深度学习理论在电网异常检测中的应用

崔海花，赵英凯

（河南科技职业大学机电工程学院，河南 周口 466000）

在大数据技术、计算机通信技术、控制技术、信息技术等的支持下，现代电网逐渐向智能化、科技化方向发展。这些先进技术手段融合不仅可以有效采集电网数据，而且可以实时监测电网运行状态，及时为电网稳定、安全运行提供辅助。但现代电网体系日益复杂，监测数据呈爆发式增长，需要电网系统提供高度精细化调度控制体系，特别是对于电网系统运行期间的异常检测和风险预警，需要设计实用化、精细化方案，避免引发范围更大、影响更为严重的事故。深度学习理论（deep learning，DL）是一种机器学习算法，具有高效性、自动化和精确性，能够从海量电网运行数据中快速筛选出有价值的数据，实现电网运行的异常检测，解决复杂的电网系统问题，有效缩短电网运行诊断时间。

1 电网异常检测概述

1.1 电网异常检测

现如今，智能电网体系存在许多复杂的终端设备，系统控制和电网数据采集的目的主要是对这些终端设备进行实时监控，便于专业人员掌握电网运行状态，发现异常时及时采取预防或解决措施。电力终端设备包括馈线终端（feeder terminal unit，FTU）与远程终端（remote terminal unit，RTU）。其中RTU 在电网结构中属于嵌入式系统，指变电站周边的各类远动设备，其能够与主站进行通信，响应其请求，具有采集电力装置电量参数的功能。现如今，已经有许多学者参与到电力终端设备安全相关研究中，希望借助现代科技手段提升电力终端设备运行的安全性，为电网的稳定运行提供保障。有学者构建了电力终端设备安全评估模型，包括对终端应用、系统、网络等的评估标准，可以进一步提升电力终端数据的精确性和规范性。同时，借助对电力终端的安全评估及量化分析，可以提升电网资源配置的合理性和科学性，进而保护电网系统安全运行。学习信息安全相关知识可知，系统结构越复杂，其面临的安全防护问题越严重。因此，国家高度重视电网安全问题，对攻击电网的行为和技术进行了针对性研究，并设计出针对性防御模型，但现有方案和技术仍旧难以应对未知的攻击。

智能电网能够精准识别电网异常行为，并对异常行为进行有效分析，是维护电力环境安全的关键。有学者认为，电网监视控制系统、馈线终端单元、数据采集、远程终端单元等终端设备是安全防御的重点，因为这些终端需要与中央处理器（central processing unit，CPU）进行频繁信息交互，二者交互过程中极易被植入恶意程序，给电网系统安全带来威胁。因此，借助现代先进理论和技术对各类终端攻击手段或异常行为进行精准检测和分析是提升电网安全性的有效方法。

1.2 电网攻击类型

智能电网系统中的行为类别和数据总量十分丰富，常见攻击类型包括数据注入、分布式拒绝服务攻击、监控和数据采集攻击。其一，数据注入在电网攻击案件中十分常见，其能够灵活躲避电网异常数据检测体系，还能够在攻击者的操作下随意篡改电表状态估值，导致电力终端难以响应CPU 控制信息；对终端发送大量非法命令，而电力终端不具备识别异常的能力，因此会执行这些异常命令，导致CPU 命令无法被执行；在电力终端向CPU 反馈数据信息的过程中植入病毒，将病毒植入主站，进而影响电网整体安全和稳定。其二，分布式拒绝服务攻击是网络攻击中较为严重的攻击类型。由于现阶段电网终端系统对CPU 指令检测缺乏灵活性，分布式拒绝服务攻击会将非法命令植入电网系统通信层，然后发送到电力终端，由终端反复执行非法指令，难以及时接受CPU 传达的正确指令，导致电网系统出现运行错误。这些攻击数据十分复杂，且攻击不同终端、处于不同环境会产生不同的行为数据。其三，监控和数据采集类攻击主要作用对象为电网系统中的计算设备，通过电网系统安全防护系统中的漏洞窃取系统数据。这类攻击操作方式简单，借助电网网络层中的漏洞对相关数据进行篡改，替换原始数据包中的重要数据，影响电网系统正常运行。该攻击方式对于配置较低的电网系统威胁较高，建立完善的电网安全验证机制可有效提升电网安全性。

现如今，信息技术更新速度极快，针对电网体系的攻击类型愈加丰富，许多攻击会基于电网安全防护漏洞对电网不同终端或设备进行目标攻击。因此，可基于深度学习理论，分析电网攻击需要具备的要素，借助相关模型构建反攻击约束机制，形成电网异常检测机制，为现代智能电网系统的安全稳定运行提供保障。

2 深度学习理论在电网异常检测中的应用

深度学习理论具有极高的灵敏度和精确度，能够快速检测出系统运行数据存在的异常现象，特别是嵌入式终端和各类电力软件，其在各类系统安全防御工程中具有重要作用。深度学习理论主要借助计算机语言对人体大脑思维进行模拟，同时利用神经网络单元使计算机长期保持人类思维方式和学习能力，快速识别各类声音、视频、文字、图像数据信息。从本质上讲，深度学习理论是一种极具复杂性的计算机学习算法，其对于数据异常检测、分析和处理具有重要作用。电网系统运行过程中，采用深度学习理论可从海量电网运行数据中迅速找到有价值的数据信息，分析和处理电网异常现象，便于专业技术人员采取针对性的解决措施。

2.1 深度学习框架构建

构建深度学习框架需要基于深度神经网络，深度学习理论包含许多算法，具有极强的可拓展性和数据分析能力，可以有效提升电网数据并行处理效率，快速解决电网运行中存在的异常现象。以卷积神经网络框架（convolutional architecture for fast feature embedding，Caffe）为例，Caffe 是一种深度学习框架，具有速度、表达、思维模块化特征，由C++编写内核，同时具有Matlab 和Python接口。对于电网系统异常检测机制而言，Caffe 是构建电网硬件系统执行环境的基础，其主要由电网系统监测主机、学习网络本体、电网异常数据集合、学习节点等构成。其中电网系统监测主机具有物理连接功能，基于电量数据传输流，主动平分电网运行异常数据，并将其输送到不同学习节点，为电信系捕获提供参考；学习网络本体主要用于提供维持电网系统正常运行的电子量信息，基于数据传输通道，将数据信息反馈到相应结构；电网异常数据集合能够整合不同学习节点接收的预测数据，同时将相关数据内容自动转换为标准格式，处于Caffe底部。

2.2 电网系统数据清洗

在基于深度学习理论的电网异常检测体系中，数据清洗占据着极其重要的地位，其对于电网异常检测功能的实施具有重要影响。受到多种外界因素的影响，未经数据清洗的异常数据存在具有较强不一致性的缺陷，相关数据通常被称为“错误数据”或“脏数据”，会对电网系统异常检测工作产生严重影响。为避免电网异常检测工作受到这类数据干扰，需要进行数据清洗。以基于Caffe的电网系统数据清洗为例，其工作过程会受到程序化捕获指标X的影响，如果忽略其他外界因素对清洗结果的影响，则X与电网系统数据清洗能力呈正比，具体影响公式为：

式中，ρ1、ρ2代表电网异常数据捕获处理相应的密度条件；y1、y2为相对应的特征参量。

2.3 电网系统异常检测

电网系统异常数据包含许多类型的特征参量，这些参量具有鲜明特征，即标签编码能力，但对于一些特殊异常数据，需要在电网系统中设置特别条件，才能将其有效处理。电网系统十分复杂，其内核空间通常不会直接向外界开放，深度学习网络难以直接进入电网系统内核用户空间，需要基于电网系统异常数据出现的数字节点，构建异常数据捕获映射条件，并设计自动化终止捕获位置，二者融合形成基于深度学习网络的电网系统异常数据捕获体系。在深度学习理论的影响下，电网系统将Caffe与异常数据捕获技术相融合，能够及时发现和清晰电网系统运行过程中出现的异常数据信息，构建安全、稳定的电网运行环境，同时对检测异常数据进行及时、精确处理，提升电网系统的工作效率。