基于深度学习的电力系统异常数据自动捕获方法

叶 宽，杨 博，朱 戎，谢 欢，赵 蕾

（国网北京电科院，北京 100075）

深度学习理论描述了学习样本数据的表示层次及其内在作用规律，在学习过程中所获得的一切文字、声音、图像等信息参量，都具备较强的应用处理能力。该项理论算法的最终实践目标是使机器人具备像人一样的学习与分析能力，在准确识别文字、声音、图像等数据信息的同时，为各项理论参量赋予较强的计算与处理能力[1-2]。总地来说，深度学习是一种极为复杂的机器学习类应用算法，在图像及语音识别方面具有较为客观的应用前景，远超数据挖掘、机器翻译等其他类型的信息处理技术。

在电网应用环境中，随着传输电子累积量的增大，个别节点处的电信号行为会出现明显的异常存在状态，易导致异常传输电子精确化处理能力的快速下降。为避免上述情况的发生，机器学习型捕获手段在类别特征标签的作用下，计算暂存于电网环境中的异常电子数据量条件，再通过局部离群因子，确定既定节点处的电信息承载能力。但该方法在单位时间内所能处理的异常传输电子数量值水平相对较低，易造成精确化处理能力的持续下降。为解决此问题，提出基于深度学习的电力系统异常数据自动捕获方法，通过清洗电力数据的方式，设置异常检测标签的编码条件，再联合自动化协议栈的多层架构，建立必要的数据捕获映射条件。

1 异常数据检测

基于深度学习的电力系统异常数据检测包含Caffe 深度学习框架搭建、电力数据清洗、异常检测标签编码3 个处理步骤，具体执行方法如下。

1.1 Caffe深度学习框架

Caffe 深度学习框架是电力系统硬件执行环境的搭建基础，由学习网络本体、电网监测主机、学习节点、异常数据集合等多个结构共同组成。其中，学习网络本体可提供电力系统运行所需的电子量信息，并可借助数据传输通道，反馈至下级应用结构之中。电网监测主机起到承上启下的物理连接作用，可在电量数据传输流的作用下，将异常数据平均分配至各级学习节点之中，从而较好地满足电信息捕获需求[3-4]。异常数据集合位于Caffe 深度学习框架底部，可有效整合各学习节点中的电力系统异常数据，并将其转换为既定格式的存储应用参量。Caffe深度学习框架结构图如图1 所示。

图1 Caffe深度学习框架结构图

1.2 电力数据清洗

电力数据清洗是深度学习网络中一个极为重要的信息处理过程，对异常检测制度的实施起到关键性影响作用。由于各项外界干预因素的存在，未进行电力数据清洗操作的异常捕获信息存在较强的不完整性与不一致性，这些信息参量被称为脏数据或错误数据，对后续自动捕获方法的执行具有较大影响[5-6]。所以为了消除这些干扰性影响，电力数据清洗就显得非常必要。一般情况下，在Caffe 深度学习框架中，电力数据清洗结果受到常性化捕获指标χ的直接影响，若不考虑其他干预条件对最终计算结果的影响，常性化捕获指标数值越大，电力数据的清洗能力也就越强，反之则越弱，具体计算公式如下：

其中，ρ1、ρ2分别代表两个不同的电力系统异常数据捕获处理密度条件，y1、y2分别代表两个不同的电力系统异常数据特征值参量。

1.3 异常检测标签编码

通常情况下，电力系统异常数据中始终包含大量的类别特征参量，且这些特征同时具备较强的标签编码能力，然而仍有一部分捕获节点需要对电力系统异常数据设置必要的判别条件，也就是异常检测标签的编码处理行为[7-8]。异常检测标签编码所能接收的电力系统数据必须保持有序存在状态，并要求其输出行为必须为连续且规范的。然而，按照既定表示形式，待编码的数值并不能持续保持为有序状态，总地来说，也就是Caffe 深度学习框架为其分配了一个数量值而已[9-10]。设e0代表最小的检测标签编码条件，en代表最大的检测标签编码条件，n代表异常检测标签在Caffe 深度学习框架中的实际传输系数值。在上述物理量的支持下，联立式（1），可将电力系统的异常检测标签编码结果表示为：

其中，β代表非常规电力系统数据的自动化检测处理权限，代表电力系统异常数据的捕获输出均值量，t高高高高代表既定的标签编码系数。

2 异常数据自动捕获方法

在深度学习原理的支持下，按照自动化协议栈多层架构搭建、异常数据拷贝、数据捕获映射条件设置的处理流程，实现电力系统异常数据自动捕获方法的顺利应用。

2.1 自动化协议栈的多层架构

自动化协议栈能够提供电力系统异常数据自动捕获所需的一切连接协议信息，可在ICE 61850 设备与GOOSE over UDP 设备的作用下，实现对GOOSE节点、UDP 节点与IP 节点的有效调配，从而联合电力系统以太网体系，完成对自动化双绞线的按需布施[11-12]。应用层、传输层、网络层、链路层、物理层结构体同时位于电力系统以太网络外端，能够为Caffe深度学习框架提供良好的捕获节点条件，一方面可提防异常数据对于电力系统主机的打击与干扰行为，另一方面也可将异常数据信息整合成独立的传输主体，大幅节省深度学习网络中的数据存储空间。自动化协议栈的多层架构示意图如图2 所示。

图2 自动化协议栈的多层架构示意图

2.2 异常数据拷贝

异常数据拷贝可耗费大量的CPU 存储空间，在自动化协议栈多层架构体系的作用下，该项处理行为可将电力系统异常数据的自动捕获时间缩短近50%。在电力系统异常数据传输速率水平保持为l0 Mbit∕s 的情况下，检测标签编码执行速率可达到原有捕获速率的一倍或几倍。在此情况下，异常数据的拷贝与封装行为都会对最终信息捕获结果造成直接影响，数据传输量过大或过小，都会导致捕获结果出现偏颇，从而影响深度学习网络的实际作用能力[13-14]。设δ1代表第一个输入的电力系统异常数据拷贝信息参量，δn代表第n个输入的电力系统异常数据拷贝信息参量。在上述物理量的支持下，联立式（2），可将异常数据的拷贝结果表示为：

其中，f代表深度学习网络中的电力异常数据感知参量，ΔT代表电力系统异常数据的单位捕获时长，λ代表特征捕获系数，代表电网异常数据的特征拷贝参量。

2.3 数据捕获映射条件

电力系统的内核访问用户空间一般不会直接对深度学习网络开放，且在实际操作时也极易受捕获节点所处位置的影响。因此，应以电力系统异常数据的原始存在节点作为捕获映射条件的初级建立依据，以自动化捕获节点的终止存在位置作为捕获映射条件的终极建立依据，两相结合，在深度学习网络中实现电力系统异常数据捕获映射条件的顺利应用[15-16]。设v0代表电力系统异常数据的原始存在节点位置信息，vn代表电力系统异常数据的终止存在节点位置信息。在上述物理量的支持下，联立式（3），可将电力系统异常数据捕获映射条件定义为：

其中，s1、s2分别代表两个不同的电力系统异常数据行为限制条件，ξ代表基于电力系统的异常数据学习权限值。至此，实现各项物理数据指标的计算与处理，在深度学习网络的支持下，完成电力系统异常数据自动捕获方法的设计与应用。

3 实用能力检测

为验证基于深度学习的电力系统异常数据自动捕获方法的设计应用价值，设计如下对比实验。搭建如图3 所示的电力系统实验环境，分别将实验组、对照组控制主机与发电站设备相连，其中实验组主机搭载基于深度学习的电力系统异常数据自动捕获方法，对照组主机搭载机器学习型捕获手段。

图3 电力系统实验环境

异常电子传输处理量、处理消耗时间均能反应电网主机对于异常传输电子量的精确化处理能力，一般情况下，异常电子传输处理量越大，处理消耗时间越短，电网主机所具备的异常传输电子精确化处理能力也就越强，反之则越弱。具体实验结果如表1、表2 所示。

表1 异常电子传输处理量对比表

表2 电力系统异常数据处理消耗时间

分析表1 可知，实验组异常电子传输处理量在前两个单位时长内，始终保持不断上升的数值变化趋势，而从第三个单位时长开始，这种数值变化趋势逐渐趋于稳定，进入第四个单位时长后，这种数值变化趋势又再次恢复逐渐上升的形式，整个实验过程中的最大数值结果达到了9.6×1014T。对照组异常电子传输处理量在前两个单位时长内，始终保持绝对稳定的数值变化趋势，而从第三个单位时长起，这种稳定变化趋势开始逐渐趋于下降，整个实验过程中的最大数值结果仅能达到6.3×1014T，与实验组最大值相比，下降了3.3×1014T。

分析表2 可知，随着电力系统异常数据累积量的增大，实验组数据处理消耗时间始终保持相对稳定的波动变化状态，整个实验过程中的最大数值结果仅能达到2.6 s。对照组数据处理消耗时间则始终保持小幅上升的数值变化趋势，整个实验过程中的最大数据结果达到了4.6 s，与实验组极值相比，上升了2.0 s。

综上可知，应用基于深度学习的电力系统异常数据自动捕获方法后，单位时间内异常电子传输处理量水平开始不断增大，而在异常数据累积量趋于稳定的情况下，异常数据处理消耗时间却出现了不断下降的数值变化趋势，较为符合促进电网主机所具备异常传输电子精确化处理能力的实际应用需求。

4 结束语

在深度学习网络的作用下，电力系统异常数据自动捕获方法可联合Caffe 框架，在清洗电力数据信息的同时，对异常检测标签节点进行编码处理，且由于自动化协议栈多层架构体系的存在，待拷贝异常数据能够与最终信息捕获结果建立一一对应的捕获映射条件，不仅能够较好稳定已连接的电网应用环境，也可实现对异常传输电子量的精确化处理，具备较强的应用可行性。