袁群義

（廣州健新科技有限責任公司，廣東 廣州 510000）

1 建立電力通信網(wǎng)絡信道模型

為實現(xiàn)對電力通信網(wǎng)絡環(huán)境中異常數(shù)據(jù)的檢測，需要構(gòu)建電力通信網(wǎng)絡信道模型[1]。在這種跨區(qū)域環(huán)境中，通信傳輸協(xié)議存在一定差異性，這種情況會造成異常數(shù)據(jù)的分布和來源存在多重屬性[2]。為此，需要對相關(guān)數(shù)據(jù)分布和來源進行確定，因此應選擇適當?shù)碾娏νㄐ啪W(wǎng)絡信道。檢測時，按照圖1的結(jié)構(gòu)，確定通信網(wǎng)絡中數(shù)據(jù)傳輸節(jié)點的分布位置。

結(jié)合圖1中繪制的各個數(shù)據(jù)傳輸節(jié)點及其分布情況，確定通信網(wǎng)絡信道為一個多徑時變非平穩(wěn)信道，再結(jié)合實踐與頻率聯(lián)合特征的方式，確定電力通信網(wǎng)絡信道的模型表達函數(shù)，如公式（1）所示。

圖1 電力通信網(wǎng)絡數(shù)據(jù)傳輸節(jié)點分布位置

式中：x(t)為電力通信網(wǎng)絡信道函數(shù)；an(t)為某一時刻電力通信網(wǎng)絡信道中某一垂直線列路徑上的異常數(shù)據(jù)單分量；s為單分量傳遞的數(shù)據(jù)量；τ(t)為傳輸時延。

當電力通信網(wǎng)絡數(shù)據(jù)傳輸節(jié)點的傳輸路徑有n條時，則此時認為在分布線列陣空間當中存在n條通信信道[3]。再結(jié)合時頻伸縮對電力通信網(wǎng)絡信道中的數(shù)據(jù)進行描述，如公式（2）所示。

式中：W(t,v)為電力通信網(wǎng)絡信道數(shù)據(jù)；Wx為時間窗口函數(shù)；z為采樣頻率；k為電力通信網(wǎng)絡帶寬。

通過上述論述，建立和描述電力通信網(wǎng)絡信道模型，并描述信道中的數(shù)據(jù)。

2 電力通信網(wǎng)絡數(shù)據(jù)特征集提取

極小的異常數(shù)據(jù)通常會被高數(shù)值的正常數(shù)據(jù)所遮蔽。所以，單純從時間域上對網(wǎng)絡的通信流量進行分析很難精確地檢測異常成分[4]?；诖?，該文引入小波包分解的方式，對電力通信網(wǎng)絡信道中的數(shù)據(jù)進行分解，這一過程的表示如公式（3）所示。

式中：T(t)為小波包分解函數(shù)；dj,l,n為在某一層j中，第n個節(jié)點的第l個小波包系數(shù)；ψn為第n個節(jié)點的小波基函數(shù)。

根據(jù)公式（3）分解電力通信網(wǎng)絡信道中的數(shù)據(jù)[5]，再結(jié)合滑動時窗計算的方式，確定檢測時段內(nèi)包含的n個時隙通信網(wǎng)絡數(shù)據(jù)頻域特征。在操作過程中，還需要結(jié)合待測數(shù)據(jù)和預測數(shù)據(jù)得出同一時刻滑動窗口中的小波包系數(shù)均值，這一過程的表達如公式（4）所示。

式中：R為小波包系數(shù)均值；crtE為待測數(shù)據(jù)；prdE為預測數(shù)據(jù)。

通過計算得出的R值可以進一步反映出滑動窗口中待檢測樣本數(shù)據(jù)與預測數(shù)據(jù)之間的差異。在此基礎上，將小波包系數(shù)均值最大值作為檢測時段中電力通信網(wǎng)絡連接的統(tǒng)計特征均值。假設這一數(shù)值為F，F(xiàn)取值越大，在檢測時段中實際數(shù)據(jù)與預測數(shù)據(jù)的差別就越大，反之同理[6]。因此，可將F作為電力通信網(wǎng)絡異常數(shù)據(jù)檢測的特征指標之一，將對該指標數(shù)值的分析作為異常數(shù)據(jù)檢測的判據(jù)條件之一。在此基礎上，從不同時-頻域混合特征集當中選出8個特征指標。

3 基于物聯(lián)網(wǎng)技術(shù)的異常數(shù)據(jù)識別與離群異常數(shù)據(jù)檢測

為進一步提高對異常數(shù)據(jù)的識別精度，該文引入物聯(lián)網(wǎng)技術(shù)，通過物聯(lián)網(wǎng)技術(shù)對電力通信網(wǎng)絡環(huán)境當中的每條網(wǎng)絡連接的特征進行提取，并將其各個特征歸一化處理到[0，1]區(qū)間當中。根據(jù)特征集中的特征指標計算出協(xié)方差矩陣的具體數(shù)值和特征矢量，并將矢量按照相應的特征值大、小取主成分，對數(shù)據(jù)集進行降維處理[7]。降維后，每個樣本標記為對應標簽。在此基礎上，針對各個標簽，用如公式（5）所示的最優(yōu)分類函數(shù)進行分類處理。

在選擇核函數(shù)之后，由錯誤懲罰系數(shù)C和核函數(shù)的參量伽馬共同確定支持向量機的異常流量分類。誤差懲罰因素C可以在判斷功能的復雜度與不正確分類的網(wǎng)絡流的采樣數(shù)目之間進行權(quán)衡：C降低，使訓練樣本中存在較多的分類錯誤，避免了過度擬合問題，并且能夠很好地識別未知流量異常。

在上述基礎上對電力通信網(wǎng)絡中的離群點進行判斷，并找出離群異常數(shù)據(jù)。對離群點的判別可通過計算被檢測點圍繞數(shù)據(jù)中心的緊密程度得出，緊密程度可量化為緊密系數(shù)，如公式（6）所示。

式中：E為緊密系數(shù)；d為數(shù)據(jù)中心；iu為距離。

根據(jù)公式（6）確定緊密系數(shù)，以此判斷緊密程度。E值越小，說明越緊密，反之同理，以此確定離群異常數(shù)據(jù)，實現(xiàn)對數(shù)據(jù)的異常檢測。

5 對比試驗

上文基于物聯(lián)網(wǎng)技術(shù)完成了異常數(shù)據(jù)檢測方法的設計，為檢驗該次設計成果，下述將以某地區(qū)電力通信網(wǎng)絡公開數(shù)據(jù)集合為例，通過對比試驗的方式測試該文設計的檢測方法在實際應用中的效果。

試驗前，該文選擇將通信網(wǎng)絡公開數(shù)據(jù)集合中的連續(xù)數(shù)據(jù)作為此次檢測方法的測試集合，將數(shù)據(jù)集合錄入終端計算機。為確保測試結(jié)果的真實性與可靠性，需要在錄入測試數(shù)據(jù)前按照該次試驗需求設計終端計算機的運行參數(shù)，具體內(nèi)容見表1。

按照表1中的內(nèi)容完成對比試驗環(huán)境中PC機的配置，在此基礎上設計網(wǎng)絡異常數(shù)據(jù)采樣參數(shù)。具體內(nèi)容見表2。

表1 終端計算機運行參數(shù)

表2 網(wǎng)絡異常數(shù)據(jù)采樣參數(shù)

完成上述設計后，調(diào)用后臺數(shù)據(jù)，在展示界面呈現(xiàn)電力通信網(wǎng)絡數(shù)據(jù)，繪制通信時間與信號幅值關(guān)系圖，如圖2所示。

從圖2可以看出，電力通信網(wǎng)絡傳輸信號在1 s～1.5 s時段、3.5 s～4.1 s時段和7.8 s～8.5 s時段存在較高幅值。說明在對應的3個時段內(nèi)存在通信網(wǎng)絡異常數(shù)據(jù)。在掌握測試樣本中攜帶的異常數(shù)據(jù)分布后，使用該文設計的方法對異常數(shù)據(jù)進行檢測。檢測過程中，建立針對電力通信網(wǎng)絡異常通信的模型，提取通信過程中信號的特征，并通過識別異常信號實現(xiàn)對異常通信節(jié)點的定位與檢測。

圖2 通信時間與信號幅值關(guān)系圖

為滿足試驗結(jié)果的對比性需求，完成該文方法在測試環(huán)境中的布置后，引進基于改進VECMP算法的檢測方法與基于圖卷積神經(jīng)網(wǎng)絡的檢測方法，將這2種方法作為對比試驗中的傳統(tǒng)方法A與傳統(tǒng)方法B。

試驗中，分別使用該文方法與2種傳統(tǒng)方法對電力通信網(wǎng)絡樣本集合進行異常數(shù)據(jù)檢測工作。提取3種方法檢測到的信號異常頻譜幅值作為試驗結(jié)果。試驗結(jié)果如圖3～圖5所示。

圖3 該文方法對信號異常頻譜幅值的檢測結(jié)果

圖5 傳統(tǒng)方法B對信號異常頻譜幅值的檢測結(jié)果

從圖3可以看出，該文設計的檢測方法可以精準檢測到1 s～1.5 s、3.5 s～4.1 s和7.8 s～8.5 s這3個時段存在異常數(shù)據(jù)，即對應3個時段的異常信號頻譜幅值較高，其他時段不存在異常信號頻譜幅值。

從圖4可以看出，傳統(tǒng)方法A可以檢測到對應3個時段存在異常數(shù)據(jù)，但檢測結(jié)果中攜帶噪聲，會影響或干擾異常識別的判別與決策。

圖4 傳統(tǒng)方法A對信號異常頻譜幅值的檢測結(jié)果

從圖5可以看出，傳統(tǒng)方法B無法識別到3個時段存在異常數(shù)據(jù)，即對應的8 s檢測結(jié)果中，輸出異常信號頻譜幅值均相對較高。

因此，在完成上述試驗后，初步得到的試驗結(jié)論如下：和傳統(tǒng)方法相比，該文設計的檢測方法可以在排除外界干擾與噪聲的條件下，實現(xiàn)對電力通信網(wǎng)絡中異常數(shù)據(jù)的精準檢測。

完成上述測試后，選擇其他電力通信網(wǎng)絡公開數(shù)據(jù)集合作為測試樣本數(shù)據(jù)，使用3種方法對電力通信網(wǎng)絡中攜帶的異常數(shù)據(jù)進行檢測工作，將檢測結(jié)果誤差作為對比指標。檢測結(jié)果誤差計算如公式（7）所示。

式中：X為檢測結(jié)果誤差，計算單位為%；y1為當前狀態(tài)下的電力通信網(wǎng)絡流量；y2為期望利用量；N為節(jié)點流量辨識度；i為時刻。

按照上述方式，計算電力通信網(wǎng)絡的異常數(shù)據(jù)檢測結(jié)果精度，統(tǒng)計結(jié)果見表3。

表3 電力通信網(wǎng)絡的異常數(shù)據(jù)檢測結(jié)果精度

綜合上述試驗結(jié)果，得到的試驗結(jié)論如下：和傳統(tǒng)方法相比，該文設計的基于物聯(lián)網(wǎng)技術(shù)的檢測方法在實際應用中的效果較好。該方法不僅可以實現(xiàn)對電力通信網(wǎng)絡中異常數(shù)據(jù)的精準檢測，還可以有效降低檢測結(jié)果誤差，可為電力通信網(wǎng)絡的安全、持續(xù)和穩(wěn)定運行提供全面的技術(shù)支持與幫助。

6 結(jié)語

電力通信網(wǎng)絡是一個典型的線性網(wǎng)絡，主要負責信息的傳輸。它的網(wǎng)絡資源的質(zhì)量會直接影響電力通信網(wǎng)絡的正常工作，是電力通信網(wǎng)絡中極為重要的組成部分之一。其數(shù)據(jù)傳輸速度快，傳輸效率高，對保障電力通信網(wǎng)絡的安全運行和生產(chǎn)具有重要意義。基于此，該文進行了對電力通信網(wǎng)絡中異常數(shù)據(jù)檢測方法的設計研究，并通過試驗檢驗了該方法的應用可行性。實際應用該檢測方法時，為進一步提高電力通信網(wǎng)絡運行穩(wěn)定性和可靠性，還應當結(jié)合實時監(jiān)控技術(shù)，實現(xiàn)對異常數(shù)據(jù)的實時分析與快速決策。