基于DBN-Softmax的电力通信网络带宽预测

doi:10.11959/j.issn.1000-0801.2020155

电信科学 ›› 2020, Vol. 36 ›› Issue (10): 153-158.doi: 10.11959/j.issn.1000-0801.2020155

基于DBN-Softmax的电力通信网络带宽预测

李佳,丛犁,姜华,胡杨,徐梦

国网吉林省电力有限公司信息通信公司，吉林长春 130021

修回日期:2020-05-15 出版日期:2020-10-20 发布日期:2020-11-07
作者简介:李佳（1991- ），女，国网吉林省电力有限公司信息通信公司工程师，主要从事通信网络运行工作|丛犁（1984- ），女，博士，国网吉林省电力有限公司信息通信公司高级工程师，主要从事通信网运行管理工作|姜华（1985- ），男，国网吉林省电力有限公司信息通信公司工程师，主要从事通信网调度管理工作|胡杨（1988- ），男，国网吉林省电力有限公司信息通信公司工程师，主要从事通信网调度工作|徐梦（1993- ），女，国网吉林省电力有限公司信息通信公司助理工程师，主要从事通信网络检修工作

Bandwidth prediction of power communication network based on DBN-Softmax

Jia LI,Li CONG,Hua JIANG,Yang HU,Meng XU

Information and Communication Company,State Grid Jilin Electric Power Co.,Ltd.,Changchun 130021,China

Revised:2020-05-15 Online:2020-10-20 Published:2020-11-07

摘要/Abstract

摘要：

随着电力通信网的变化，电力通信网承载业务数据呈指数级增长，对电力通信网的处理能力提出了更高要求。为保障通信网的服务质量，针对目前网络带宽分配不合理现象，提出基于深度置信的电力通信网带宽预测算法，该算法通过由限制玻尔兹曼机构成的深度置信网络获取能够完美表达网络带宽的特征，实现对电力通信网规划阶段带宽的合理预测。实验结果表明，与传统神经网络算法相比，所提算法在预测精度和稳健性方面更具有优势，可以提高电力通信网的承载能力，为电力系统的安全稳定运行提供有力的保障。

关键词: 电力通信网, 深度置信, 机器学习, 带宽预测

Abstract:

With the change of the power communication network,the data of the bearer service of the power communication network has increased exponentially,which puts higher requirements on the processing capability of the power communication network.In order to guarantee the service quality of communication network,aiming at the current unreasonable distribution of network bandwidth,a bandwidth prediction algorithm based on deep confidence for power communication network was proposed.The deep confidence network formed by the Boltzmann machine was used to obtain the characteristics that could perfectly express the network bandwidth,and the reasonable prediction of the bandwidth of the power communication network planning stage was realized.The implementation results show that the proposed algorithm is more accurate and robust than neural network.It has the advantage of improving the carrying capacity of the power communication network and providing a powerful guarantee for the safe and stable operation of the power system.

Key words: power communication network, deep confidence, machine learning, bandwidth prediction

中图分类号:

TN913.7

李佳,丛犁,姜华,胡杨,徐梦. 基于DBN-Softmax的电力通信网络带宽预测[J]. 电信科学, 2020, 36(10): 153-158.

Jia LI,Li CONG,Hua JIANG,Yang HU,Meng XU. Bandwidth prediction of power communication network based on DBN-Softmax[J]. Telecommunications Science, 2020, 36(10): 153-158.

图/表 8

图1

图2

图3

表1

表2

图4

图5

表3

参考文献 9

[1]	黄志才 . 电力通信网可靠性研究[J]. 中国新通信, 2015,17(18): 28-29.
	HUANG Z C . Research on reliability of electric power communication network[J]. China New Communication, 2015,17(18): 28-29.
[2]	张俊宇 . 电力通信网可靠性研究[J]. 通讯世界, 2016,15(13):140.
	ZHANG J Y . Research on reliability of electric power communication network[J]. Communication World, 2016,15(13):140.
[3]	郝治理, 刘春生, 周青松 . 用于干扰对消的稀疏约束卡尔曼滤波算法[J]. 空军工程大学学报, 2020(2): 13-16.
	HAO Z L , LIU C S , ZHOU Q S . Sparsely constrained Kalman filter algorithm for interference cancellation[J]. Journal of Air Force Engineering University, 2020(2): 13-16.
[4]	涂锦, 冷正兴, 刘丁毅 . 基于EMD和神经网络的非线性时间序列预测方法[J]. 统计与决策, 2020(8): 21-26.
	TU J , LENG Z X , LIU D Y . Nonlinear time series prediction method based on EMD and neural network[J]. Statistics and Decision, 2020(8): 21-26.
[5]	ZOU X Y . Deep learning学习笔记整理系列[EB]. 2013.
	ZOU X Y . Deep learning study notes sorting series[EB]. 2013.
[6]	CHEN H , MURRAY A F . Continuous restricted Boltzmann machine with an implementable training algorithm[J]. IEE Process.-Vision.Image Signal Process, 2003,150(3): 153-158.
[7]	景亚鹏 . 基于深度学习的欺骗性垃圾信息识别研究[D]. 上海：华东师范大学, 2014： 25-26.
	JING Y P . Research on deceptive spam recognition based on deep learning[D]. Shanghai:East China Normal University, 2014: 25-26.
[8]	张春霞, 姬楠楠, 王冠伟 . 受限波尔兹曼机[J]. 工程数学学报, 2015(2): 159-173.
	ZHANG C X , JI N N , WANG G W . Restricted boltzmann[J]. Journal of Engineering Mathematics, 2015(2): 159-173.
[9]	尹宝才, 王文通, 王立春 . 深度学习研究综述[J]. 北京工业大学学报, 2015(1): 48-59.
	YIN B C , WANG W T , WANG L C . Summary of deep learning research[J]. Journal of Beijing University of Technology, 2015(1): 48-59.

深度	预测准确率	训练时间/s
1	0.931	16.354 2
2	0.934	44.219 6
3	0.940	74.500 5
4	0.936	99.097 5

节点数	预测准确率	训练时间/s
16	0.788	27.841 0
32	0.820	37.723 6
64	0.836	60.973 2
128	0.821	75.844 6

网络	第一组	第二组	第三组
神经网络	0.087 6	0.085 0	0.079 8
DBN-Softmax	0.062 5	0.067 2	0.058 9

[1]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[2]	刘雅琼, 吕哲, 赵亚飞, 寿国础. AI技术在卫星通信/互联网领域的应用综述[J]. 电信科学, 2023, 39(2): 10-24.
[3]	章坚武, 安彦军, 邓黄燕. DNS攻击检测与安全防护研究综述[J]. 电信科学, 2022, 38(9): 1-17.
[4]	周志超, 冯毅, 夏小涵, 冯瑜瑶, 蔡超, 邱佳慧, 杨立辉, 乌云霄. 基于移动蜂窝网的机器学习室外指纹定位方案[J]. 电信科学, 2021, 37(8): 85-95.
[5]	李想,李原,张子飞,杨哲. 基于密度聚类的网络性能故障大数据分析方法[J]. 电信科学, 2020, 36(9): 51-58.
[6]	肖子玉. 面向2030的未来网络关键技术综述——Beyond 5G[J]. 电信科学, 2020, 36(9): 114-121.
[7]	邱亚星,王希栋,边森,岳磊. 基于聚类分析和深度学习的多频多模网络负载均衡优化[J]. 电信科学, 2020, 36(7): 156-162.
[8]	欧阳晔,杨爱东,孟凡语. 一种博弈论辅助的机器学习算法检测用户流失行为[J]. 电信科学, 2020, 36(6): 79-89.
[9]	林锋,徐柳婧,陈晓华,戚伟强,陈可,朱添田. 一种基于多视角特征融合的Webshell检测方法[J]. 电信科学, 2020, 36(6): 125-132.
[10]	盛剑涛,陈茂飞,刘东鑫,汪来富,史国水,金华敏. 基于组合分类器的恶意域名检测技术[J]. 电信科学, 2020, 36(5): 47-55.
[11]	庞涛,丘海华,潘碧莹. 手机终端人工智能关键技术研究[J]. 电信科学, 2020, 36(5): 145-151.
[12]	杨志敏,洪丹轲,王力,谢俊毅. 基于云平台的电力通信网运行支持系统[J]. 电信科学, 2020, 36(4): 161-169.
[13]	钟其柱. 基于机器学习分析VoLTE视频通话质量的研究及应用[J]. 电信科学, 2020, 36(3): 156-165.
[14]	刘姿杉,程强,吕博. 面向机器学习的隐私保护关键技术研究综述[J]. 电信科学, 2020, 36(11): 18-27.
[15]	陈孝莲,秦奕,张杰,李亚杰,宋浩鲲,张会彬. 基于机器学习的光纤窃听检测方法[J]. 电信科学, 2020, 36(11): 61-67.

基于DBN-Softmax的电力通信网络带宽预测

Bandwidth prediction of power communication network based on DBN-Softmax

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 9

相关文章 15

Metrics

推荐阅读 0