基于模糊神经网络的电力通信信号异常检测研究

张 楠，李涛涛

（1.陕西思极科技有限公司，陕西 西安 710000；2.国网宝鸡供电公司，陕西 宝鸡 721004）

0 引 言

随着现代化社会的飞速发展，电力通信在现代电力系统中的作用越来越重要，不仅能够保障电力系统的安全运行，还对电力通信信号异常检测研究具有重要意义[1]。电力通信信号异常检测，使电力系统能够更好地适应电力通信信号的复杂性，增强对非线性、非稳定信号的处理能力，提高检测方法的准确度。同时，通过应用自动检测方法能够自动识别异常信号，减少人工干预与判断，使检测结果更客观[2]。然而，传统方法在进行电力通信信号异常检测时，对于某些特定类型的异常信号不够敏感，对非线性信号的处理能力有限，可能导致误判或漏检，算法的计算复杂度较高，难以有效处理大规模、高维度的信号数据，针对不同类型的异常信号，需要重新设计算法，适应性较差，导致检测结果难以符合预期。因此，文章以电力通信信号异常检测为研究对象，并基于模糊神经网络，结合实际情况开展实验与分析。

1 电力通信信号异常检测

1.1 时域数据采样

提取电力通信信号的时频特征，并运用归一化处理原始时域内的复数矩阵[3]。设定原始时域序列为x[n]，n为时域序列的长度。在学习网络中，提取时频信号序列的头部和尾部，并整理成一个矩阵作为网络的输入。同时，选择合理的n值，以减少网络输入的矩阵因子和参数整合量。采样数据特征由波特数决定，当时域序列长度与波特数成正比时，设定有限长序列的波特数为T，计算公式为

式中：e为期望信号的波特率；g为接收机采样数据。在检测过程中，网络输入的时域序列必须至少含有1个完整的波特数，使T＞1。这样才能提取出满足标准波特率的通信信号，并获得相应的模拟数字（Analog to Digital，AD）值[4-5]。

1.2 输入样本无监督学习

将采集的样本数据输入网络，利用网络自身的层次结构和自动编码机对隐藏层进行堆叠，通过无监督的学习和训练获得稳定的网络参数，学习并提取重要的特征信息。在编码过程中，为有效捕捉特征信息，需要对隐藏层添加KL限制。损失函数公式为

式中：β为惩罚因子；j为损失函数；p为设定参数，用于限制神经元节点的输出值。当p=pj时，KL限制结果最小。在网络迭代中，将损失函数调整为最小值，使神经元节点的输出值趋近于p，以达到稀疏化表达的目的。稀疏化表达是指限制神经网络的输出，使只有少数神经元被激活并输出非零值，而其他神经元的输出接近0。这种稀疏性可以帮助网络集中学习和表示输入数据的关键特征，并降低冗余信息的影响。为防止出现过拟合问题，训练数据强迫网络学习克服干扰，使编码机具备自动重建受损输入信号的能力。将输入数据中的部分信息置为0，并通过编码器进行编码，统计数据中输入信号的纯净形式，以达到消除背景噪声的效果。

1.3 电力通信信号异常特征提取

在通信网络中，给定异常特征提取的权限指标为k，确保权限指标的实际值结果不会发生变化[6]。设定数据信息的原码值为h，对电力通信信号进行译码，译码公式为

式中：G为常规译码系数；α为规定情况下的译码权重；|h2-h1|为电力通信信号中2 个相关性参数的差异。通过对通信信号进行译码，能够反映目标数据信息与异常数据之间存在的数据误差。因此，文章运用解调的方式提取电力通信信号异常数据。根据信息参量编码与解码条件，设定指标的定义函数为f(x)，x为2 个指标的平均值，异常特征提取公式为

式中：y为异常数据提取的解调处理值；b为解调量的异常数据处理值。通过计算与处理指标参量，能够完整地提取电力通信信号的异常数据特征。

1.4 模糊神经网络异常检测

将提取到的异常信号特征输入模糊神经网络。在模糊神经网络中，需要利用激励函数结合粒子群算法对模糊神经网络训练。模糊神经网络结构为3 层，对隐藏层和输出层添加权重，并对权重进行更新，更新公式为

式中：i为样本序数；wi为不同层之间的连接权重；ri为隐藏层异常信号。

设定随机初始化模糊神经网络的连接权重为一群粒子，每个粒子的速度为[-vmax,vmax]。第一，初始化粒子的最佳位置，使粒子在网络中进行前向计算，以获得粒子的适应度函数，并对适应度进行评价。第二，比较所有粒子的适应度，获得全局最优值，并不断更新粒子的位置和速度，得到最优位置和速度，以达到仔细搜索的目的。第三，在解空间中搜索时，如果粒子的适应度小于预设值，则网络训练达到收敛精度要求，结束网络训练。第四，对训练数据进行聚类分析，通过快速傅里叶变换（Fast Fourier Transform，FFT）将训练数据变成信号幅度。第五，在二维直角坐标系中，将经过FFT 转换后的某一时刻的信号幅度设定为o，并比较同一时刻的实际信号幅度。如果两信号幅度相等，说明测试样本正常，为正常信号；如果信号的幅度不相同，则为异常信号。

2 实验测试与分析

2.1 搭建实验环境

本次实验使用短波接收机在8 ～15 MHz 频段内搜索通信信号。在搜索过程中，使用接收装置从低频到高频逐步搜索通信信号。当搜索到任意一个频点时，输出端采集该信号并将其转换成频域数据。同时，将这些数据整理成样本，代表在特定调频频段和测试时间内截获的通信数据。通过对这些数据的深入分析和处理，可以进一步验证通信信号异常检测方法的有效性。

利用C 语言搭建实验所用的测试环境，运用的软件环境和参数如表1 所示。

表1 软件环境和参数

2.2 结果与分析

首先，构造神经网络，对训练网本进行聚类分析，提取通信电台信号变化的幅度规律，并将得到的信号特征存入样本库。其次，对比测试样本中的幅度规律，检测出单个异常信号，从而获得信号在一定时间内的时频图。最后，从训练样本中提取模拟的时频图，在第3 天时注入异常信号，并对注入异常信号的训练样本进行异常检测。使用文章所提检测方法进行异常信号检测，结果如图1 所示。

图1 聚类时频检测结果

将实时采集信号经过快速FFT 转换，并将原始信号幅度与文章所提检测方法检测到的信号幅度进行对比。发现与原始时频图相比，在第3 天时信号时频发生异常波动，两信号幅度不相同，而其余时间的信号幅度均相等，说明检测样本第3 天中含有异常信号。由此可知，运用文章所提检测方法能够有效检测出异常信号，完成对采样信号的快速检测。

为验证文章所提异常检测方法的有效性，需要通过仿真实验模拟10 个异常信号，并在[10，50]内随机生成信号幅值，每个信号的采样时间均为12 min。将仿真信号输入样本，总频点数为500 个，异常信号的频点数为80 个。本次实验设置10 个小组，运用文章所提异常检测方法对加入仿真信号的样本数据集进行预处理，并进行检测，得到的检测结果如表2 所示。

表2 异常检测结果

由实验结果可知，10 个小组的异常信号检测准确率均在99%以上，结果符合预期。说明运用文章所提检测方法能够有效检测出样本异常问题，且能够对大规模的通信信号进行有效分类。

3 结 论

文章主要研究基于模糊神经网络的电力通信信号异常检测，将模糊神经网络应用于电力通信信号异常检测，可以有效提高电力通信信号异常检测准确率和效率，为电力信息通信系统的稳定运行提供有力保障。同时，该研究可以为其他相关领域提供有益的参考。但方法存在一些不足之处，如分析数据不完善、样本检测异常等，因此需要相关研究者作进一步的研究，以提高检测准确率。