趙自強 王法明 李秋偉 劉帥

摘要：本文主要研究如何利用BP神經(jīng)網(wǎng)絡建立油機效率預測模型，將油機的品牌型號、使用年限、基站電流、發(fā)電時間作為神經(jīng)網(wǎng)絡的4個輸入，將油機效率作為神經(jīng)網(wǎng)絡的輸出，實現(xiàn)了多影響因素的油機效率預測，有利于維護人員精細化管理。

關鍵詞：基站維護；油機油耗；神經(jīng)網(wǎng)絡

1. 神經(jīng)網(wǎng)絡技術

隨著人工智能的快速發(fā)展，越來越多領域使用機器學習建立預測模型。潘顯民等人將BP神經(jīng)網(wǎng)絡模型應用到教師的智能推薦中[1]。張比鵬等人將BP神經(jīng)網(wǎng)絡應用到集裝箱制造的綠色評價體系中[2]。楊天劍等人利用神經(jīng)網(wǎng)絡方法預測基站全年的能耗[3]。郭超等人采用圖神經(jīng)網(wǎng)絡的方法對無線網(wǎng)絡基站的流量進行預測[4]。

BP神經(jīng)網(wǎng)絡是一種反向傳播神經(jīng)網(wǎng)絡，由輸入層、隱含層和輸出層組成[5]，其原理是通過學習樣本數(shù)據(jù)，不斷調整神經(jīng)網(wǎng)絡的權重和偏置，使得神經(jīng)網(wǎng)絡的輸出盡可能接近目標輸出。BP神經(jīng)網(wǎng)絡的核心算法是反向傳播算法，通過計算輸出層和目標輸出之間的誤差，反向傳播到隱含層和輸入層，不斷調整神經(jīng)網(wǎng)絡的權重和偏置，使得誤差逐漸減小。

BP神經(jīng)網(wǎng)絡的學習過程分為兩個階段，即正向傳播階段和反向傳播階段。在正向傳播階段，輸入數(shù)據(jù)經(jīng)過隱含層和輸出層的計算，得到神經(jīng)網(wǎng)絡的輸出。在反向傳播階段，根據(jù)目標輸出與實際輸出之間的誤差，計算出每個神經(jīng)元的梯度，并使用梯度下降算法更新神經(jīng)網(wǎng)絡的權重和偏置[6]。

BP神經(jīng)網(wǎng)絡具有較好的泛化能力和適應性[7]，可以用于分類、回歸、聚類等任務。其優(yōu)點包括：能夠自適應學習，可以處理非線性問題；能夠自動調整權重和偏置，具有較好的魯棒性；能夠處理大規(guī)模數(shù)據(jù)，具有較好的泛化能力。三層BP神經(jīng)網(wǎng)絡示意圖如圖1所示。

1.1 BP神經(jīng)網(wǎng)絡模型構建

BP神經(jīng)網(wǎng)絡模型與傳統(tǒng)的統(tǒng)計學回歸方法相比，具有較好的非線性預測能力。本文構建一個5層的神經(jīng)網(wǎng)絡模型，其中隱含層節(jié)點個數(shù)分別為256、512、128，激活函數(shù)為Sigmoid函數(shù)式（1），由于輸出位油機效率，loss采用MSE來進行評估，反向傳播使用Adam梯度下降法。

（1）

算法流程圖如圖2所示。

1.2 模型參數(shù)設置

本文將基站電流、油機品牌型號、油機使用年限、發(fā)電時長4個參數(shù)輸入神經(jīng)網(wǎng)絡，輸出參數(shù)為油機效率，神經(jīng)網(wǎng)絡模型的參數(shù)設置如表1所示。

網(wǎng)絡的結構框架圖如圖3所示。loss收斂過程如圖4所示。

2. 訓練數(shù)據(jù)集

本文按照以下方案進行數(shù)據(jù)采集。

基站范圍：選取的負載范圍在10～250A范圍內的通信基站。

油機選?。哼x取日常使用較多的8KW、10KW、15KW、18KW油機。

按不同區(qū)縣，分別選取不同的基站進行發(fā)電測試，分別得出結果進行匯總。

測試步驟：（1）發(fā)電前將油機油箱加滿。在油機發(fā)電輸出端加裝電表。（2）開始發(fā)電，同時檢查確認基站直流負載大小。（3）模擬停電情況下發(fā)電，記錄完整發(fā)電記錄，包括記錄發(fā)電的起始時間，計算發(fā)電時長和發(fā)電機油耗。（4）發(fā)電完畢，油機油箱再次加滿，計算耗油量。

本實驗共采集數(shù)據(jù)88條，包括基站名稱、基站電流、油機品牌型號、油機使用年限、發(fā)電時長、每升油發(fā)電量等指標，其中油機品牌型號作為離散數(shù)據(jù)在數(shù)據(jù)集導入后要進行預處理，采用One Hot Encoder進行編碼。數(shù)據(jù)集中66條作為訓練數(shù)據(jù)，22條作為測試數(shù)據(jù)。部分訓練數(shù)據(jù)集如表2所示。

3. 結果與應用

3.1 實驗結果

本文輸出為油機每升油發(fā)電量，采用的模型性能指標為MSE。測試數(shù)據(jù)的預測值與真實值部分數(shù)據(jù)如表3所示。

測試集測試完成后，測試結果如表4所示。

從測試結果來看，本文中的BP神經(jīng)網(wǎng)絡模型擬合效果較好，能夠反映基站電流、油機品牌型號、使用年限、發(fā)電時長等因素對油機效率的影響。

3.2 模型應用

本文中的模型訓練使用Pytorch框架，訓練完成后，輸出模型文件，通過Python的FastApi框架構建油機效率預測API，編寫微信小程序，在基站停電時，運維人員使用微信小程序輸入停電基站的工作電流，然后微信小程序調用效率預測API，獲取油機使用推薦列表。小程序界面如圖5所示。

運維人員通過使用該小程序能夠選擇當前條件下單位油耗發(fā)電量最高的油機，能夠節(jié)省耗油量，達到節(jié)省發(fā)電成本的目的。

結語

本文建立的預測油機效率的BP神經(jīng)網(wǎng)絡模型使用基站電流、油機品牌、油機使用年限、發(fā)電時長4個因素預測油機油耗效率。根據(jù)本模型可開發(fā)油機效率預測軟件，基站出現(xiàn)停電時，運維人員能夠選擇最優(yōu)油機進行發(fā)電，減少油量消耗，節(jié)約能源。結合本模型與各基站日常電流、停電情況、運維負責區(qū)域等因素，可實現(xiàn)現(xiàn)有油機最佳分配，同時對新油機的采購也可以起到指導作用。

參考文獻：

[1]潘顯民，黃俏，李佩林.基于BP神經(jīng)網(wǎng)絡的城鄉(xiāng)教師智能推薦系統(tǒng)[J].湖南科技學院學報，2023，44（5）：14-19.

[2]張比鵬，韓聰，王靖涵.基于BP神經(jīng)網(wǎng)絡的集裝箱制造過程綠色度評價研究[J].機械工程與自動化，2023（6）：55-57.

[3]楊天劍，張靜.基于人工神經(jīng)網(wǎng)絡方法的通信基站能耗標桿建立與分析[J].北京郵電大學學報（社會科學版），2015，17（6）：58-63.

[4]郭超，陳佳，汪悅.基于圖卷積神經(jīng)網(wǎng)絡的無線基站流量預測研究[J].郵電設計技術，2023（6）：36-40.

[5]曾慶揚，丁楚衡，谷戰(zhàn)英，等.基于BP神經(jīng)網(wǎng)絡的油茶產(chǎn)量預測模型構建[J].經(jīng)濟林研究，2022，40（3）：87-95.

[6]姚精明.基于BP神經(jīng)網(wǎng)絡的邊緣緩存內容熱度預測[C]//中國通信學會.2019全國邊緣計算學術研討會論文集.中網(wǎng)數(shù)據(jù)（北京）股份有限公司，2019：6.

[7]高磊.神經(jīng)網(wǎng)絡與線性回歸的電力負荷預測[J].云南電力技術，2016，44（1）：53-57.

作者簡介：趙自強，本科，工程師，研究方向：設備環(huán)境。