深度自編碼下電力通信網絡風險態勢評估方法

高 宇

（國網陜西省電力公司電力科學研究院，陜西 西安 710100）

0 引 言

隨著深度自編碼下電力通信網絡傳輸技術的發展，對電力通信網絡風險態勢評估受到人們的極大關注。構建電力通信網絡風險態勢評估模型，結合對電力通信網絡風險態勢參數分析，進行電力通信網絡的信道均衡設計，提高電力通信網絡風險感知和預測能力，從而保障電力通信網絡的安全性和暢通性。研究電力通信網絡風險態勢評估方法，在提高電力通信網絡的信道均衡控制能力方面具有重要意義[1]。

采用深度自編碼方法進行電力通信網絡的安全態勢評估設計，控制深度自編碼下電力通信網絡數據傳輸過程，提高電力通信網絡數據包的轉發能力。但由于數據包在傳輸中容易受到電力通信網絡的干擾和外部侵入因素的影響，導致電力通信網絡容易受到入侵，對此建立深度自編碼下電力通信網絡風險態勢評估模型[2]。本文提出基于線性隨機編碼控制的電力通信網絡風險態勢評估方法，構建電力通信網絡風險態勢感知的隨機編碼模型，結合加權隨機編碼控制方法進行電力通信網絡風險態勢數據挖掘，然后通過冗余代碼混淆的方法設計電力通信網絡風險特征的深度自編碼，實現電力通信網絡風險評估和穩態控制能力的提高。最后進行仿真測試，驗證了本文方法在提高深度自編碼下電力通信網絡風險態勢評估能力方面的優越性能。

1 指標參數分析和模型構造

1.1 深度自編碼下電力通信網絡安全態勢指標參數分析

為了實現基于線性隨機編碼控制的深度自編碼下電力通信網絡節點安全態勢評估，首先構建深度自編碼下電力通信網絡隔離性特征分析模型，采用融合指標參數分析方法進行電力通信網絡的風險安全系數感知[3]。結合負載參數調節的方法，建立電力通信網絡風險態勢評估的統計分析模型，得到如表1所示的統計特征量分布。

表1 電力通信網絡風險態勢評估的統計特征分布

根據表1的深度電力通信網絡安全態勢指標參數指標分析，構建深度自編碼下電力通信網絡風險態勢大數據分析模型。通過多頻參數分析，構建深度自編碼下電力通信網絡風險安全感知分布集，由此得到深度自編碼下電力通信網絡線性編碼輸出時間序列為：

式中，E= [e1,e2,… ,e4P]為深度自編碼下電力通信網絡風險評估參數集。在鏈路(a,bm)上，得到電力通信網絡風險態勢感知的酉矩陣，∑= diag [σ1,σ2,… ,σ4P]表示電力通信網絡的電壓感知時間序列。采用ZigBee協議構建電力通信網絡風險態勢評估的節點分配模型，結合屬性優先級構造，進行電力通信網絡風險態勢評估[4]。

1.2 模型構造

建立深度自編碼下電力通信網絡風險態勢評估的幅值響應分析模型，通過線性編碼控制和信道均衡設計，結合機器學習方法進行線性編碼的自適應尋優。設置深度自編碼下電力通信網絡節點風險態勢評估的迭代步數為N，網絡節點風險適應度函數表示為：

式中，C1(s)表示量化參數；λ1、λ2分別表示一階和二階安全態勢評估系數；s表示點跟蹤速率。采用機器學習的自動更新規則，實現深度自編碼下電力通信網絡風險態勢評估模型的建立。

2 風險態勢評估優化

結合加權隨機編碼控制方法實現電力通信網絡風險態勢數據挖掘，采用五元組O=(C,I,P,Hc,R)表示深度自編碼下電力通信網絡的均衡調度序列[5]。其中C為風險態勢評估的量化特征集，I為電力通信網絡的電流參數集，P為電力通信網絡的功率集，Hc為電力通信網絡的比特率跟蹤速率，R為電力通信網絡的電阻參數。得到電力通信網絡風險評估的梯度函數表示為：

式中，x為原始風險狀態概率；為平均風險概率；aj為電力通信網絡風險態勢的自編碼參數；bj為電力通信網絡風險態勢預估特征分布集；φj為隨機分布帶寬。采用Cyber-net與分集均衡調度的方法，實現對深度自編碼下電力通信的均衡調度，得到輸出有限域為：

式中，E[xk]表示深度自編碼下電力通信網絡的信息融合中心；Φk(ω)為深度自編碼下電力通信網絡分布間隔；xk為采樣時延；f(x)為深度自編碼下電力通信網絡風險評估的學習函數。綜上分析，通過冗余代碼混淆的方法進行電力通信網絡風險特征的深度自編碼設計，可提高電力通信網絡風險評估和穩態控制能力。

3 實驗測試

為了驗證本文方法在實現深度自編碼下電力通信網絡風險態勢評估中的應用性能，采用MATLAB仿真軟件進行仿真測試。設定電力通信網絡風險態勢評估的編碼序列參數分別為13 957、13 087、12 739、12 522、12 261、12 261、12 217、12 130、12 043 以及12 000（單位為baud），深度自編碼下電力通信網絡傳輸并網場為容量為23 100 kW，進行安全態勢評估的實驗內容如表2所示。

表2 安全態勢評估的實驗內容

根據安全態勢評估的線性規劃參數解析結果，實現深度自編碼下電力通信風險態勢評估，得到風險態勢分布如圖1所示。

圖1 風險態勢分布直方圖

分析圖1得知，本文方法進行深度自編碼下電力通信網絡風險態勢評估的均值誤差較小，測試深度自編碼下電力通信網絡風險態勢評估的進入，與傳統方法中的熵權-灰色模型和多維融合模型共同進行測試，根據不同迭代次數，計算不同方法的評估精度，得到對比結果如表3所示。

表3 評估精度對比測試

分析表3得知，熵權-灰色模型網絡風險態勢評估最高精度在78.09%，多維融合模型網絡風險態勢評估最高精度為56.88%，而本文方法的網絡風險態勢評估精度始終保持在87%以上，最高可達到97.10%。在進行深度自編碼下，電力通信網絡風險態勢評估的精度更高，并提高了電力通信網絡的安全性和穩定性。

4 結 論

本文提出基于線性隨機編碼控制的電力通信網絡風險態勢評估方法，構建電力通信網絡風險態勢評估模型，結合對電力通信網絡風險態勢參數分析進行電力通信網絡的信道均衡設計。采用機器學習的自動更新規則，進行深度自編碼下電力通信網絡風險態勢評估的模型構造，并且通過實驗驗證本文方法對力通信網絡風險態勢評估的精度較高，穩態性較好。