基于機器學習的電力系統通信網數據治理模型

楊慧婷，郭學讓，郭慶瑞，張強，李峰

（國網新疆電力有限公司電力科學研究院，新疆烏魯木齊 830013）

隨著我國經濟發展及科技進步，我國電力系統逐步向智能電力系統轉變。隨著智能電力系統對通信網數據安全要求的進一步提高，人工智能技術、物聯網技術等新興技術融入電力系統通信網數據安全治理成為大勢所趨[1]。電力系統通信網是電力系統的重要組成部分，是電力系統智慧化的主要信息載體，為電力系統調度自動化、電力系統運行智慧化、電力系統管理科學化提供數據交互保障[2]，助力電力系統數據資產價值深度挖掘提升，開展電力系統通信網數據安全治理研究對制定科學合理的電力系統運行調控策略具有重要的指導性意義。電力系統通信網貫穿電力系統各個環節[3]，是推動能源革命的重要手段，是現代能源體系的核心，更是支撐社會發展的基石，所以開展人工智能背景下基于多級耦合機器學習的電力系統通信網數據安全治理模型的研究，具有重要的理論及實踐價值。伴隨著我國電力系統建設的動態復雜性加大，電力系統整體的規模也越來越大，對高度動態復雜場景下電力系統通信網數據安全的依賴性越來越強，智能電力系統通信網數據安全治理內部邏輯規模呈指數增長。由于內部邏輯混亂或者外部條件突變觸發故障發生的概率大大提高，電力系統通信網核心進程一旦發生故障，往往造成重大的損失[4]。該文提出了一種基于多級耦合機器學習的電力系統通信網數據安全治理模型，選取國家電網某電力系統通信網絡中心為案例分析載體，開發了典型需求場景下的電力系統通信網數據安全治理模型應用實踐系統并開展了應用實踐，進行定量與定性分析。基于某電力系統通信網絡中心現有的軟硬件設備，輔以高速傳感器集群，搭建了模型應用實踐驗證環境，從定性與定量兩個層面對模型開展了典型需求場景下的可視仿真及應用實踐定量分析，多維度驗證了模型的可行性及優越性。

1 通信網數據安全治理模型架構

以基于多級耦合機器學習的電力系統通信網數據安全治理模型典型需求為控制流頂層設計的指導，聚焦電力系統通信網數據安全態勢精準預測與電力系統通信網數據安全治理策略自主生成，對電力系統通信網數據安全治理模型完整控制流邏輯進行任務分解，著重關注電力系統通信網數據安全態勢經驗池構建、電力系統通信網數據安全態勢精準預測機制、電力系統通信網數據安全治理策略自主生成等三個耦合子架構，設計了基于多級耦合機器學習的電力系統通信網數據安全治理模型體系架構，具體如圖1 所示。其中，電力系統通信網數據安全態勢經驗池構建子架構主要實現電力系統通信網數據安全態勢數據的采集與池化處理，對數據池進行學習集和應用集分區劃分[5]，為構建電力系統通信網數據安全態勢精準預測機制提供統一的數據集支撐；電力系統通信網數據安全態勢精準預測機制構建子架構主要利用深度長短期神經網絡(D-LSTM)對電力系統通信網數據安全態勢經驗池進行特征提取及進化訓練，建立較長周期內的電力系統通信網數據安全態勢精準預測機制，實現時間正序下的電力系統通信網數據安全態勢在線學習；電力系統通信網數據安全治理策略自主生成子架構主要利用深度確定性策略梯度算法（DDPG）構建電力系統通信網數據安全態勢在線學習與治理策略自主生成之間的耦合模型，實現高度動態復雜環境下電力系統通信網數據安全治理策略自主生成。

圖1 電力系統通信網數據安全治理模型架構

2 通信網數據安全治理模型

在人工智能背景驅動下，電力系統通信網數據安全治理發展趨勢呈現出顯著的自主化，一方面要求電力系統通信網具備數據安全態勢自主感知功能，可以自主感知外界或者內部邏輯發生變化時通信網數據安全的隨動變化；另一方面要求電力系統通信網具備數據安全治理策略自主生成功能，實現數據安全態勢在線學習的基礎上自主生成最優治理策略。基于電力系統通信網數據安全治理模型邏輯架構，分階段對基于多級耦合機器學習的電力系統通信網數據安全治理模型關鍵問題進行分析，首先開展電力系統通信網數據安全態勢在線學習關鍵問題分析，然后開展電力系統通信網數據安全治理策略自主生成關鍵問題分析，最后給出模型典型需求場景下的仿真驗證，詳細給出基于多級耦合機器學習的電力系統通信網數據安全治理模型定量化實現過程，為工程化效能分析提供理論支撐。

2.1 通信網數據安全態勢精準預測

引入深度長短期神經網絡（D-LSTM）對通信網數據安全態勢經驗池進行特征提取及進化訓練，建立高度動態復雜環境下較長周期內的通信網數據安全態勢精準預測機制。通過與高度動態復雜環境不斷耦合交互，實現時間正序下的通信網數據安全態勢在線學習。把電力系統通信網功能單元抽象為多智能體，針對多智能體固有的多源異構特性，可實現高度動態復雜場景下通信網數據安全態勢的有序重組[6]。進一步利用D-LSTM 算法的數據篩選與互通功能，對態勢經驗池異常特征進行精準定位與共享，并引入了正向反饋鏈條獲取形成誤差信息，通過自我修正環節協調整體狀態，有利于提高較長周期內的通信網數據安全態勢精準預測的準確度。假設初始預測機制中采樣∈{0,1}，其中i=1,2,…,n表示顯化單元編碼，則較長周期內的通信網數據安全態勢精準預測概率表征如下：

為了提高樣本利用率，加快搜索進程[7]，提升算法對不確定性外部因素的適應能力并解決連續進程的處理問題，引入面向模型探索能力擴展的噪雜網絡適度生成機制，對D-LSTM 算法進行改進。具體實施過程中，在典型D-LSTM 算法的全連接層中引入該機制，利用自適應噪聲自動調整進化能力，適應多變的外界條件，提高了算法的學習與自適應能力。從策略集中任取∈{0,1}，則通信網數據安全態勢精準預測概率表征如下：

2.2 通信網數據安全治理策略

利用深度確定性策略梯度算法構建電力系統通信網數據安全態勢在線學習與治理策略自主生成之間的耦合模型，實現高度動態復雜環境下電力系統通信網數據安全治理策略自主生成。由于高度動態復雜場景下通信網數據安全態勢數據源與數據結構具有多維特性，因此引入經驗緩沖因子降低參數復雜度[9]。根據深度卷積神經網絡數學原理，需形成策略網絡并形成評估指標，設μ為特征識別策略，利用(s,a)衡量識別性能，其本質為價值信息，因此可形成如下的通信網數據安全治理策略自主生成函數：

由于參數多維特性將導致收斂次數激增，因此引入訓練機制，利用經驗緩沖因子預處理數據。從數據集合中按一定比例進行采樣，根據策略安排形成多個訓練集合并存儲相關數據，基于多個存儲集中的參數特性求解通信網數據安全治理策略自主生成函數的梯度，從而提升了優化迭代效率[10]，其收斂次數大幅下降。設回報的數學期望為Q，則通信網數據安全治理策略自主生成機制如式（5）所示，其具備自主進化功能。

自主進化功能來源于多重網絡中的參數θQ，因其存在融合效應，可利用數據的互通特性自動識別物理量信息，降低了參數多維特性導致的數據處理復雜度，提升通信網數據安全治理策略自主生成函數的進化性能[11]，且具備一定的智能化，求解如下積分：

基于式（6），進而構建了電力系統通信網數據安全態勢在線學習與治理策略自主生成之間的耦合模型，為通信網數據安全治理策略自主生成提供收斂依據。機制原理為利用數據交集的存儲與訓練形成數學期望，在每個時間點上提取特征數據[12]，與經驗數據進行交互，將交互結果輸入樣本(st,at,rt,st+1)中進行存儲，其具備時移特性，可動態調整學習行為，且實現了顯性的物理映射，進而提取部分數據采用策略形成訓練集[13]，加快了感知進程，因此通信網數據安全治理策略自主生成函數可表征為如下的數學期望：

2.3 仿真驗證

模型典型需求場景為國家電網隸屬的某電力系統通信網絡中心，利用該文模型對電力系統通信網數據安全治理問題展開工程效能分析，模型搭建與算法設計是基于Geatpy 開源工具箱，并在PyCharm集成開發環境下進行。采集了2021 年6 月—2022 年5 月期間的國家電網隸屬的國家電網隸屬的某電力系統通信網絡中心數據安全治理歷史數據。數據采集設備為多源異構傳感器集群，通過池化處理形成經驗池進行仿真。該文抽取池中67 000 組數據進行訓練，將其中2 700 組數據作為學習集，剩余40 000例數據則為應用集。考慮到通信網數據安全態勢數據的采集是在不間斷策略控制下序貫進行的[14]，因此該文引入了融合經驗緩沖因子的深度卷積神經網絡提高原有LSTM 模型的判讀效率，其網絡層數目選取為16層，以保證交通態勢感知的時效性。實驗過程中始終激活數據源采集及池化進程，保障電網運行態勢數據源實時輸入，將神經網絡類型設為Targetaction Value 與Action Value，利用前者神經網絡處理當前狀態s，可得Next Q值，利用后者神經網絡處理當前狀態s，可得eval Q值，實現時間正序下的電力系統通信網數據安全態勢在線學習。將該文所提算法與單純BP 神經網絡算法、單純確定性策略梯度法以及改進的深度信念網絡法進行高度動態復雜環境下電力系統通信網數據安全態勢精準預測對比，得出算法的收斂性能對比結果如圖2 所示。將該文所提算法與單純確定性策略梯度法、改進深度信念網絡法進行電力系統通信網數據安全自主治理策略有效率對比，算法收斂性能的對比結果如圖3 所示。

圖2 電力系統通信網數據安全態勢精準預測關鍵問題分析仿真圖

圖3 電力系統通信網數據安全治理策略自主生成關鍵問題分析仿真圖

3 模型可視演示系統

對利用多源異構傳感器集群采集到的融合經驗學習集和實踐應用集的電力系統通信網數據安全態勢經驗池展開研究，搭建模型可視演示系統并對模型開展應用實踐分析。基于某電力系統通信網絡中心現有的軟硬件設備，輔以高速傳感器集群，搭建了模型應用實踐定量分析環境，其分析布置圖如圖4所示。為了增強模型可視效果，演示系統設置了通信網數據安全態勢在線學習可視演示區及通信網數據安全治理策略自主生成可視演示區，涵蓋電力系統通信網數據安全態勢經驗池構建、電力系統通信網數據安全態勢精準預測機制、電力系統通信網數據安全治理策略自主生成三個子進程，其運行進程與主模塊始終保持時間同步性，并利用通信端口保證數據互通，且在可視控制界面上進行實時更新[15]。將電力系統通信網數據安全態勢經驗池進程的分區作為原始變量，利用深度長短期神經網絡對電力系統通信網數據安全態勢經驗池進行特征提取及進化訓練，建立較長周期內的電力系統通信網數據安全態勢精準預測機制，實現時間正序下的電力系統通信網數據安全態勢在線學習；進而利用深度確定性策略梯度算法構建電力系統通信網數據安全態勢在線學習與治理策略自主生成之間的耦合模型，實現高度動態復雜環境下電力系統通信網數據安全治理策略自主生成。三個子進程針對數據處理進程有一定的輔助分析效果，且具備耦合獨立控制性能，可獨立控制數據集合的形成、態勢在線學習與治理策略自主生成。

圖4 模型可視演示系統開發及應用實踐分析布置圖

圖4 給出了電力系統通信網數據安全治理模型演示系統布置邏輯框架，利用該框架對實際應用實踐效果進行分析，在電力系統通信網數據安全治理模型的效能分析中引入了定量化指標。利用傳感器集群搭建高度動態復雜環境下通信網數據安全態勢快速獲取裝置，在收集形成數據樣本的基礎上進行參數設定。考慮到高度動態復雜場景下通信網數據安全態勢參數的多源異構特性，采取差異化的參數設定方式，該文選擇國家電網隸屬的某智能電網示范區采購的電力系統通信網數據安全可視化實時監測及治理平臺作為對照系統。為了驗證模型與方法的合理性，設置電力系統通信網數據安全可視化實時監測及治理平臺為跟隨系統[16]，對原始態勢數據進行預處理并池化，將數據池根據成像特性劃分為訓練與測試集合，其中的訓練集具有先驗特性，測試集則具備動態進化功能。該文提出了通信網數據安全態勢在線學習參數覆蓋率、較長周期內通信網數據安全態勢預測準確率、通信網數據安全自主治理策略有效率三項指標對工程效益進行表征，并通過演示系統得出這三項指標的定量數據，實現定量化精準評判。該文提出模型可視演示系統人機交互友好性、模型可視演示系統便捷化程度、模型可視演示系統異常信息互聯推送三項指標，并對其進行定性分析。電力系統通信網數據安全治理模型應用實踐效能分析對比表如表1 所示。

表1 效能分析對比表

4 結論

為加強電力系統通信網數據安全管理，該文提出了一種基于機器學習的電力系統通信網數據治理模型。通過利用深度長短期神經網絡和深度確定性策略梯度算法構建電力系統通信網數據安全態勢在線學習與治理策略自主生成之間的耦合模型。通過實驗對模型性能進行評估，結果表明，該模型在數據安全態勢預測方面，準確率達到96.28%。在數據安全自主治理策略方面，有效率達到92.81%。該模型可實現高度動態復雜應用場景下的電力系統通信網數據安全治理策略自主生成。