基于深度學習的電力系統異常數據自動捕獲方法

葉 寬，楊 博，朱 戎，謝 歡，趙 蕾

（國網北京電科院，北京 100075）

深度學習理論描述了學習樣本數據的表示層次及其內在作用規律，在學習過程中所獲得的一切文字、聲音、圖像等信息參量，都具備較強的應用處理能力。該項理論算法的最終實踐目標是使機器人具備像人一樣的學習與分析能力，在準確識別文字、聲音、圖像等數據信息的同時，為各項理論參量賦予較強的計算與處理能力[1-2]。總地來說，深度學習是一種極為復雜的機器學習類應用算法，在圖像及語音識別方面具有較為客觀的應用前景，遠超數據挖掘、機器翻譯等其他類型的信息處理技術。

在電網應用環境中，隨著傳輸電子累積量的增大，個別節點處的電信號行為會出現明顯的異常存在狀態，易導致異常傳輸電子精確化處理能力的快速下降。為避免上述情況的發生，機器學習型捕獲手段在類別特征標簽的作用下，計算暫存于電網環境中的異常電子數據量條件，再通過局部離群因子，確定既定節點處的電信息承載能力。但該方法在單位時間內所能處理的異常傳輸電子數量值水平相對較低，易造成精確化處理能力的持續下降。為解決此問題，提出基于深度學習的電力系統異常數據自動捕獲方法，通過清洗電力數據的方式，設置異常檢測標簽的編碼條件，再聯合自動化協議棧的多層架構，建立必要的數據捕獲映射條件。

1 異常數據檢測

基于深度學習的電力系統異常數據檢測包含Caffe 深度學習框架搭建、電力數據清洗、異常檢測標簽編碼3 個處理步驟，具體執行方法如下。

1.1 Caffe深度學習框架

Caffe 深度學習框架是電力系統硬件執行環境的搭建基礎，由學習網絡本體、電網監測主機、學習節點、異常數據集合等多個結構共同組成。其中，學習網絡本體可提供電力系統運行所需的電子量信息，并可借助數據傳輸通道，反饋至下級應用結構之中。電網監測主機起到承上啟下的物理連接作用，可在電量數據傳輸流的作用下，將異常數據平均分配至各級學習節點之中，從而較好地滿足電信息捕獲需求[3-4]。異常數據集合位于Caffe 深度學習框架底部，可有效整合各學習節點中的電力系統異常數據，并將其轉換為既定格式的存儲應用參量。Caffe深度學習框架結構圖如圖1 所示。

圖1 Caffe深度學習框架結構圖

1.2 電力數據清洗

電力數據清洗是深度學習網絡中一個極為重要的信息處理過程，對異常檢測制度的實施起到關鍵性影響作用。由于各項外界干預因素的存在，未進行電力數據清洗操作的異常捕獲信息存在較強的不完整性與不一致性，這些信息參量被稱為臟數據或錯誤數據，對后續自動捕獲方法的執行具有較大影響[5-6]。所以為了消除這些干擾性影響，電力數據清洗就顯得非常必要。一般情況下，在Caffe 深度學習框架中，電力數據清洗結果受到常性化捕獲指標χ的直接影響，若不考慮其他干預條件對最終計算結果的影響，常性化捕獲指標數值越大，電力數據的清洗能力也就越強，反之則越弱，具體計算公式如下：

其中，ρ1、ρ2分別代表兩個不同的電力系統異常數據捕獲處理密度條件，y1、y2分別代表兩個不同的電力系統異常數據特征值參量。

1.3 異常檢測標簽編碼

通常情況下，電力系統異常數據中始終包含大量的類別特征參量，且這些特征同時具備較強的標簽編碼能力，然而仍有一部分捕獲節點需要對電力系統異常數據設置必要的判別條件，也就是異常檢測標簽的編碼處理行為[7-8]。異常檢測標簽編碼所能接收的電力系統數據必須保持有序存在狀態，并要求其輸出行為必須為連續且規范的。然而，按照既定表示形式，待編碼的數值并不能持續保持為有序狀態，總地來說，也就是Caffe 深度學習框架為其分配了一個數量值而已[9-10]。設e0代表最小的檢測標簽編碼條件，en代表最大的檢測標簽編碼條件，n代表異常檢測標簽在Caffe 深度學習框架中的實際傳輸系數值。在上述物理量的支持下，聯立式（1），可將電力系統的異常檢測標簽編碼結果表示為：

其中，β代表非常規電力系統數據的自動化檢測處理權限，代表電力系統異常數據的捕獲輸出均值量，t高高高高代表既定的標簽編碼系數。

2 異常數據自動捕獲方法

在深度學習原理的支持下，按照自動化協議棧多層架構搭建、異常數據拷貝、數據捕獲映射條件設置的處理流程，實現電力系統異常數據自動捕獲方法的順利應用。

2.1 自動化協議棧的多層架構

自動化協議棧能夠提供電力系統異常數據自動捕獲所需的一切連接協議信息，可在ICE 61850 設備與GOOSE over UDP 設備的作用下，實現對GOOSE節點、UDP 節點與IP 節點的有效調配，從而聯合電力系統以太網體系，完成對自動化雙絞線的按需布施[11-12]。應用層、傳輸層、網絡層、鏈路層、物理層結構體同時位于電力系統以太網絡外端，能夠為Caffe深度學習框架提供良好的捕獲節點條件，一方面可提防異常數據對于電力系統主機的打擊與干擾行為，另一方面也可將異常數據信息整合成獨立的傳輸主體，大幅節省深度學習網絡中的數據存儲空間。自動化協議棧的多層架構示意圖如圖2 所示。

圖2 自動化協議棧的多層架構示意圖

2.2 異常數據拷貝

異常數據拷貝可耗費大量的CPU 存儲空間，在自動化協議棧多層架構體系的作用下，該項處理行為可將電力系統異常數據的自動捕獲時間縮短近50%。在電力系統異常數據傳輸速率水平保持為l0 Mbit∕s 的情況下，檢測標簽編碼執行速率可達到原有捕獲速率的一倍或幾倍。在此情況下，異常數據的拷貝與封裝行為都會對最終信息捕獲結果造成直接影響，數據傳輸量過大或過小，都會導致捕獲結果出現偏頗，從而影響深度學習網絡的實際作用能力[13-14]。設δ1代表第一個輸入的電力系統異常數據拷貝信息參量，δn代表第n個輸入的電力系統異常數據拷貝信息參量。在上述物理量的支持下，聯立式（2），可將異常數據的拷貝結果表示為：

其中，f代表深度學習網絡中的電力異常數據感知參量，ΔT代表電力系統異常數據的單位捕獲時長，λ代表特征捕獲系數，代表電網異常數據的特征拷貝參量。

2.3 數據捕獲映射條件

電力系統的內核訪問用戶空間一般不會直接對深度學習網絡開放，且在實際操作時也極易受捕獲節點所處位置的影響。因此，應以電力系統異常數據的原始存在節點作為捕獲映射條件的初級建立依據，以自動化捕獲節點的終止存在位置作為捕獲映射條件的終極建立依據，兩相結合，在深度學習網絡中實現電力系統異常數據捕獲映射條件的順利應用[15-16]。設v0代表電力系統異常數據的原始存在節點位置信息，vn代表電力系統異常數據的終止存在節點位置信息。在上述物理量的支持下，聯立式（3），可將電力系統異常數據捕獲映射條件定義為：

其中，s1、s2分別代表兩個不同的電力系統異常數據行為限制條件，ξ代表基于電力系統的異常數據學習權限值。至此，實現各項物理數據指標的計算與處理，在深度學習網絡的支持下，完成電力系統異常數據自動捕獲方法的設計與應用。

3 實用能力檢測

為驗證基于深度學習的電力系統異常數據自動捕獲方法的設計應用價值，設計如下對比實驗。搭建如圖3 所示的電力系統實驗環境，分別將實驗組、對照組控制主機與發電站設備相連，其中實驗組主機搭載基于深度學習的電力系統異常數據自動捕獲方法，對照組主機搭載機器學習型捕獲手段。

圖3 電力系統實驗環境

異常電子傳輸處理量、處理消耗時間均能反應電網主機對于異常傳輸電子量的精確化處理能力，一般情況下，異常電子傳輸處理量越大，處理消耗時間越短，電網主機所具備的異常傳輸電子精確化處理能力也就越強，反之則越弱。具體實驗結果如表1、表2 所示。

表1 異常電子傳輸處理量對比表

表2 電力系統異常數據處理消耗時間

分析表1 可知，實驗組異常電子傳輸處理量在前兩個單位時長內，始終保持不斷上升的數值變化趨勢，而從第三個單位時長開始，這種數值變化趨勢逐漸趨于穩定，進入第四個單位時長后，這種數值變化趨勢又再次恢復逐漸上升的形式，整個實驗過程中的最大數值結果達到了9.6×1014T。對照組異常電子傳輸處理量在前兩個單位時長內，始終保持絕對穩定的數值變化趨勢，而從第三個單位時長起，這種穩定變化趨勢開始逐漸趨于下降，整個實驗過程中的最大數值結果僅能達到6.3×1014T，與實驗組最大值相比，下降了3.3×1014T。

分析表2 可知，隨著電力系統異常數據累積量的增大，實驗組數據處理消耗時間始終保持相對穩定的波動變化狀態，整個實驗過程中的最大數值結果僅能達到2.6 s。對照組數據處理消耗時間則始終保持小幅上升的數值變化趨勢，整個實驗過程中的最大數據結果達到了4.6 s，與實驗組極值相比，上升了2.0 s。

綜上可知，應用基于深度學習的電力系統異常數據自動捕獲方法后，單位時間內異常電子傳輸處理量水平開始不斷增大，而在異常數據累積量趨于穩定的情況下，異常數據處理消耗時間卻出現了不斷下降的數值變化趨勢，較為符合促進電網主機所具備異常傳輸電子精確化處理能力的實際應用需求。

4 結束語

在深度學習網絡的作用下，電力系統異常數據自動捕獲方法可聯合Caffe 框架，在清洗電力數據信息的同時，對異常檢測標簽節點進行編碼處理，且由于自動化協議棧多層架構體系的存在，待拷貝異常數據能夠與最終信息捕獲結果建立一一對應的捕獲映射條件，不僅能夠較好穩定已連接的電網應用環境，也可實現對異常傳輸電子量的精確化處理，具備較強的應用可行性。