赵自强 王法明 李秋伟 刘帅
摘要:本文主要研究如何利用BP神经网络建立油机效率预测模型,将油机的品牌型号、使用年限、基站电流、发电时间作为神经网络的4个输入,将油机效率作为神经网络的输出,实现了多影响因素的油机效率预测,有利于维护人员精细化管理。
关键词:基站维护;油机油耗;神经网络
1. 神经网络技术
随着人工智能的快速发展,越来越多领域使用机器学习建立预测模型。潘显民等人将BP神经网络模型应用到教师的智能推荐中[1]。张比鹏等人将BP神经网络应用到集装箱制造的绿色评价体系中[2]。杨天剑等人利用神经网络方法预测基站全年的能耗[3]。郭超等人采用图神经网络的方法对无线网络基站的流量进行预测[4]。
BP神经网络是一种反向传播神经网络,由输入层、隐含层和输出层组成[5],其原理是通过学习样本数据,不断调整神经网络的权重和偏置,使得神经网络的输出尽可能接近目标输出。BP神经网络的核心算法是反向传播算法,通过计算输出层和目标输出之间的误差,反向传播到隐含层和输入层,不断调整神经网络的权重和偏置,使得误差逐渐减小。
BP神经网络的学习过程分为两个阶段,即正向传播阶段和反向传播阶段。在正向传播阶段,输入数据经过隐含层和输出层的计算,得到神经网络的输出。在反向传播阶段,根据目标输出与实际输出之间的误差,计算出每个神经元的梯度,并使用梯度下降算法更新神经网络的权重和偏置[6]。
BP神经网络具有较好的泛化能力和适应性[7],可以用于分类、回归、聚类等任务。其优点包括:能够自适应学习,可以处理非线性问题;能够自动调整权重和偏置,具有较好的鲁棒性;能够处理大规模数据,具有较好的泛化能力。三层BP神经网络示意图如图1所示。
1.1 BP神经网络模型构建
BP神经网络模型与传统的统计学回归方法相比,具有较好的非线性预测能力。本文构建一个5层的神经网络模型,其中隐含层节点个数分别为256、512、128,激活函数为Sigmoid函数式(1),由于输出位油机效率,loss采用MSE来进行评估,反向传播使用Adam梯度下降法。
(1)
算法流程图如图2所示。
1.2 模型参数设置
本文将基站电流、油机品牌型号、油机使用年限、发电时长4个参数输入神经网络,输出参数为油机效率,神经网络模型的参数设置如表1所示。
网络的结构框架图如图3所示。loss收敛过程如图4所示。
2. 训练数据集
本文按照以下方案进行数据采集。
基站范围:选取的负载范围在10~250A范围内的通信基站。
油机选取:选取日常使用较多的8KW、10KW、15KW、18KW油机。
按不同区县,分别选取不同的基站进行发电测试,分别得出结果进行汇总。
测试步骤:(1)发电前将油机油箱加满。在油机发电输出端加装电表。(2)开始发电,同时检查确认基站直流负载大小。(3)模拟停电情况下发电,记录完整发电记录,包括记录发电的起始时间,计算发电时长和发电机油耗。(4)发电完毕,油机油箱再次加满,计算耗油量。
本实验共采集数据88条,包括基站名称、基站电流、油机品牌型号、油机使用年限、发电时长、每升油发电量等指标,其中油机品牌型号作为离散数据在数据集导入后要进行预处理,采用One Hot Encoder进行编码。数据集中66条作为训练数据,22条作为测试数据。部分训练数据集如表2所示。
3. 结果与应用
3.1 实验结果
本文输出为油机每升油发电量,采用的模型性能指标为MSE。测试数据的预测值与真实值部分数据如表3所示。
测试集测试完成后,测试结果如表4所示。
从测试结果来看,本文中的BP神经网络模型拟合效果较好,能够反映基站电流、油机品牌型号、使用年限、发电时长等因素对油机效率的影响。
3.2 模型应用
本文中的模型训练使用Pytorch框架,训练完成后,输出模型文件,通过Python的FastApi框架构建油机效率预测API,编写微信小程序,在基站停电时,运维人员使用微信小程序输入停电基站的工作电流,然后微信小程序调用效率预测API,获取油机使用推荐列表。小程序界面如图5所示。
运维人员通过使用该小程序能够选择当前条件下单位油耗发电量最高的油机,能够节省耗油量,达到节省发电成本的目的。
结语
本文建立的预测油机效率的BP神经网络模型使用基站电流、油机品牌、油机使用年限、发电时长4个因素预测油机油耗效率。根据本模型可开发油机效率预测软件,基站出现停电时,运维人员能够选择最优油机进行发电,减少油量消耗,节约能源。结合本模型与各基站日常电流、停电情况、运维负责区域等因素,可实现现有油机最佳分配,同时对新油机的采购也可以起到指导作用。
参考文献:
[1]潘显民,黄俏,李佩林.基于BP神经网络的城乡教师智能推荐系统[J].湖南科技学院学报,2023,44(5):14-19.
[2]张比鹏,韩聪,王靖涵.基于BP神经网络的集装箱制造过程绿色度评价研究[J].机械工程与自动化,2023(6):55-57.
[3]杨天剑,张静.基于人工神经网络方法的通信基站能耗标杆建立与分析[J].北京邮电大学学报(社会科学版),2015,17(6):58-63.
[4]郭超,陈佳,汪悦.基于图卷积神经网络的无线基站流量预测研究[J].邮电设计技术,2023(6):36-40.
[5]曾庆扬,丁楚衡,谷战英,等.基于BP神经网络的油茶产量预测模型构建[J].经济林研究,2022,40(3):87-95.
[6]姚精明.基于BP神經网络的边缘缓存内容热度预测[C]//中国通信学会.2019全国边缘计算学术研讨会论文集.中网数据(北京)股份有限公司,2019:6.
[7]高磊.神经网络与线性回归的电力负荷预测[J].云南电力技术,2016,44(1):53-57.
作者简介:赵自强,本科,工程师,研究方向:设备环境。