论文部分内容阅读
【摘要】 随着我国智能电网建设的不断推进，现代电网信息化、互动化、自动化的特征愈发明显，这也使得电力通信网络随之发生深刻变化。网络拓扑的日益复杂、业务需求的逐步丰富，使得电力通信网络中的负载不均衡问题愈发严重，这给电力通信带来了新的发展难题。本文针对电力通信网络拓扑结构对满足复杂均衡的电力通信流量分析和预测方法进行研究。
【关键词】 电力通信 负载均衡 拓扑优化 流量分析
一、电力通信业务流量特征
电力通信网络在我国电网系统中占据重要位置，其在电力生产、运行和管理等各方面的业务中发挥重要支撑作用，大量的电力信息需要电力通信网络来完成收集、传输与存储。随着我国电力系统建设的不断深入，以及电力业务的不断扩大，网络流量呈几何级数增长，业务类型也日趋复杂，这给电力通信网络的安全、可靠、实时运行提出了更大的挑战。在这种背景下，建立有效的流量分析和预测方法，可以为网络规划、协议设计、路由精确控制提供决策依据，对电力通信网络性能的分析和优化具有积极的意义。
通常来说，智能电网中的电力通信网络可划分为三类子网，即电力通信综合业务数据网、电力通信调度数据网、变电站站内通信网。对各类子网的承载业务进行分析可知，当前我国电力通信网络业务可归纳为三种类型，即视频类业务、数据类业务、语音类业务。电力通信网络的流量具有重要的特征，比如自相似性和长相关性、多重分形性、周期性等。此外，基于我国电力通信系统的基本情况，对视频业务、语音业务和数据业务的速率、丢包率、抖动幅度、时延、频率飘移要求等方面进行相关的规定。
二、業务流量分析和预测
电力系统的日趋庞大使得电力通信网络流量呈现几何级增长的趋势，而且业务类型也日趋复杂，以网络为载体传输的电力信息的传输形式也更加多样化，这给电力通信网络的安全、可靠、实时运行提出了新的的要求。在对当前电力通信网络情况下，对网络流量进行分析和预测是电力通信研究的关键核心问题，对电力通信网络、电力网络的安全可靠运行具有积极的意义。对于电力通信网络的相关研究而言，常用的网络流量模型有：ARIMA模型、重尾分布的ON/OFF模型、马尔可夫/半马尔可夫模型、泊松模型、离散小波模型等。但结合当前我国电力通信系统的实际要求对各种模型进行分析可知，传统的泊松模型、马儿可夫模型只具有短相关性，难以描述流量的突发性和自相似特性，而ARIMA模型则相对较为高效。
三、基于ARIMA的建模分析
3.1 ARIMA建模分析
3.2残差检验和预测
在建立电力通信业务流量分析与预测模型之后，还需要结合电力通信系统的实际情况对其适应性进行检验。模型的适应性是指模型已经完全或基本上反应了系统的动态性，从而模型中的残差εt是白噪声序列，即完成了εt的独立性检验。目前残差检验法主要有两种，即判断残差的自相关和偏自相关函数图、Ljung-Box检验法。计算LB（Ljung-Box）统计量为：
经过残差检验的ARIMA模型就可以用来对电力通信网络业务流量进行预测，从优化网络性能，提高网络服务质量。
3.3基于ARIMA模型的电力通信业务流量分析与预测
在电力通信网络系统中，传输的信息类型主要包括视频、语音与数据类，其中语音类业务在逐步萎缩，其数据量较小，而数据业务与视频业务的数据量大，传输质量要求高，因此需对视频类与数据类业务流量进行建模分析。
对于生产数据承载业务流量而言，主要包含运行信息类业务与运行控制类业务，对这类业务数据的采集需要24小时时段数据，在采集到相关数据之后，利用自相关函数和偏自相关函数图分析可知其不是稳定的序列，那么需要对其进行周期性和趋势性设计，进而得到平稳的时间序列。获得平稳的时间序列之后建立模型，需确定p、d、q、P、D、Q参数，并利用SPSS软件建立ARIMA（p，d，q）（P，D，Q）模型，之后进行残差检验和预测，最终得到符合要求的模型。对于视频类业务流量的建模分析流程与数据类业务流量建模流程相似，其具体流程为：数据承载业务分析→数据采集与预处理→模型参数确立→建立模型→残差检验和预测。
参 考 文 献
[1]邵苏杰.面向智能配用电网数据采集的流量调度机制[D].北京邮电大学.2015.5
[2]张倩倩.面向配电网的电力通信流量分析和预测技术[D].天津大学.2012.12
【关键词】 电力通信 负载均衡 拓扑优化 流量分析
一、电力通信业务流量特征
电力通信网络在我国电网系统中占据重要位置，其在电力生产、运行和管理等各方面的业务中发挥重要支撑作用，大量的电力信息需要电力通信网络来完成收集、传输与存储。随着我国电力系统建设的不断深入，以及电力业务的不断扩大，网络流量呈几何级数增长，业务类型也日趋复杂，这给电力通信网络的安全、可靠、实时运行提出了更大的挑战。在这种背景下，建立有效的流量分析和预测方法，可以为网络规划、协议设计、路由精确控制提供决策依据，对电力通信网络性能的分析和优化具有积极的意义。
通常来说，智能电网中的电力通信网络可划分为三类子网，即电力通信综合业务数据网、电力通信调度数据网、变电站站内通信网。对各类子网的承载业务进行分析可知，当前我国电力通信网络业务可归纳为三种类型，即视频类业务、数据类业务、语音类业务。电力通信网络的流量具有重要的特征，比如自相似性和长相关性、多重分形性、周期性等。此外，基于我国电力通信系统的基本情况，对视频业务、语音业务和数据业务的速率、丢包率、抖动幅度、时延、频率飘移要求等方面进行相关的规定。
二、業务流量分析和预测
电力系统的日趋庞大使得电力通信网络流量呈现几何级增长的趋势，而且业务类型也日趋复杂，以网络为载体传输的电力信息的传输形式也更加多样化，这给电力通信网络的安全、可靠、实时运行提出了新的的要求。在对当前电力通信网络情况下，对网络流量进行分析和预测是电力通信研究的关键核心问题，对电力通信网络、电力网络的安全可靠运行具有积极的意义。对于电力通信网络的相关研究而言，常用的网络流量模型有：ARIMA模型、重尾分布的ON/OFF模型、马尔可夫/半马尔可夫模型、泊松模型、离散小波模型等。但结合当前我国电力通信系统的实际要求对各种模型进行分析可知，传统的泊松模型、马儿可夫模型只具有短相关性，难以描述流量的突发性和自相似特性，而ARIMA模型则相对较为高效。
三、基于ARIMA的建模分析
3.1 ARIMA建模分析
3.2残差检验和预测
在建立电力通信业务流量分析与预测模型之后，还需要结合电力通信系统的实际情况对其适应性进行检验。模型的适应性是指模型已经完全或基本上反应了系统的动态性，从而模型中的残差εt是白噪声序列，即完成了εt的独立性检验。目前残差检验法主要有两种，即判断残差的自相关和偏自相关函数图、Ljung-Box检验法。计算LB（Ljung-Box）统计量为：
经过残差检验的ARIMA模型就可以用来对电力通信网络业务流量进行预测，从优化网络性能，提高网络服务质量。
3.3基于ARIMA模型的电力通信业务流量分析与预测
在电力通信网络系统中，传输的信息类型主要包括视频、语音与数据类，其中语音类业务在逐步萎缩，其数据量较小，而数据业务与视频业务的数据量大，传输质量要求高，因此需对视频类与数据类业务流量进行建模分析。
对于生产数据承载业务流量而言，主要包含运行信息类业务与运行控制类业务，对这类业务数据的采集需要24小时时段数据，在采集到相关数据之后，利用自相关函数和偏自相关函数图分析可知其不是稳定的序列，那么需要对其进行周期性和趋势性设计，进而得到平稳的时间序列。获得平稳的时间序列之后建立模型，需确定p、d、q、P、D、Q参数，并利用SPSS软件建立ARIMA（p，d，q）（P，D，Q）模型，之后进行残差检验和预测，最终得到符合要求的模型。对于视频类业务流量的建模分析流程与数据类业务流量建模流程相似，其具体流程为：数据承载业务分析→数据采集与预处理→模型参数确立→建立模型→残差检验和预测。
参 考 文 献
[1]邵苏杰.面向智能配用电网数据采集的流量调度机制[D].北京邮电大学.2015.5
[2]张倩倩.面向配电网的电力通信流量分析和预测技术[D].天津大学.2012.12