深度自编码下电力通信网络风险态势评估方法

高 宇

（国网陕西省电力公司电力科学研究院，陕西 西安 710100）

0 引 言

随着深度自编码下电力通信网络传输技术的发展，对电力通信网络风险态势评估受到人们的极大关注。构建电力通信网络风险态势评估模型，结合对电力通信网络风险态势参数分析，进行电力通信网络的信道均衡设计，提高电力通信网络风险感知和预测能力，从而保障电力通信网络的安全性和畅通性。研究电力通信网络风险态势评估方法，在提高电力通信网络的信道均衡控制能力方面具有重要意义[1]。

采用深度自编码方法进行电力通信网络的安全态势评估设计，控制深度自编码下电力通信网络数据传输过程，提高电力通信网络数据包的转发能力。但由于数据包在传输中容易受到电力通信网络的干扰和外部侵入因素的影响，导致电力通信网络容易受到入侵，对此建立深度自编码下电力通信网络风险态势评估模型[2]。本文提出基于线性随机编码控制的电力通信网络风险态势评估方法，构建电力通信网络风险态势感知的随机编码模型，结合加权随机编码控制方法进行电力通信网络风险态势数据挖掘，然后通过冗余代码混淆的方法设计电力通信网络风险特征的深度自编码，实现电力通信网络风险评估和稳态控制能力的提高。最后进行仿真测试，验证了本文方法在提高深度自编码下电力通信网络风险态势评估能力方面的优越性能。

1 指标参数分析和模型构造

1.1 深度自编码下电力通信网络安全态势指标参数分析

为了实现基于线性随机编码控制的深度自编码下电力通信网络节点安全态势评估，首先构建深度自编码下电力通信网络隔离性特征分析模型，采用融合指标参数分析方法进行电力通信网络的风险安全系数感知[3]。结合负载参数调节的方法，建立电力通信网络风险态势评估的统计分析模型，得到如表1所示的统计特征量分布。

表1 电力通信网络风险态势评估的统计特征分布

根据表1的深度电力通信网络安全态势指标参数指标分析，构建深度自编码下电力通信网络风险态势大数据分析模型。通过多频参数分析，构建深度自编码下电力通信网络风险安全感知分布集，由此得到深度自编码下电力通信网络线性编码输出时间序列为：

式中，E= [e1,e2,… ,e4P]为深度自编码下电力通信网络风险评估参数集。在链路(a,bm)上，得到电力通信网络风险态势感知的酉矩阵，∑= diag [σ1,σ2,… ,σ4P]表示电力通信网络的电压感知时间序列。采用ZigBee协议构建电力通信网络风险态势评估的节点分配模型，结合属性优先级构造，进行电力通信网络风险态势评估[4]。

1.2 模型构造

建立深度自编码下电力通信网络风险态势评估的幅值响应分析模型，通过线性编码控制和信道均衡设计，结合机器学习方法进行线性编码的自适应寻优。设置深度自编码下电力通信网络节点风险态势评估的迭代步数为N，网络节点风险适应度函数表示为：

式中，C1(s)表示量化参数；λ1、λ2分别表示一阶和二阶安全态势评估系数；s表示点跟踪速率。采用机器学习的自动更新规则，实现深度自编码下电力通信网络风险态势评估模型的建立。

2 风险态势评估优化

结合加权随机编码控制方法实现电力通信网络风险态势数据挖掘，采用五元组O=(C,I,P,Hc,R)表示深度自编码下电力通信网络的均衡调度序列[5]。其中C为风险态势评估的量化特征集，I为电力通信网络的电流参数集，P为电力通信网络的功率集，Hc为电力通信网络的比特率跟踪速率，R为电力通信网络的电阻参数。得到电力通信网络风险评估的梯度函数表示为：

式中，x为原始风险状态概率；为平均风险概率；aj为电力通信网络风险态势的自编码参数；bj为电力通信网络风险态势预估特征分布集；φj为随机分布带宽。采用Cyber-net与分集均衡调度的方法，实现对深度自编码下电力通信的均衡调度，得到输出有限域为：

式中，E[xk]表示深度自编码下电力通信网络的信息融合中心；Φk(ω)为深度自编码下电力通信网络分布间隔；xk为采样时延；f(x)为深度自编码下电力通信网络风险评估的学习函数。综上分析，通过冗余代码混淆的方法进行电力通信网络风险特征的深度自编码设计，可提高电力通信网络风险评估和稳态控制能力。

3 实验测试

为了验证本文方法在实现深度自编码下电力通信网络风险态势评估中的应用性能，采用MATLAB仿真软件进行仿真测试。设定电力通信网络风险态势评估的编码序列参数分别为13 957、13 087、12 739、12 522、12 261、12 261、12 217、12 130、12 043 以及12 000（单位为baud），深度自编码下电力通信网络传输并网场为容量为23 100 kW，进行安全态势评估的实验内容如表2所示。

表2 安全态势评估的实验内容

根据安全态势评估的线性规划参数解析结果，实现深度自编码下电力通信风险态势评估，得到风险态势分布如图1所示。

图1 风险态势分布直方图

分析图1得知，本文方法进行深度自编码下电力通信网络风险态势评估的均值误差较小，测试深度自编码下电力通信网络风险态势评估的进入，与传统方法中的熵权-灰色模型和多维融合模型共同进行测试，根据不同迭代次数，计算不同方法的评估精度，得到对比结果如表3所示。

表3 评估精度对比测试

分析表3得知，熵权-灰色模型网络风险态势评估最高精度在78.09%，多维融合模型网络风险态势评估最高精度为56.88%，而本文方法的网络风险态势评估精度始终保持在87%以上，最高可达到97.10%。在进行深度自编码下，电力通信网络风险态势评估的精度更高，并提高了电力通信网络的安全性和稳定性。

4 结 论

本文提出基于线性随机编码控制的电力通信网络风险态势评估方法，构建电力通信网络风险态势评估模型，结合对电力通信网络风险态势参数分析进行电力通信网络的信道均衡设计。采用机器学习的自动更新规则，进行深度自编码下电力通信网络风险态势评估的模型构造，并且通过实验验证本文方法对力通信网络风险态势评估的精度较高，稳态性较好。