基于机器学习的电力系统通信网数据治理模型

杨慧婷，郭学让，郭庆瑞，张强，李峰

（国网新疆电力有限公司电力科学研究院，新疆乌鲁木齐 830013）

随着我国经济发展及科技进步，我国电力系统逐步向智能电力系统转变。随着智能电力系统对通信网数据安全要求的进一步提高，人工智能技术、物联网技术等新兴技术融入电力系统通信网数据安全治理成为大势所趋[1]。电力系统通信网是电力系统的重要组成部分，是电力系统智慧化的主要信息载体，为电力系统调度自动化、电力系统运行智慧化、电力系统管理科学化提供数据交互保障[2]，助力电力系统数据资产价值深度挖掘提升，开展电力系统通信网数据安全治理研究对制定科学合理的电力系统运行调控策略具有重要的指导性意义。电力系统通信网贯穿电力系统各个环节[3]，是推动能源革命的重要手段，是现代能源体系的核心，更是支撑社会发展的基石，所以开展人工智能背景下基于多级耦合机器学习的电力系统通信网数据安全治理模型的研究，具有重要的理论及实践价值。伴随着我国电力系统建设的动态复杂性加大，电力系统整体的规模也越来越大，对高度动态复杂场景下电力系统通信网数据安全的依赖性越来越强，智能电力系统通信网数据安全治理内部逻辑规模呈指数增长。由于内部逻辑混乱或者外部条件突变触发故障发生的概率大大提高，电力系统通信网核心进程一旦发生故障，往往造成重大的损失[4]。该文提出了一种基于多级耦合机器学习的电力系统通信网数据安全治理模型，选取国家电网某电力系统通信网络中心为案例分析载体，开发了典型需求场景下的电力系统通信网数据安全治理模型应用实践系统并开展了应用实践，进行定量与定性分析。基于某电力系统通信网络中心现有的软硬件设备，辅以高速传感器集群，搭建了模型应用实践验证环境，从定性与定量两个层面对模型开展了典型需求场景下的可视仿真及应用实践定量分析，多维度验证了模型的可行性及优越性。

1 通信网数据安全治理模型架构

以基于多级耦合机器学习的电力系统通信网数据安全治理模型典型需求为控制流顶层设计的指导，聚焦电力系统通信网数据安全态势精准预测与电力系统通信网数据安全治理策略自主生成，对电力系统通信网数据安全治理模型完整控制流逻辑进行任务分解，着重关注电力系统通信网数据安全态势经验池构建、电力系统通信网数据安全态势精准预测机制、电力系统通信网数据安全治理策略自主生成等三个耦合子架构，设计了基于多级耦合机器学习的电力系统通信网数据安全治理模型体系架构，具体如图1 所示。其中，电力系统通信网数据安全态势经验池构建子架构主要实现电力系统通信网数据安全态势数据的采集与池化处理，对数据池进行学习集和应用集分区划分[5]，为构建电力系统通信网数据安全态势精准预测机制提供统一的数据集支撑；电力系统通信网数据安全态势精准预测机制构建子架构主要利用深度长短期神经网络(D-LSTM)对电力系统通信网数据安全态势经验池进行特征提取及进化训练，建立较长周期内的电力系统通信网数据安全态势精准预测机制，实现时间正序下的电力系统通信网数据安全态势在线学习；电力系统通信网数据安全治理策略自主生成子架构主要利用深度确定性策略梯度算法（DDPG）构建电力系统通信网数据安全态势在线学习与治理策略自主生成之间的耦合模型，实现高度动态复杂环境下电力系统通信网数据安全治理策略自主生成。

图1 电力系统通信网数据安全治理模型架构

2 通信网数据安全治理模型

在人工智能背景驱动下，电力系统通信网数据安全治理发展趋势呈现出显著的自主化，一方面要求电力系统通信网具备数据安全态势自主感知功能，可以自主感知外界或者内部逻辑发生变化时通信网数据安全的随动变化；另一方面要求电力系统通信网具备数据安全治理策略自主生成功能，实现数据安全态势在线学习的基础上自主生成最优治理策略。基于电力系统通信网数据安全治理模型逻辑架构，分阶段对基于多级耦合机器学习的电力系统通信网数据安全治理模型关键问题进行分析，首先开展电力系统通信网数据安全态势在线学习关键问题分析，然后开展电力系统通信网数据安全治理策略自主生成关键问题分析，最后给出模型典型需求场景下的仿真验证，详细给出基于多级耦合机器学习的电力系统通信网数据安全治理模型定量化实现过程，为工程化效能分析提供理论支撑。

2.1 通信网数据安全态势精准预测

引入深度长短期神经网络（D-LSTM）对通信网数据安全态势经验池进行特征提取及进化训练，建立高度动态复杂环境下较长周期内的通信网数据安全态势精准预测机制。通过与高度动态复杂环境不断耦合交互，实现时间正序下的通信网数据安全态势在线学习。把电力系统通信网功能单元抽象为多智能体，针对多智能体固有的多源异构特性，可实现高度动态复杂场景下通信网数据安全态势的有序重组[6]。进一步利用D-LSTM 算法的数据筛选与互通功能，对态势经验池异常特征进行精准定位与共享，并引入了正向反馈链条获取形成误差信息，通过自我修正环节协调整体状态，有利于提高较长周期内的通信网数据安全态势精准预测的准确度。假设初始预测机制中采样∈{0,1}，其中i=1,2,…,n表示显化单元编码，则较长周期内的通信网数据安全态势精准预测概率表征如下：

为了提高样本利用率，加快搜索进程[7]，提升算法对不确定性外部因素的适应能力并解决连续进程的处理问题，引入面向模型探索能力扩展的噪杂网络适度生成机制，对D-LSTM 算法进行改进。具体实施过程中，在典型D-LSTM 算法的全连接层中引入该机制，利用自适应噪声自动调整进化能力，适应多变的外界条件，提高了算法的学习与自适应能力。从策略集中任取∈{0,1}，则通信网数据安全态势精准预测概率表征如下：

2.2 通信网数据安全治理策略

利用深度确定性策略梯度算法构建电力系统通信网数据安全态势在线学习与治理策略自主生成之间的耦合模型，实现高度动态复杂环境下电力系统通信网数据安全治理策略自主生成。由于高度动态复杂场景下通信网数据安全态势数据源与数据结构具有多维特性，因此引入经验缓冲因子降低参数复杂度[9]。根据深度卷积神经网络数学原理，需形成策略网络并形成评估指标，设μ为特征识别策略，利用(s,a)衡量识别性能，其本质为价值信息，因此可形成如下的通信网数据安全治理策略自主生成函数：

由于参数多维特性将导致收敛次数激增，因此引入训练机制，利用经验缓冲因子预处理数据。从数据集合中按一定比例进行采样，根据策略安排形成多个训练集合并存储相关数据，基于多个存储集中的参数特性求解通信网数据安全治理策略自主生成函数的梯度，从而提升了优化迭代效率[10]，其收敛次数大幅下降。设回报的数学期望为Q，则通信网数据安全治理策略自主生成机制如式（5）所示，其具备自主进化功能。

自主进化功能来源于多重网络中的参数θQ，因其存在融合效应，可利用数据的互通特性自动识别物理量信息，降低了参数多维特性导致的数据处理复杂度，提升通信网数据安全治理策略自主生成函数的进化性能[11]，且具备一定的智能化，求解如下积分：

基于式（6），进而构建了电力系统通信网数据安全态势在线学习与治理策略自主生成之间的耦合模型，为通信网数据安全治理策略自主生成提供收敛依据。机制原理为利用数据交集的存储与训练形成数学期望，在每个时间点上提取特征数据[12]，与经验数据进行交互，将交互结果输入样本(st,at,rt,st+1)中进行存储，其具备时移特性，可动态调整学习行为，且实现了显性的物理映射，进而提取部分数据采用策略形成训练集[13]，加快了感知进程，因此通信网数据安全治理策略自主生成函数可表征为如下的数学期望：

2.3 仿真验证

模型典型需求场景为国家电网隶属的某电力系统通信网络中心，利用该文模型对电力系统通信网数据安全治理问题展开工程效能分析，模型搭建与算法设计是基于Geatpy 开源工具箱，并在PyCharm集成开发环境下进行。采集了2021 年6 月—2022 年5 月期间的国家电网隶属的国家电网隶属的某电力系统通信网络中心数据安全治理历史数据。数据采集设备为多源异构传感器集群，通过池化处理形成经验池进行仿真。该文抽取池中67 000 组数据进行训练，将其中2 700 组数据作为学习集，剩余40 000例数据则为应用集。考虑到通信网数据安全态势数据的采集是在不间断策略控制下序贯进行的[14]，因此该文引入了融合经验缓冲因子的深度卷积神经网络提高原有LSTM 模型的判读效率，其网络层数目选取为16层，以保证交通态势感知的时效性。实验过程中始终激活数据源采集及池化进程，保障电网运行态势数据源实时输入，将神经网络类型设为Targetaction Value 与Action Value，利用前者神经网络处理当前状态s，可得Next Q值，利用后者神经网络处理当前状态s，可得eval Q值，实现时间正序下的电力系统通信网数据安全态势在线学习。将该文所提算法与单纯BP 神经网络算法、单纯确定性策略梯度法以及改进的深度信念网络法进行高度动态复杂环境下电力系统通信网数据安全态势精准预测对比，得出算法的收敛性能对比结果如图2 所示。将该文所提算法与单纯确定性策略梯度法、改进深度信念网络法进行电力系统通信网数据安全自主治理策略有效率对比，算法收敛性能的对比结果如图3 所示。

图2 电力系统通信网数据安全态势精准预测关键问题分析仿真图

图3 电力系统通信网数据安全治理策略自主生成关键问题分析仿真图

3 模型可视演示系统

对利用多源异构传感器集群采集到的融合经验学习集和实践应用集的电力系统通信网数据安全态势经验池展开研究，搭建模型可视演示系统并对模型开展应用实践分析。基于某电力系统通信网络中心现有的软硬件设备，辅以高速传感器集群，搭建了模型应用实践定量分析环境，其分析布置图如图4所示。为了增强模型可视效果，演示系统设置了通信网数据安全态势在线学习可视演示区及通信网数据安全治理策略自主生成可视演示区，涵盖电力系统通信网数据安全态势经验池构建、电力系统通信网数据安全态势精准预测机制、电力系统通信网数据安全治理策略自主生成三个子进程，其运行进程与主模块始终保持时间同步性，并利用通信端口保证数据互通，且在可视控制界面上进行实时更新[15]。将电力系统通信网数据安全态势经验池进程的分区作为原始变量，利用深度长短期神经网络对电力系统通信网数据安全态势经验池进行特征提取及进化训练，建立较长周期内的电力系统通信网数据安全态势精准预测机制，实现时间正序下的电力系统通信网数据安全态势在线学习；进而利用深度确定性策略梯度算法构建电力系统通信网数据安全态势在线学习与治理策略自主生成之间的耦合模型，实现高度动态复杂环境下电力系统通信网数据安全治理策略自主生成。三个子进程针对数据处理进程有一定的辅助分析效果，且具备耦合独立控制性能，可独立控制数据集合的形成、态势在线学习与治理策略自主生成。

图4 模型可视演示系统开发及应用实践分析布置图

图4 给出了电力系统通信网数据安全治理模型演示系统布置逻辑框架，利用该框架对实际应用实践效果进行分析，在电力系统通信网数据安全治理模型的效能分析中引入了定量化指标。利用传感器集群搭建高度动态复杂环境下通信网数据安全态势快速获取装置，在收集形成数据样本的基础上进行参数设定。考虑到高度动态复杂场景下通信网数据安全态势参数的多源异构特性，采取差异化的参数设定方式，该文选择国家电网隶属的某智能电网示范区采购的电力系统通信网数据安全可视化实时监测及治理平台作为对照系统。为了验证模型与方法的合理性，设置电力系统通信网数据安全可视化实时监测及治理平台为跟随系统[16]，对原始态势数据进行预处理并池化，将数据池根据成像特性划分为训练与测试集合，其中的训练集具有先验特性，测试集则具备动态进化功能。该文提出了通信网数据安全态势在线学习参数覆盖率、较长周期内通信网数据安全态势预测准确率、通信网数据安全自主治理策略有效率三项指标对工程效益进行表征，并通过演示系统得出这三项指标的定量数据，实现定量化精准评判。该文提出模型可视演示系统人机交互友好性、模型可视演示系统便捷化程度、模型可视演示系统异常信息互联推送三项指标，并对其进行定性分析。电力系统通信网数据安全治理模型应用实践效能分析对比表如表1 所示。

表1 效能分析对比表

4 结论

为加强电力系统通信网数据安全管理，该文提出了一种基于机器学习的电力系统通信网数据治理模型。通过利用深度长短期神经网络和深度确定性策略梯度算法构建电力系统通信网数据安全态势在线学习与治理策略自主生成之间的耦合模型。通过实验对模型性能进行评估，结果表明，该模型在数据安全态势预测方面，准确率达到96.28%。在数据安全自主治理策略方面，有效率达到92.81%。该模型可实现高度动态复杂应用场景下的电力系统通信网数据安全治理策略自主生成。