【技术实现步骤摘要】
本专利技术主要涉及一种面向能源数字孪生网络的分类流量预测方法。
技术介绍
1、随着信息技术的进步，互联网与各种场景的融合不断加深。传统的自上而下的能源系统管理模式已经不适合分布式电网的大规模集成。能源互联网(energy internet,ei)是指将现代信息技术与能源系统相结合，使能源的生产、传输、分配和消费更加高效、可持续和智能化的新概念。通过先进的信息和通信技术实现电力供需的有效协调，为解决这些紧迫的能源挑战提供了一个有希望的解决方案。
2、随着智能充电桩等负载聚合设备的出现，网络架构的变化使得ei的运行环境更加复杂，对ei的实时状态进行监控具有重要意义。数字孪生(digital twin,dt)是一种将物理世界中的实体、系统或过程与其数字化、虚拟化模型相结合的先进技术。利用传感器、物联网(iot)设备等实时数据源实时捕获和同步物理实体的状态和行为，从而提供准确、实时的信息，用于预测实体的维护需求。能源数字孪生网络(energy digital twin network,edtn)是ei和dt的融合系统。edtn中的数据可分为业务数据和状态同步数据。业务数据由能源业务产生，受气候、运载业务、类型等因素影响，具有周期性特征。状态同步数据在物理网络和数字孪生网络之间传输，用于数字孪生的状态同步。状态同步数据相对稳定，但时间敏感性高。为了更好的管理流量，需要引入全新的网络技术和架构。
3、软件定义网络(software-defined networking，sdn)是下一代网络的核心技术，它赋予了网络动态
4、为了保证edtn的性能，特别是监控数据的低延迟同步性能，需要对可能引起网络波动的业务数据进行精确预测。传统的流量预测方法提供了基本的预测功能，即使用一个模型，在足够多的训练数据支持下，调整能够拟合训练数据的模型参数最终实现根据一个阶段的输入流量预测未来一段时间的输出流量的功能。例如，使用循环神经网络(recurrent neural network,rnn)的流量预测方法，在对原始数据进行预处理形成符合输入条件的序列数据后，通过反向传播算法不断调整模型参数，以最小化预测误差，并将训练好的模型应用到实际流量预测中，根据历史流量数据预测未来流量趋势。但在实际应用场景中，特别是随着应用场景的复杂化，网络业务类型的种类增加，使得业务流量特征差距越来越大，使得传统的预测方法的准确度难以达到较高的水平。在此基础上，有研究人员将设备类型、地区类型以及气候等因素加入预测模型的输入向量，希望以此建立起更广泛的因素对未来流量的映射关系，以实现更准确的预测。
5、目前对于edtn的流量预测研究还处于初步阶段。由于能源互联网的特殊性，用户的使用习惯、部署业务的类型等多种因素的共同影响下，能源互联网中的流量复杂多变。流量特征来自用户行为和各种应用层协议的复杂交互，使得网络流量预测具有挑战性，特别是针对数据集中的流量数据的特征差异较大时，使用同一个模型进行预测的准确度不高，且由于需要学习到全部的流量特征，因此训练时间较长。根据scientific data的研究显示，流量根据其特征可以简化为3个类别，流量特征随时间变化如图2所示。
6、随着对sdn架构研究的深入和机器学习算法的发展，出现了利用sdn的全局视野并结合机器学习算法进行流量预测的研究。但当前方法存在以下问题：
7、1.模型训练成本高
8、此类研究的思路是如何构建更复杂、考虑因素更多的预测模型，或者增加更具多样性的训练数据，希望能够增加预测模型的性能。但该研究方向在面对业务数据的流量特征差距较大的情况时，性能提升有限，并且增加训练数据同时也会增加模型的训练时间，产生更多成本；
9、2.对不同使用环境的鲁棒性差
10、设计的系统仅针对当前的研究场景，在实际部署时遇到网络拓扑和业务流量和实验环境不同的情况时，当前的研究方法需要做出相应调整，因此实用性较低。
技术实现思路
1、针对上述问题，本专利技术主要解决的技术问题是提供一种面向能源数字孪生网络edtn的基于transformer的分类流量预测(transformer based classified trafficprediction,tbctp)方法。本专利技术分析了edtn中的流量特征，根据对业务数据的影响因素的分析，将edtn中的业务流量描述成短周期和长周期特征相叠加的特征。为了提升流量预测准确度，设计了针对短周期特征的流量分类模型，利用业务流量的短周期特征，将全部的业务流量分成若干类，使得每一个类别中的业务流量的特征比较接近。设计了针对长周期的分类流量预测模型，在得到了流量分类结果后，针对每一个类别的流量单独训练一个预测模型，该模型基于transformer架构实现，该架构可以更好的捕获长时序的序列数据特征，因此对于长周期的业务流量会取得更好的预测效果。由于针对每一个类别的业务流量单独进行了预测模型的训练，因此，预测模型不仅可以提高长周期流量预测的准确性，还可以有效降低模型训练时间。
2、为了达成上述目的，本专利技术的解决方案是：
3、一种面向能源数字孪生网络edtn的分类流量预测方法，所述edtn流量表现为短周期和长周期特征的叠加；
4、所述预测方法包括：
5、利用短周期特征，为流量数据构建一个流量分类模型，实现流量数据的分类；
6、为每个类别的流量数据分别构建一个分类流量预测模型，实现分类流量的预测。
7、进一步地，所述流量分类模型基于短期记忆网络lstm训练而成，具体为：
8、获取edtn的实际业务流量，并将其按设定跨度截断为若干短周期流量数据；
9、确定各短周期流量数据的类别，并以此作为短周期流量数据的类别标签；
10、利用各短周期流量数据及对应的类别标签，基于长短期记忆网络lstm，训练流量分类模型，实现流量数据的分类。
11、进一步地，基于差值方差流量类别计算方法，确定短周期流量数据的类别，具体为：
12、预先为各类别设置一个基准流量数据；
13、以设定传输时间间隔tti对短周期流量数据和各基准流量数据分别进行离散，得到短周期流量向量和基准流量向量；
14、将短周期流量向量与各类别的基准流量向量分别两两逐位作差，并取差值的绝对值后，获得相应的绝对值向量；
1本文档来自技高网...
【技术保护点】
1.一种面向能源数字孪生网络EDTN的分类流量预测方法，其特征在于，所述EDTN流量表现为短周期和长周期特征的叠加；
2.根据权利要求1所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，所述流量分类模型基于短期记忆网络LSTM训练而成，具体为：
3.根据权利要求2所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，基于差值方差流量类别计算方法，确定短周期流量数据的类别，具体为：
4.根据权利要求3所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，根据scientific data的研究将EDTN流量基于流量特征分为三个类别，每个类别的流量设置为基准流量数据。
5.根据权利要求3所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，离散得到的短周期流量向量和基准流量向量分别记为其中，为离散得到的时刻t的基准流量值，t＝1,2,…,T，T为离散后的时刻数；
6.根据权利要求2所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，获取EDTN的实际业务流量之后，将其按设定跨度截
7.根据权利要求1所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，基于transformer模型，为每个类别的流量数据分别构建一个分类流量预测模型，且各类别的流量预测模型具有相同的结构；
8.根据权利要求1所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，所述方法基于SDN构建面向EDTN的数据传输架构，获取EDTN的实际业务流量；所述基于SDN的数据传输架构由物理层、数字孪生层和控制层三部分组成：
9.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征在于，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至8中任一所述的方法。
10.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至8中任一所述方法的指令。
...【技术特征摘要】
1.一种面向能源数字孪生网络edtn的分类流量预测方法，其特征在于，所述edtn流量表现为短周期和长周期特征的叠加；
2.根据权利要求1所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，所述流量分类模型基于短期记忆网络lstm训练而成，具体为：
3.根据权利要求2所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，基于差值方差流量类别计算方法，确定短周期流量数据的类别，具体为：
4.根据权利要求3所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，根据scientific data的研究将edtn流量基于流量特征分为三个类别，每个类别的流量设置为基准流量数据。
5.根据权利要求3所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，离散得到的短周期流量向量和基准流量向量分别记为其中，为离散得到的时刻t的基准流量值，t＝1,2,…,t，t为离散后的时刻数；
6.根据权利要求2所述的一种面向能源数字孪生网络的分类流量预测方法，其特征在于，获取edtn的实际业务流量之后，将其按设定跨度截...
【专利技术属性】
技术研发人员：霍如，沙宗轩，孙闯，汪硕，魏亮，
申请(专利权)人：南京优速网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。