黎斌，杨小梅

（1. 广西职业技术学院计算机系，广西南宁 530000；2. 广西经济管理干部学院计算机系，广西 南宁 530000）

当今网络时代，采用计算机控制方法实现对设备和机组的网络化管理和智能调度，已成为现代工业生产和数据管理的必备手段，电力网络也不例外。大型电力网络就是通过网络互连组网的方法实现对网络的供电、发电、配电及用电相关数据的智能调度和管理。而今，大型电力网络已成为社会生产和生活中必不可少的要素之一，但由于大型电力网络的开放性与数据自组织特征共享性，对大型电力网络的攻击和损害手段与种类越来越复杂，影响的范围也越来越广。它不仅影响了大型电力网络设备的正常使用，甚至给企业乃至国家带来严重的后果与无法估量的经济损失[1-2]。大型电力网络安全问题已成为全世界关注的焦点，对大型电力网络损伤和危险性的检测作为维护电力网络安全的重要手段之一，也受到了越来越多的关注，相关的算法研究和潜在危险检测系统设计方法研究得到广大学者的重视[3]。

电力网络系统处于复杂的工作环境中，控制参数复杂和不确定，导致路由节点的故障频发，传统方法中，对大型电力网络的危险检测主要采用故障特征节点的分类挖掘和诊断方法，在进行大型电力网络调度智能管理时，首先将电力系统的危险特征在电力智能管理节点中等效为单个的系统散布点对象，然后建立整个系统的散步点聚合性模型，对每个散布点的实际分别特性进行特性分析。在此基础上，对模型进行详尽的分析，然后进行聚合性指导。这样的系统模型符合实际电力网络系统的管理布局，也就是说，在随机化的电力系统布局下，散布点的单个点特征，可以较好地与电力网络系统中的故障节点和危险节点进行一一对应[4-7]。而传统的对电力网络危险节点的检测方法主要采用网络攻击检测方法，对大型电力网络的自损伤的潜在危险检测效果不好。本文提出一种基于电力网络设备损伤检测和危险数据挖掘的大型电力网络潜在危险检测方法，构建大型电力网络的节点分布式组网结构模型，对大型电力网络的故障信号进行特征提取和数据挖掘，构建大型电力网络设备的损伤检测模型，实现对大型电力网络的潜在危险检测。应用仿真实验进行了性能验证，展示了本文方法在实现大型电力网络的危险源定位和故障检测中的优越性能，得出有效性结论。

1 大型电力网络模型构建及数据传输信道特征

在大型电力网络的潜在危险检测和故障诊断中，进行系统模型构建，并在此基础上研究关键技术实现与算法改进。典型的大型电力网络组组网系统中，电力网络用户接收到的多个信源信号，大型电力网络布置在一个二维平面上的矩形目标区域A内，在进行大型电力网络数据传输节点阵列模型自适应优化分布组网中[8]，把网络节点包括以下几个模块：

1）微控制块（MCU）。主要负责大型电力网络数据的电力供电调度和计算功能。

2）通信模块（Radio）。发送和接收大型电力网络数据和用户配电的相关消息。

3）感知模块（Sensor）。感知周围的网络设备环境，收集相关的电力调度信息。

假设大型电力网络数据传输节点配电阵列节点网络中，各个电力网络数据传输节点配电阵列节点是同质同构的，每个节点的通信覆盖半径为r，表示为S=πr2。各个网络节点在区域W中的坐标参数假设为（xi，yi），对于任意2个节点si、sj∈S之间存在至少2条路径，实现电力网络的数据传输和配电调度，令A∈Cn×n（n×n维复数空间），v∈Cn，若电力网络中的危险节点标量特征ρ和非零向量v满足：

式中：ρ为矩阵A的特征值；v为与ρ对应的特征向量。用相关系数来衡量大型电力网络特征信号之间的关联程度，其相关系数定义为：

假设大型电力网络的数据传输信道带宽为Ts=KbTf，每个阵元含有Rn=σ2IN个故障节点，电力网络负载数据堆栈存储过程中，负载数据传输调度集Si（i=1，2，…，L）满足以下条件：

假设V=[v1，v2，…，vn]表示电力网络的任务调度向量。在存在潜在危险条件下，电力调度的时间延迟参量为αl，其中，l∈[0，L-1]，τ0<τ2<…<τL-1，在第k个时间片段内将数据聚集到电力网络负载区间，定义潜在危险数据观测信号的协方差矩阵Rx为：

式中：Rx的秩为N。计算电力网络中的多径增益和和τ1，得到大型电力网络数据传输信道特征分解函数为：

通过第1节的描述，实现了对大型电力网络模型构建和数据传输信道特征信道模型设计，为进行潜在危险数据检测提供了模型基础。

2 潜在危险数据挖掘设计

在第1节进行网络模型构建和数据传输模型设计的基础上，进行大型电力网络的潜在危险数据挖掘算法设计。由于大型电力网络系统工作环境复杂，受到的干扰和影响环节较多，存在着网络窃电攻击和损伤等潜在危险，考虑维护大型电力网络模型的检修基地、供变电、通信信号等不同的危险信息源影响，以实体为路由节点，进行潜在危险数据挖掘，令R为大型电力网络数据库中包含有4元组（Ei，Ej，d，t）之一，电力数据分类属性A={A1，A2，…，Am}，当大型电力网络数据数据包在网络中传送，电力网络攻击信号是在电力网络流量中需要查找的一个模式，其用途是当电力网络潜在危险企图发生时，及时做出响应。在正常的网络活动模式下，如果电力系统出现异常特征[9-10]，那么，就预示着电力系统有被攻击的可能。设带有电力网络攻击特征的信号数据信息集为A={A1，A2，…，AAi}、An（n=1，2，…，i），考虑大型电力网络数据库故障特征相关性参数，其中：

如果大型电力网络中所有的数据信号的序列都用集合{An}来描述，那么，所有的大型电力网络状态信号的拟合状态用公式表示为：

网络信号拟合后的结果表示为：满足约束条件的特征量拟合构成了带有签字危险特征的拟合向量集合，大型电力网络潜在危险信号的空间位置由式（10）计算得到：

对大型电力网络数据库分层特征挖掘准确度概率函数密度表达式为：

对大型电力网络数据库数据对象的层析集成，当网络中有潜在危险时，阵元所接收的潜在危险信号为hq2h（s）。在正交极化阵列中所采集的数据包含了大型电力网络潜在危险信号的空间域和极化域信息，第m个阵元所接收的大型电力网络潜在危险信号为cm（s）=hq（s）fiφm阵列中所有的接收信号表示为：

式中：大型电力网络数据库的潜在危险数据形成m维空间，分析大型电力网络的潜在危险数据和故障特征相关数据的数据量比较大，计算的复杂度比较高，需要进行算法改进设计。

3 电力网络设备损伤检测及潜在危险定位优化

当采用网络攻击检测方法时，对大型电力网络的自损伤的潜在危险检测效果不好。本文提出一种基于电力网络设备损伤检测和危险数据挖掘的大型电力网络潜在危险检测方法，根据数据挖掘结果得到大型电力网络故障数据的特征输入量为：

根据特征分析可知，采用电网网络损伤检测方法，构建损伤检测系统，电路模型如图1所示。

大型电力网络存在潜在危险状态下损伤检测过程如下：设置大型电力网络设备的损伤能够用E（u）进行描述，大型电力网络存在潜在危险状态下的联网设备分布结构能够用R（u，s）进行描述，u能够用来描述网络状态下的分布概率。设置网络设备的损伤检测过程中，潜在危险数据的关联特征估计S赞w为：

其中，损伤设备的概率分布密度函数可以用h（s）表示，大型电力网络设备分布范围参数可以用h（s）表示，则利用式（15）可以计算大型电力网络潜在危险状态下的灵敏度：

设置网络状态下灵敏度具有较强的传递性，网络损伤状态下大型电力网络设备的潜在危险信息的传递函数可以用下述公式进行描述:

在网络设备的损伤检测过程中，损伤衡量函数可用式（17）表示：

根据式（18）可以计算大型电力网络设备的不可接受概率：

假设h（s）的取值是已知的，则可以得到Q个子单元，从而获取网络设备的状态参数：

图1 大型电力网络的损伤检测系统Fig. 1 Damage detection system of the large electric power network

当网络设备损伤检测准确度是φ∈（0，1）、可信度是准∈（0，1）时，可利用式（10）建立大型电力网络设备损伤模型：

以此为依据，挖掘潜在危险数据的差分累积函数特征，建立电力网络设备损伤模型满足式（21）的要求时，实现对大型电力网络潜在危险数据和损伤节点的准确定位：

4 仿真试验与结果

为了测试本文设计的大型电力网络中潜在危险检测算法的性能，进行仿真试验。试验平台为通用PC机，CPU为Intel誖CoreTMi7-2600@3.40 GHz，内存为4×4 GB DDR3@1600 9-9-9-24，操作系统Windows7，开发工具为VS2008，并行处理使用OpenMP 2.0和MPICH NT 1.2.5。构建大型电力网络的节点分布式组网结构模型，对大型电力网络的故障信号进行特征提取和数据挖掘，采用传感器进行数据采集，测得的大型电力网络中的传输电力数据，取其中某段数据的100 000个点作为研究对象，进行危险数据挖掘和检测。本文构建的大型电力网络空间位置数据见表1。

表1 空间位置数据表Tab. 1 Space data tables

根据仿真环境设计和参数设定，建立电力网络设备损伤模型，从而完成潜在危险的检测。对大型电力网络的故障信号进行特征提取和数据挖掘，得到潜在危险数据的多径加权幅度挖掘结果如图2所示。

图2 大型电力网络的潜在危险数据多径加权幅度挖掘结果Fig. 2 The data mining result of potential dangers multipath weighted amplitude for large power networks

由图2可知，采用本文方法能准确实现对大型电力网络的潜在危险数据的准确挖掘和定位，提高了大型电力网络设备的抗损性和稳定性。为了定量分析性能，采用本文方法和传统算法，得到不同信噪比下的潜在危险检测概率对比结果如图3所示。由图3可知，采用本文算法，检测概率明显高于传统算法，展示了本文算法的优越性。

图3 检测性能对比Fig. 3 Detection performance comparison

5 结语

本文提出一种基于电力网络设备损伤检测和危险数据挖掘的大型电力网络潜在危险检测方法。构建大型电力网络的节点分布式组网结构模型，对大型电力网络的故障信号进行特征提取和数据挖掘，构建大型电力网络设备的损伤检测模型，实现对大型电力网络的潜在危险检测。仿真结果表明，采用本文算法对大型电力网络的潜在危险检测性能较高，准确实现故障和攻击的定位和检测。

[1] 樊晓平，杨玺，刘少强，等. 具有能量补给的无线传感器网络分簇路由算法[J]. 计算机工程，2008，11（34）:120-123.FAN Xiaoping，YANG Xi，LIU Shaoqiang，et al. With the energy supply of the wireless sensor network clustering routing algorithm[J]. Computer Engineering，2008，11（34）:120-123.

[2] 傅菊平，齐小刚. 基于剩余能量和节点度的无线传感器网络分簇算法[J]. 计算机应用研究，2011，28（1）: 250-252.FU Juping，QI Xiaogang. Based on the residual energy and the node degrees of wireless sensor network clustering algorithm[J]. Computer Application Research，2011，28（1）:250-252.

[3] 王景欣，袁坚，耿军伟，等. 移动互联网基于用户网络结构的信息过滤机制[J]. 计算机科学，2011，38（10）128-133.WANG Jingxin，YUAN Jian，GENG Junwei，et al. The mobile internet information filtering system based on the user’s network structure[J]. Journal of Computer Science，2011，38（10）: 128-133.

[4] 张学. 无线网络的拓扑控制[J]. 软件学报，2007，18（4）:943-952.ZHANG Xue. Wireless network topology control[J]. Journal of Software，2007，18（4）: 943-952.

[5] 张永铮. 网络风险评估中网络路由节点关联性的研究[J].计算机学报，2007，30（2）：253-256.ZHANG Yongzheng. The associative network routing node in the network risk assessment study[J]. Journal of computers，2007，30（2）: 253-256.

[6] 柳虹，周根贵，傅培华. 分层供应链复杂网络局部演化模型研究[J]. 计算机科学，2013，40（2）：270-273.LIU Hong，ZHOU Gengui，FU Peihua. Local layered complex supply chain network evolution model study[J].Journal of Computer Science，2013，40（2）: 270-273.

[7] 周涛. 基于改进神经网络的电力系统中长期负荷预测研究[J]. 电气应用，2013，32（4）: 26-29.ZHOU Tao. Based on the improved neural network medium and long-term load forecasting of power system research[J]. Electric Applications，2013，32（4）: 26-29.

[8] 李红升. 基于粒子群算法改进电力信息系统的安全研究[J]. 科技通报，2013，29（4）: 158-161.LI Hongsheng. Based on improved particle swarm algorithm of electric power information system security research[J].Bulletin of Science and Technology，2013，29（4）:158-161.

[9] 张文亮，刘壮志，王明俊. 智能电网的研究进展及发展趋势[J]. 电网技术，2009，33（13）: 1-11.ZHANG Wenliang，LIU Zhuangzhi，WANG Mingjun. Research progress and developing trend of the smart grid[J].Power Grid Technology，2009，33（13）: 1-11.

[10] 王晓波，樊纪元. 电力调度中心统一数据平台的设计[J].电力系统自动化，2006，30（22）: 89-92.WANG Xiaobo，FAN Jiyuan. Electric power dispatching center unified data platform design[J]. Automation of Electric Power Systems，2006，30（22）: 89-92.