袁群义

（广州健新科技有限责任公司，广东 广州 510000）

1 建立电力通信网络信道模型

为实现对电力通信网络环境中异常数据的检测，需要构建电力通信网络信道模型[1]。在这种跨区域环境中，通信传输协议存在一定差异性，这种情况会造成异常数据的分布和来源存在多重属性[2]。为此，需要对相关数据分布和来源进行确定，因此应选择适当的电力通信网络信道。检测时，按照图1的结构，确定通信网络中数据传输节点的分布位置。

结合图1中绘制的各个数据传输节点及其分布情况，确定通信网络信道为一个多径时变非平稳信道，再结合实践与频率联合特征的方式，确定电力通信网络信道的模型表达函数，如公式（1）所示。

图1 电力通信网络数据传输节点分布位置

式中：x(t)为电力通信网络信道函数；an(t)为某一时刻电力通信网络信道中某一垂直线列路径上的异常数据单分量；s为单分量传递的数据量；τ(t)为传输时延。

当电力通信网络数据传输节点的传输路径有n条时，则此时认为在分布线列阵空间当中存在n条通信信道[3]。再结合时频伸缩对电力通信网络信道中的数据进行描述，如公式（2）所示。

式中：W(t,v)为电力通信网络信道数据；Wx为时间窗口函数；z为采样频率；k为电力通信网络带宽。

通过上述论述，建立和描述电力通信网络信道模型，并描述信道中的数据。

2 电力通信网络数据特征集提取

极小的异常数据通常会被高数值的正常数据所遮蔽。所以，单纯从时间域上对网络的通信流量进行分析很难精确地检测异常成分[4]。基于此，该文引入小波包分解的方式，对电力通信网络信道中的数据进行分解，这一过程的表示如公式（3）所示。

式中：T(t)为小波包分解函数；dj,l,n为在某一层j中，第n个节点的第l个小波包系数；ψn为第n个节点的小波基函数。

根据公式（3）分解电力通信网络信道中的数据[5]，再结合滑动时窗计算的方式，确定检测时段内包含的n个时隙通信网络数据频域特征。在操作过程中，还需要结合待测数据和预测数据得出同一时刻滑动窗口中的小波包系数均值，这一过程的表达如公式（4）所示。

式中：R为小波包系数均值；crtE为待测数据；prdE为预测数据。

通过计算得出的R值可以进一步反映出滑动窗口中待检测样本数据与预测数据之间的差异。在此基础上，将小波包系数均值最大值作为检测时段中电力通信网络连接的统计特征均值。假设这一数值为F，F取值越大，在检测时段中实际数据与预测数据的差别就越大，反之同理[6]。因此，可将F作为电力通信网络异常数据检测的特征指标之一，将对该指标数值的分析作为异常数据检测的判据条件之一。在此基础上，从不同时-频域混合特征集当中选出8个特征指标。

3 基于物联网技术的异常数据识别与离群异常数据检测

为进一步提高对异常数据的识别精度，该文引入物联网技术，通过物联网技术对电力通信网络环境当中的每条网络连接的特征进行提取，并将其各个特征归一化处理到[0，1]区间当中。根据特征集中的特征指标计算出协方差矩阵的具体数值和特征矢量，并将矢量按照相应的特征值大、小取主成分，对数据集进行降维处理[7]。降维后，每个样本标记为对应标签。在此基础上，针对各个标签，用如公式（5）所示的最优分类函数进行分类处理。

在选择核函数之后，由错误惩罚系数C和核函数的参量伽马共同确定支持向量机的异常流量分类。误差惩罚因素C可以在判断功能的复杂度与不正确分类的网络流的采样数目之间进行权衡：C降低，使训练样本中存在较多的分类错误，避免了过度拟合问题，并且能够很好地识别未知流量异常。

在上述基础上对电力通信网络中的离群点进行判断，并找出离群异常数据。对离群点的判别可通过计算被检测点围绕数据中心的紧密程度得出，紧密程度可量化为紧密系数，如公式（6）所示。

式中：E为紧密系数；d为数据中心；iu为距离。

根据公式（6）确定紧密系数，以此判断紧密程度。E值越小，说明越紧密，反之同理，以此确定离群异常数据，实现对数据的异常检测。

5 对比试验

上文基于物联网技术完成了异常数据检测方法的设计，为检验该次设计成果，下述将以某地区电力通信网络公开数据集合为例，通过对比试验的方式测试该文设计的检测方法在实际应用中的效果。

试验前，该文选择将通信网络公开数据集合中的连续数据作为此次检测方法的测试集合，将数据集合录入终端计算机。为确保测试结果的真实性与可靠性，需要在录入测试数据前按照该次试验需求设计终端计算机的运行参数，具体内容见表1。

按照表1中的内容完成对比试验环境中PC机的配置，在此基础上设计网络异常数据采样参数。具体内容见表2。

表1 终端计算机运行参数

表2 网络异常数据采样参数

完成上述设计后，调用后台数据，在展示界面呈现电力通信网络数据，绘制通信时间与信号幅值关系图，如图2所示。

从图2可以看出，电力通信网络传输信号在1 s～1.5 s时段、3.5 s～4.1 s时段和7.8 s～8.5 s时段存在较高幅值。说明在对应的3个时段内存在通信网络异常数据。在掌握测试样本中携带的异常数据分布后，使用该文设计的方法对异常数据进行检测。检测过程中，建立针对电力通信网络异常通信的模型，提取通信过程中信号的特征，并通过识别异常信号实现对异常通信节点的定位与检测。

图2 通信时间与信号幅值关系图

为满足试验结果的对比性需求，完成该文方法在测试环境中的布置后，引进基于改进VECMP算法的检测方法与基于图卷积神经网络的检测方法，将这2种方法作为对比试验中的传统方法A与传统方法B。

试验中，分别使用该文方法与2种传统方法对电力通信网络样本集合进行异常数据检测工作。提取3种方法检测到的信号异常频谱幅值作为试验结果。试验结果如图3～图5所示。

图3 该文方法对信号异常频谱幅值的检测结果

图5 传统方法B对信号异常频谱幅值的检测结果

从图3可以看出，该文设计的检测方法可以精准检测到1 s～1.5 s、3.5 s～4.1 s和7.8 s～8.5 s这3个时段存在异常数据，即对应3个时段的异常信号频谱幅值较高，其他时段不存在异常信号频谱幅值。

从图4可以看出，传统方法A可以检测到对应3个时段存在异常数据，但检测结果中携带噪声，会影响或干扰异常识别的判别与决策。

图4 传统方法A对信号异常频谱幅值的检测结果

从图5可以看出，传统方法B无法识别到3个时段存在异常数据，即对应的8 s检测结果中，输出异常信号频谱幅值均相对较高。

因此，在完成上述试验后，初步得到的试验结论如下：和传统方法相比，该文设计的检测方法可以在排除外界干扰与噪声的条件下，实现对电力通信网络中异常数据的精准检测。

完成上述测试后，选择其他电力通信网络公开数据集合作为测试样本数据，使用3种方法对电力通信网络中携带的异常数据进行检测工作，将检测结果误差作为对比指标。检测结果误差计算如公式（7）所示。

式中：X为检测结果误差，计算单位为%；y1为当前状态下的电力通信网络流量；y2为期望利用量；N为节点流量辨识度；i为时刻。

按照上述方式，计算电力通信网络的异常数据检测结果精度，统计结果见表3。

表3 电力通信网络的异常数据检测结果精度

综合上述试验结果，得到的试验结论如下：和传统方法相比，该文设计的基于物联网技术的检测方法在实际应用中的效果较好。该方法不仅可以实现对电力通信网络中异常数据的精准检测，还可以有效降低检测结果误差，可为电力通信网络的安全、持续和稳定运行提供全面的技术支持与帮助。

6 结语

电力通信网络是一个典型的线性网络，主要负责信息的传输。它的网络资源的质量会直接影响电力通信网络的正常工作，是电力通信网络中极为重要的组成部分之一。其数据传输速度快，传输效率高，对保障电力通信网络的安全运行和生产具有重要意义。基于此，该文进行了对电力通信网络中异常数据检测方法的设计研究，并通过试验检验了该方法的应用可行性。实际应用该检测方法时，为进一步提高电力通信网络运行稳定性和可靠性，还应当结合实时监控技术，实现对异常数据的实时分析与快速决策。