基于模糊神經網絡的電力通信信號異常檢測研究

張 楠，李濤濤

（1.陜西思極科技有限公司，陜西 西安 710000；2.國網寶雞供電公司，陜西 寶雞 721004）

0 引 言

隨著現代化社會的飛速發展，電力通信在現代電力系統中的作用越來越重要，不僅能夠保障電力系統的安全運行，還對電力通信信號異常檢測研究具有重要意義[1]。電力通信信號異常檢測，使電力系統能夠更好地適應電力通信信號的復雜性，增強對非線性、非穩定信號的處理能力，提高檢測方法的準確度。同時，通過應用自動檢測方法能夠自動識別異常信號，減少人工干預與判斷，使檢測結果更客觀[2]。然而，傳統方法在進行電力通信信號異常檢測時，對于某些特定類型的異常信號不夠敏感，對非線性信號的處理能力有限，可能導致誤判或漏檢，算法的計算復雜度較高，難以有效處理大規模、高維度的信號數據，針對不同類型的異常信號，需要重新設計算法，適應性較差，導致檢測結果難以符合預期。因此，文章以電力通信信號異常檢測為研究對象，并基于模糊神經網絡，結合實際情況開展實驗與分析。

1 電力通信信號異常檢測

1.1 時域數據采樣

提取電力通信信號的時頻特征，并運用歸一化處理原始時域內的復數矩陣[3]。設定原始時域序列為x[n]，n為時域序列的長度。在學習網絡中，提取時頻信號序列的頭部和尾部，并整理成一個矩陣作為網絡的輸入。同時，選擇合理的n值，以減少網絡輸入的矩陣因子和參數整合量。采樣數據特征由波特數決定，當時域序列長度與波特數成正比時，設定有限長序列的波特數為T，計算公式為

式中：e為期望信號的波特率；g為接收機采樣數據。在檢測過程中，網絡輸入的時域序列必須至少含有1個完整的波特數，使T＞1。這樣才能提取出滿足標準波特率的通信信號，并獲得相應的模擬數字（Analog to Digital，AD）值[4-5]。

1.2 輸入樣本無監督學習

將采集的樣本數據輸入網絡，利用網絡自身的層次結構和自動編碼機對隱藏層進行堆疊，通過無監督的學習和訓練獲得穩定的網絡參數，學習并提取重要的特征信息。在編碼過程中，為有效捕捉特征信息，需要對隱藏層添加KL限制。損失函數公式為

式中：β為懲罰因子；j為損失函數；p為設定參數，用于限制神經元節點的輸出值。當p=pj時，KL限制結果最小。在網絡迭代中，將損失函數調整為最小值，使神經元節點的輸出值趨近于p，以達到稀疏化表達的目的。稀疏化表達是指限制神經網絡的輸出，使只有少數神經元被激活并輸出非零值，而其他神經元的輸出接近0。這種稀疏性可以幫助網絡集中學習和表示輸入數據的關鍵特征，并降低冗余信息的影響。為防止出現過擬合問題，訓練數據強迫網絡學習克服干擾，使編碼機具備自動重建受損輸入信號的能力。將輸入數據中的部分信息置為0，并通過編碼器進行編碼，統計數據中輸入信號的純凈形式，以達到消除背景噪聲的效果。

1.3 電力通信信號異常特征提取

在通信網絡中，給定異常特征提取的權限指標為k，確保權限指標的實際值結果不會發生變化[6]。設定數據信息的原碼值為h，對電力通信信號進行譯碼，譯碼公式為

式中：G為常規譯碼系數；α為規定情況下的譯碼權重；|h2-h1|為電力通信信號中2 個相關性參數的差異。通過對通信信號進行譯碼，能夠反映目標數據信息與異常數據之間存在的數據誤差。因此，文章運用解調的方式提取電力通信信號異常數據。根據信息參量編碼與解碼條件，設定指標的定義函數為f(x)，x為2 個指標的平均值，異常特征提取公式為

式中：y為異常數據提取的解調處理值；b為解調量的異常數據處理值。通過計算與處理指標參量，能夠完整地提取電力通信信號的異常數據特征。

1.4 模糊神經網絡異常檢測

將提取到的異常信號特征輸入模糊神經網絡。在模糊神經網絡中，需要利用激勵函數結合粒子群算法對模糊神經網絡訓練。模糊神經網絡結構為3 層，對隱藏層和輸出層添加權重，并對權重進行更新，更新公式為

式中：i為樣本序數；wi為不同層之間的連接權重；ri為隱藏層異常信號。

設定隨機初始化模糊神經網絡的連接權重為一群粒子，每個粒子的速度為[-vmax,vmax]。第一，初始化粒子的最佳位置，使粒子在網絡中進行前向計算，以獲得粒子的適應度函數，并對適應度進行評價。第二，比較所有粒子的適應度，獲得全局最優值，并不斷更新粒子的位置和速度，得到最優位置和速度，以達到仔細搜索的目的。第三，在解空間中搜索時，如果粒子的適應度小于預設值，則網絡訓練達到收斂精度要求，結束網絡訓練。第四，對訓練數據進行聚類分析，通過快速傅里葉變換（Fast Fourier Transform，FFT）將訓練數據變成信號幅度。第五，在二維直角坐標系中，將經過FFT 轉換后的某一時刻的信號幅度設定為o，并比較同一時刻的實際信號幅度。如果兩信號幅度相等，說明測試樣本正常，為正常信號；如果信號的幅度不相同，則為異常信號。

2 實驗測試與分析

2.1 搭建實驗環境

本次實驗使用短波接收機在8 ～15 MHz 頻段內搜索通信信號。在搜索過程中，使用接收裝置從低頻到高頻逐步搜索通信信號。當搜索到任意一個頻點時，輸出端采集該信號并將其轉換成頻域數據。同時，將這些數據整理成樣本，代表在特定調頻頻段和測試時間內截獲的通信數據。通過對這些數據的深入分析和處理，可以進一步驗證通信信號異常檢測方法的有效性。

利用C 語言搭建實驗所用的測試環境，運用的軟件環境和參數如表1 所示。

表1 軟件環境和參數

2.2 結果與分析

首先，構造神經網絡，對訓練網本進行聚類分析，提取通信電臺信號變化的幅度規律，并將得到的信號特征存入樣本庫。其次，對比測試樣本中的幅度規律，檢測出單個異常信號，從而獲得信號在一定時間內的時頻圖。最后，從訓練樣本中提取模擬的時頻圖，在第3 天時注入異常信號，并對注入異常信號的訓練樣本進行異常檢測。使用文章所提檢測方法進行異常信號檢測，結果如圖1 所示。

圖1 聚類時頻檢測結果

將實時采集信號經過快速FFT 轉換，并將原始信號幅度與文章所提檢測方法檢測到的信號幅度進行對比。發現與原始時頻圖相比，在第3 天時信號時頻發生異常波動，兩信號幅度不相同，而其余時間的信號幅度均相等，說明檢測樣本第3 天中含有異常信號。由此可知，運用文章所提檢測方法能夠有效檢測出異常信號，完成對采樣信號的快速檢測。

為驗證文章所提異常檢測方法的有效性，需要通過仿真實驗模擬10 個異常信號，并在[10，50]內隨機生成信號幅值，每個信號的采樣時間均為12 min。將仿真信號輸入樣本，總頻點數為500 個，異常信號的頻點數為80 個。本次實驗設置10 個小組，運用文章所提異常檢測方法對加入仿真信號的樣本數據集進行預處理，并進行檢測，得到的檢測結果如表2 所示。

表2 異常檢測結果

由實驗結果可知，10 個小組的異常信號檢測準確率均在99%以上，結果符合預期。說明運用文章所提檢測方法能夠有效檢測出樣本異常問題，且能夠對大規模的通信信號進行有效分類。

3 結 論

文章主要研究基于模糊神經網絡的電力通信信號異常檢測，將模糊神經網絡應用于電力通信信號異常檢測，可以有效提高電力通信信號異常檢測準確率和效率，為電力信息通信系統的穩定運行提供有力保障。同時，該研究可以為其他相關領域提供有益的參考。但方法存在一些不足之處，如分析數據不完善、樣本檢測異常等，因此需要相關研究者作進一步的研究，以提高檢測準確率。