动态网络环境下电力无线通信网络信息异常值快速检测.pdf

Telecom Power Technology 77 Aug.10,2023,Vol.40 No.15 2023 年 8 月 10 日第 40 卷第 15 期电力技术应用DOI：10.19399/ki.tpt.2023.15.025动态网络环境下电力无线通信网络信息异常值快速检测张 鑫，庞 诏（国网宝鸡供电公司，陕西 宝鸡 721000）摘要：常规的电力网络信息异常值检测方法以熵阈值检测为主，熵阈值的取值范围受到充分数据的影响，降低了异常值的检测精准度。因此，设计了动态网络环境下电力无线通信网络信息异常值快速检测方法。提取电力无线通信网络动态异常信息文本特征，将网络信息中的异常关键词进行量化，剔除重复无意义的异常文本特征，更好地通过文本特征区分网络信息异常值。构建动态通信网络信息异常值快速检测模型，动态评估网络的安全环境，通过设定网络异常值检测阈值，保障网络信息安全。均衡无线通信网络信息异常值检测负载，将电力无线通信网络信息采样节点随机化，检测节点被通信网络完全覆盖，均匀随机地检测网络中的任意节点，从而避免漏检、错检等问题。采用对比实验，验证了该检测方法的精准度更高，能够应用于实际生活。关键词：动态网络环境；电力无线通信网络；网络信息；异常值；快速检测方法Fast Detection of Outlier of Power Wireless Communication Network Information in Dynamic Network EnvironmentZHANG Xin,PANG Zhao(State Grid Baoji Power Supply Company,Baoji 721000,China)Abstract:Conventional Outlier detection methods of power network information mainly focus on entropy threshold detection.The value range of entropy threshold is affected by sufficient data,which reduces the accuracy of Outlier detection.Therefore,a fast detection method for Outlier of power wireless communication network information in dynamic network environment is designed.Extract the text features of dynamic abnormal information of power wireless communication network,quantify the abnormal keywords in the network information,eliminate the repeated and meaningless abnormal text features,and better distinguish the Outlier of network information through the text features.Build a fast detection model of dynamic communication network information Outlier,dynamically evaluate the network security environment,and improve the network information security by setting the network Outlier detection threshold.Balance the detection load of Outlier of wireless communication network information,randomize the sampling nodes of power wireless communication network information,and the detection nodes are completely covered by the communication network,so as to detect any node in the network evenly and randomly,so as to avoid problems such as missed detection and wrong detection.Through comparative experiments,it was verified that the detection method has higher accuracy and can be applied in practical life.Keywords:dynamic network environment;power wireless communication network;network information;outlier;quick detection methods0 引 言电力无线通信网络指在电力信息生成、传输、消耗等环节中，利用智能化设备，将电力信息进行可靠性传输。利用电力无线通信网络，能够实现电网异常信号采集、通信等目标，对于智能电网的建设具有重要作用。目前，电力通信网络信息数据呈爆炸式增长，网络信息中的异常数据也随之增加，影响了电力网络信息的高质量传输。针对此类问题，研究人员设计了多种异常值检测方法。其中，基于信息熵的电力无线通信网络信息异常值快速检测方法，与基于深度学习的电力无线通信网络信息异常值快速检测方法的应用较为广泛。基于信息熵的电力无线通信网络信息异常值快速检测方法，主要是利用熵理论推断电力网络异常情况，根据熵的估算量，确定网络信息熵的取值范围，从而检测出网络信息异常值1。基于深度学习的电力无线通信网络信息异常值快速检测方法，主要是结合卷积神经网络（Convolutional Neural Network，CNN）与长短期记忆（Long Short Term Memory，LSTM）的混合检测方法，通过识别电力信息网络存在的异常值，分析检测模型中不同异常值的检测平衡性，从而提高检测准确率2。这 2 种方法均能检测电力网络异常值，但是具体使用过程中更倾向于在静态网络的理想环境中进行检测，在动态网络环境中存在一定的检测误差3。因此，设计了一种在动态网络环境下的电力无线通信网络信息异常值快速检测 方法。收稿日期：2023-06-14 作者简介：张 鑫（1995），男，陕西延安人，本科，助理工程师，主要研究领域为网络安全、网络运维；庞 诏（1995），男，陕西咸阳人，本科，助理工程师，主要研究领域为电力工程。2023 年 8 月 10 日第 40 卷第 15 期Aug.10,2023,Vol.40 No.15Telecom Power Technology 78 1 电力无线通信动态网络信息异常值快速检测方法设计1.1 提取电力无线通信网络动态异常信息文本特征电力通信网络中存在配电、用电业务，受到电网规模的影响，网络异常信息文本特征提取较为困难，存在较多的重复信息，影响异常信息检测效果4。因此，文章将网络信息中的异常关键词进行量化，剔除重复无意义的异常文本特征。在电力无线通信网络中，以聚合系数与特征路径长度来衡量异常值。在异常信息文本向量中，文本由异常信息特征组成，每一个异常信息特征对应一个权重值5。文章将信息特征与权重值一一对应，避免出现重复信息特征提取的问题。异常信息文本特征权重的计算公式为 logqNInd I IxyRDIISQp DTPPTP FPTPRTTP FNRI E RIARIRI=（1）式中：Iq为异常信息文本特征权重；N 为网络异常信息出现在全部文本中的次数；n 为包含异常信息特征文本的数量。当电力通信网络信息中出现 2 个相似的文本时，将二者合并，避免特征重复提取。异常信息相似度的计算公式为 ()()2121,ln,;maxqniiitqztyccNInd I Ixy=（2）式中：d(I1,I2)为 I1、I2这 2 个异常信息的检测相似度；xi、yi为 I1、I2这 2 个异常信息的欧式距离。I1、I2这 2 个异常信息的特征向量在距离上越近，相似度越高。将相似度较高的信息合并，可以更好地通过文本特征区分网络信息异常值。1.2 构建动态通信网络信息异常值快速检测模型动态网络是从电力信息的实际出发，评估异常信息的异常特性，不但可以解决未知的不确定性，还能够客观地反映网络当前面临的异常威胁。从现实意义来看，动态网络能够弥补静态网络的异常威胁防御空白。文章在动态网络环境中对网络信息异常情况进行网络层面的分析，电力信息网络节点的异常因子关系如图 1 所示。节点资产异常网络节点配置脆弱性图 1 电力信息网络节点异常因子关系如图 1 所示，在电力信息网络中，节点异常因子包括网络节点配置脆弱性、节点资产异常威胁等异常值。其中，节点资产所在位置为网络核心层；网络节点配置脆弱性所在位置为接入层；异常所在位置为汇聚层。通过检测电力信息网络节点异常因子所在位置，确定异常值检测的动态评估阈值。在动态网络环境中，将已知的异常信息文本与正常信息文本进行同时检测训练，结合动态评估阈值，构造出阈值函数，表达式为 ()()()()()2121log,ln,;maxqniiitqztyccNInd I IxyRDIIS=+=+=E RI（3）式中：D 为阈值函数的表达式；(Iq,Iz)为实际检测到的异常值修正函数；Iz为正常信息文本的特征权重；Rt为异常值动态评估的最大阈值；St为异常值动态评估的最小值。在(Iq,Iz)确定的情况下，满足 Rt与St之间的关系，即可确保动态网络异常检测阈值的有效性。文章动态评估网络的安全环境，通过设定网络异常值的检测阈值，提升网络信息安全。根据隐变量的条件概率，计算异常信息对数似然函数的条件期望，形成电力无线通信网络信息异常值快速检测模型，表达式为 ()()()()2121log,ln,;maxqniiitqztyccNInd I IxyRDIISQp D=+=+=E RI（4）式中：Q 为电力无线通信网络信息异常值快速检测模型；p 为条件概率；为检测模型的观测参量；为动态网络环境响应度。完整的异常值数据通过对数似然函数的条件期望得到，条件期望被最大化时，为最大状态，能够在异常值出现的瞬间进行检测，异常值检测时间较短，能够实现异常值的快速检测9。此时，动态网络中的电力异常信息转入模型后进行细化，根据历史检测的异常问题特征，获取异常节点的位置，从而确保异常值检测精准度。1.3 均衡无线通信网络信息异常值检测负载在动态网络环境下，将电力无线通信网络信息采样节点随机化，检测节点被通信网络完全覆盖。将检测节点进行前驱、后继、后备等处理，使其处于周期性变化形式10。在随机节点变化的状态下，均匀随机地检测网络中的任意节点，从而避免漏检、错检等问题。电力无线通信网络的拓扑结构如图 2 所示。如图 2 所示，黑色圆点为正常网络信息节点，白色圆点为异常网络信息节点。异常节点根据当前覆盖网的覆盖情况，将骨干覆盖网中的正常节点替换为簇覆盖网中的正常节点。2 个覆盖网的正常节点一一 2023 年 8 月 10 日第 40 卷第 15 期 79 Telecom Power TechnologyAug.10,2023,Vol.40 No.15 张 鑫，等：动态网络环境下电力无线通信 网络信息异常值快速检测对应，增强网络信息检测的健壮性。此时，将簇覆盖网中的异常节点与正常节点顺序打乱，随机选择覆盖网中的采样节点进行检测，确保电力无线通信网络的异常检测随机均匀性，从而完成均衡网络负载的任务。正常节点异常节点簇覆盖网骨干覆盖网图 2 电力无线通信网络拓扑结构2 实 验为了验证本文设计的网络信息异常值检测方法是否满足准确性需求，对文章设计方法进行了实验分析。最终的实验结果以文献 1 中基于信息熵的电力无线通信网络信息异常值快速检测方法、文献 2 中基于深度学习的电力无线通信网络信息异常值快速检测方法，以及本文设计的动态网络环境下的电力无线通信网络信息异常值快速检测方法进行对比的形式呈现。2.1 实验过程本次实验的数据准备阶段中，包括了数据采集与数据标准化 2 个步骤。在数据采集阶段，直接选择了 UCI 数据集中的数据，包括 KDDCUP99、duration、service、urget 等子集。本次实验对 3 个数据子集的 50 000 条数据进行分析，利用 Weka 自带的 unsupervised_attribute_Normalize 方法对异常值与正常值的属性进行归一化处理，使网络信息异常值与正常值均在动态网络环境的随机区域，确保实验的有效性。在数据采集与处理完成之后，对异常值检测准确率 Pc、异常值检测召回率 Rc、调整兰德指数 ARI 进行计算。异常值检测准确率 Pc的计算公式为 ()()()2121log,ln,;maxqniiitqztyccNInd I IxyRDIISQp DTPPTP FPTPRTTP FNRI E RIARIRI=+=+=E RI（5）式中：TP为正确检测的网络信息样本数量；FP为异常值被错误检测为正常网络信息样本的数量。召回率 Rc的计算公式为 ()()()2121log,ln,;maxqniiitqztyccNInd I IxyRDIISQp DTPPTP FPTPRTTP FNRI E RIARIRI=+=E RI（6）式中：Rc为异常值检测召回率；TTP为正常网络信息样本被错误检测为异常值的数量；FN为漏检网络信息样本数量。调整兰德指数 ARI 计算公式为 ARI()()()()()()()maxRI E RIRI=E RI（7）式中：ARI 为调整兰德指数；RI为兰德指数；E(RI)为 RI的检测阈值。调整兰德指数可以衡量网络信息异常值分布的吻合情况。该指数越大，异常值检测结果与真实情况越吻合。Pc、Rc、ARI 都是判断网络信息异常值快速检测的关键指标，这些指标越大，异常值检测效果越精准。2.2 实验结果文章随机选取出 duration、service、urget 共 3 种网络信息数据集。数据集中的网络信息正常值与异常值杂乱无章，可以确保实验的真实有效性。以 Pc、Rc、ARI 为异常值检测效果判定指标，并将文献 1中基于信息熵的电力无线通信网络信息异常值快速检测方法的性能指标、文献 2 中基于深度学习的电力无线通信网络信息异常值快速检测方法的性能指标，以及本文设计的动态网络环境下的电力无线通信网络信息异常值快速检测方法的性能指标进行对比。实验结果如表 1 所示。使用文献 1 中基于信息熵的电力无线通信网络信息异常值快速检测方法之后，Pc在 0.73 0.86波动；Rc在 0.82 0.84 波动；ARI 在 0.75 0.79 波 动。由此可见，使用该方法之后，异常值检测存在一定程度的误差，很难将全部的信息异常值检测出来，影响电力网络的正常通信。使用文献 2 中基于深度学习的电力无线通信网络信息异常值快速检测方法之后，Pc、Rc、ARI 在0.85 0.91 变化，较之文献 1 的检测方法存在大幅度的提升，但与网络检测需求存在较大的差异，急需进一步优化。使用本文设计的动态网络环境下的电力无线通信网络信息异常值快速检测方法之后，Pc、Rc、ARI均超过了 0.95，趋近于 1。由此可见，使用本文设计的方法较之文献 1、文献 2 中的方法均存在不同程度的提升，异常值检测效果更佳，符合研究目的。3 结 论随着智能电网的建设，配电自动化系统趋向网际互连协议化，网络信息管理难以适应数据增长需求，出现了较多的网络信息异常值。文章在动态网络环境（下转第 83 页）2023 年 8 月 10 日第 40 卷第 15 期 83 Telecom Power TechnologyAug.10,2023,Vol.40 No.15 陆 杭，等：基于混合储能的风光互补 发电系统控制研究略，包括充放电控制、容量管理和状态监测等，以提高系统的能源利用效率和稳定性；三是加强混合储能系统与电网的协同运行研究，探索与电力市场和能源管理系统的互联互通，实现系统的智能调度和优化运行；四是开展新型储能技术的研发和创新，如氢能储存、流电池和超级电容器等，提高储能系统的性能和经济性。6 结 论混合储能风光互补发电系统作为一种能源互补和供电稳定性更高的解决方案，在可再生能源领域具有广阔的应用前景。对该系统的控制策略进行深入研究，探讨系统优化目标、风光发电预测和调度以及储能系统控制策略和整体控制策略。通过研究案例的分析和讨论，对系统的实施和性能评估进行深入探索。同时，针对该系统面临的技术挑战、经济性、可持续发展和环境影响等进行综合讨论。未来可进一步加强风能和光能预测技术的研发，优化储能系统的控制策略，并加强系统与电网的协同运行研究。通过不断创新和改进，混合储能风光互补发电系统有望为清洁能源转型和可持续发展做出更大的贡献。参考文献：1 孙 楠，邢德山，杜海玲.风光互补发电系统的发展与应用 J.山西电力，2010（4）：54-56.2 于 波，沈啸轩.浅谈基于混合储能的光伏发电并网系统的能量管理及协调控制 J.中国设备工程，2021（13）：194-195.3 王彦华.风光互补发电系统控制策略研究 D.天津：天津科技大学，2014.4 殷桂梁，李相男，郭 磊，等.混合储能系统在风光互补微电网中的应用 J.电力系统及其自动化学报，2015，27（1）：49-53.5 丛 雨，关 勇，刘海涛，等.风光互补发电系统方案设计及控制策略优化分析 J.内蒙古电力技术，2012，30（1）：10-13.下，设计了电力无线通信网络信息异常值快速检测方法。从信息异常特征、检测模型、负载均衡等方面，分析与检测电力网络的通信信息异常情况，为电网终端运行提供了业务保障。参考文献：1 靳晓琪，卢金奇，李林城.基于信息熵的网络异常检测及入侵防御系统设计J.电子设计工程，2021，29（18）：152-156.2 杜浩良，孔飘红，金学奇，等.基于深度学习的电力信息网络流量异常检测 J.浙江电力，2021，40（12）：117-123.3 张 凯，原 军，药 炜，等.基于通信网络状态感知的电力交换光网络一体化运维平台 J.自动化技术与应用，2022，41（7）：65-68.4 张 磊，纪春华，王旭蕊，等.基于最小路径选择度的电力通信网络路由优化策略研究 J.电力系统保护与控制，2022，50（1）：141-147.5 尚 立，陈 明，杨 巍，等.基于改进蚁群算法的电力通信网络路由策略研究 J.电力系统保护与控制，2021，49（22）：130-136.表 1 实验结果电力无线通信网络信息 检测数据集异常检测指标文献 1 中基于信息熵的 电力无线通信网络信息异常值 快速检测方法文献 2 中基于深度学习的 电力无线通信网络信息异常值 快速检测方法本文设计的动态网络环境下的 电力无线通信网络信息异常值 快速检测方法durationPc0.7360.8580.954Rc0.8240.8620.962ARI0.7580.8910.989servicePc0.8210.8780.963Rc0.8360.8890.956ARI0.7890.8980.978urgetPc0.8560.8670.982Rc0.8230.8520.999ARI0.7680.8630.976（上接第 79 页）