型和算法进行了验证,结果表明,预测趋势与实际监测趋势具有很好的吻合性,可满足通信网络监测特征量的定量趋势预测,对早期预警网络中可能存在的潜在异常,具有很好的实用性和应用前景。

参 考 文 献

[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] 吕林涛,王鹏,李军怀,等.基于时间序列的趋势性分析及其预测算法研究[J].计算机工程与应用,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,刘业政,陈思风.基于周期项方法选择的季节性时序预测[J].计算机工程,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,张立军,吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备,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,吴清.时间序列ARMA模型及其应用[J].上海工程技术大学学报,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] 许国辉,余春林.时间序列分析方法的研究[J].广州大学学报(自然科学版),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.

中图分类号O141.4

DOI:10.3969/j.issn.1672-9722.2016.01.019

作者简介:缪巍巍,男,硕士,高级工程师,研究方向:电力通信传输网络、智能电网、通信网络运维。吴海洋,男,博士,工程师,研究方向:电力通信网络、模式识别、信号处理。施健,男,硕士,高级工程师,研究方向:通信网管、专家系统。吕顺利,男,硕士,高级工程师,研究方向:电力自动化、智能电网、通信运维。

收稿日期:2015年7月5日,修回日期:2015年8月25日