基于大数据的电力通信网络状态感知分析

基于大数据的电力通信网络状态感知分析

Summary：构建电力系统通信网络的态势感知，可以满足智能电网以及能源互联网的建设需求，从数据和态势分析方面能够提高通信网络的智能化和可靠性水平，研究运行过程中的态势感知技术和手段，保障电力系统安全稳定运行。Keys：大数据；电力通信；网络状态；感知分析1电力通信网络概述电力通信网络与发电、输电、变电、配电等过程和相应的电力基础设施及上层服务对象紧密连接，可以传送电力相关数据和各种业务。目前，在智能电网背景下，电力通信网络的智能化水平正在逐渐提高，并引入同步数字序列(sdh)、多服务传输平台(mstp)、光传输网(otn)、波长分割多化(wdm)等技术。电力系统通信网络按功能分类，分为基干通信网，配电通信网，电气通信网。三种网络构成通信方式略有差异，但网格结构相似。电气通信网与传统通信网的区别在于，它具有明显的工业特点，是专门为保证电气系统安全稳定运行而设计的。因此，通信服务也涉及电力系统的所有环节。在《二次电力系统安全与保护总体规划》中，电力服务分为四个主要区域:安全区的实时控制区域(I),非受控生产地区安全区(二)、生产管理区内的区和安全区(III)(IV)安全区的管理信息事务处。I安全区范围包括诸如数据大规模fasoriale功率流控制。数据通信通过特殊通道传输，要求极高的稳定性;安全区II主要包括测量、计量和保护信息服务，这些服务是电气系统故障定位和安全分析的调度决策的重要数据;第三和第四安全区的电气操作是辅助操作，包括视频监控和管理等。操作重要性的主要级别如下表所示。表通信网络业务重要程度2基于大数据的网络状态感知2.1电力大数据特征大数据是融合了数据采集、处理、分析及展示的综合数据运用技术。电力系统中实时数据较多，运用大数据技术可以充分发挥数据潜力，实现数据的多元和差异化使用，为电力系统分析提供相应的数据基础。电力大数据与普通大数据相比，都具有体量大和维度多等特点，这对于知识发掘以及网络流量异常分析等十分有利，可以运用这类数据的特点对网络以及电力系统中的异常现象进行分析。同时，利用大数据可以实现网络状态感知，并且对电力系统的网络安全性能进行相应的分析。2.2网络状态感知系统状态感知是数据应用的主要内容，在给定时间和空间维度，对相应元素的具体含义进行理解，并对可能的事件进行预测，从而达到状态感知的目的。因此，状态感知是网络安全性能认知学习的过程。状态感知通常包括网络安全性能检测、网络态势理解以及网络状态预测三部分。由于电力系统的维度无论是在拓扑结构还是数量层级上都较为庞大，因此对这样大的系统进行状态感知，可能会出现可靠性降低、预测准确率不高等特点，因此需要在大数据以及云计算等先进的计算机技术支撑上进行机器学习。有学者研究了多重迭代集成分类器，用于大数据网络安全性能分析。该分类器使用基本的分类算法，通过迭代方式形成更高级别的分类来处理大数据的安全问题。利用LIME分类器可以判断具有一定分析能力的算法来求解大数据相关的分类问题。LIME分类器能够对良好模块进行有效融合，充分利用大数据在不同算法之间的性能。三种基于大数据的状态感知模型都是依照LIME分类器执行的。因此每个模型都组合了网络安全性能，并且基于相关联的规则对数据集合进行分析，提高了网络安全状态预测的准确性。每个模型的实验都证明了网络状态感知准确性能在分布式平台均有所提高。模块一的主要任务是找到系统中所有活动的集合以及这些活动的特点。主要包括数据预处理以及活动建模。网络安全数据具有较高的维度和较大的体量，因此所提出的模型需要采用相应的数据规划以及降维进行处理。3基于大数据的网络状态感知模型3.1基于神经网络的状态感知模型在神经网络的输入层包含有状态感知的第一模块和第二模块。在隐藏层融合了网络安全状态理解的结果，并将其传输至输出层，通过相应的误差校准最终对状态进行预测。基于神经网络的状态预测模型是一种后向传播网络。在数据传播的方向上，不仅是从输入层到隐藏层再到输出层，而且还有从输出层到输入层存在的反馈。这种结构使得该模型适用于自学习功能，可以根据输入状态的特征改变学习行为。这种特征也使得该模型适用于未经训练的数据处理。并且该模型能够高效地处理数据中的非线性相关性能。由于该模型的复杂性，对于数据中可能出现的噪声数据离群点较不敏感。基于神经网络的状态感知模型融合了神经网络的优点，而其缺点在于训练数据的时间较长，尤其是在电力大数据背景下所需要的时间会更久。神经网络对于缺失值较为敏感，因此需要数据预处理时，准确性较高。神经网络强大的学习性能，使得该模型适用于大数据背景下的电力系统状态感知。3.2基于随机森林的状态感知模型其输出结果由所有决策树的输出结果数量决定。该结构从上至下分为三层，决策结果位于决策树的树叶节点。模块一的状态检测在顶层根部节点实现，其结果传输至第二层模块用于状态理解。最后根据每一个树叶节点的结果进行状态预测。在该模型中所有输入数据分为若干部分，这些部分构件组成树的根部以及树枝和树叶节点。由树根到树叶节点的路径组成了数据处理过程中预测的对象。该模型利用从上至下的策略构建决策树。通过在每个节点选择所有性能较优的特征来实现数据处理，直到所有数据都被处理并且得到所有的特征。该模型决策树的构建过程耗时较短，并且不需要对处理数据的分布状态进行特殊要求。因此对于数据的预处理也没有较为严苛的规则和约束，对于缺失值有较高的容忍度。该方法可以应用于处理数据的线性和非线性关系确定中，在第三个模块中，模型汇总所有树叶节点的结果，并且将结果以最大规则方式输出。基于随机森林的状态估计模型缺点在于构建决策树中采用贪婪策略，可能导致最优结果为局部最优而并非全局最优。同时，该模型缺乏多样性的评估方法，不用于连续变量的分析。对于变量数较多的情况，也可能会出现过拟合现象。4结语网络规模和拓扑结构日益扩大，并且可再生能源以及分布式电源接入电网的渗透率越来越高，导致电网规模以及设备状态都会发生指数式增长。在电力系统薄弱环节，通过大数据技术，可以为系统的安全运行提供相应分析和保障。Reference[1]刘源.大数据信息化在电力通信网络中的应用[J].智能城市,2020,6(11):232-233.[2]唐婀婷.大数据信息化在电力通信网络中的应用[J].区域治理,2019,(52):177-179.[3]薛文婷,王宁,李扬,陈亮,黄俊桦,杨雪莲.面向电力通信网络的运行性能及态势分析[J].软件,2019,40(12):171-173.[