张 鑫，庞 诏

（国网宝鸡供电公司，陕西 宝鸡 721000）

0 引 言

电力无线通信网络指在电力信息生成、传输、消耗等环节中，利用智能化设备，将电力信息进行可靠性传输。利用电力无线通信网络，能够实现电网异常信号采集、通信等目标，对于智能电网的建设具有重要作用。目前，电力通信网络信息数据呈爆炸式增长，网络信息中的异常数据也随之增加，影响了电力网络信息的高质量传输。针对此类问题，研究人员设计了多种异常值检测方法。其中，基于信息熵的电力无线通信网络信息异常值快速检测方法，与基于深度学习的电力无线通信网络信息异常值快速检测方法的应用较为广泛。

基于信息熵的电力无线通信网络信息异常值快速检测方法，主要是利用熵理论推断电力网络异常情况，根据熵的估算量，确定网络信息熵的取值范围，从而检测出网络信息异常值[1]。基于深度学习的电力无线通信网络信息异常值快速检测方法，主要是结合卷积神经网络（Convolutional Neural Network，CNN）与长短期记忆（Long Short Term Memory，LSTM）的混合检测方法，通过识别电力信息网络存在的异常值，分析检测模型中不同异常值的检测平衡性，从而提高检测准确率[2]。这2 种方法均能检测电力网络异常值，但是具体使用过程中更倾向于在静态网络的理想环境中进行检测，在动态网络环境中存在一定的检测误差[3]。因此，设计了一种在动态网络环境下的电力无线通信网络信息异常值快速检测方法。

1 电力无线通信动态网络信息异常值快速检测方法设计

1.1 提取电力无线通信网络动态异常信息文本特征

电力通信网络中存在配电、用电业务，受到电网规模的影响，网络异常信息文本特征提取较为困难，存在较多的重复信息，影响异常信息检测效果[4]。因此，文章将网络信息中的异常关键词进行量化，剔除重复无意义的异常文本特征。在电力无线通信网络中，以聚合系数与特征路径长度来衡量异常值。在异常信息文本向量中，文本由异常信息特征组成，每一个异常信息特征对应一个权重值[5]。文章将信息特征与权重值一一对应，避免出现重复信息特征提取的问题。异常信息文本特征权重的计算公式为

式中：Iq为异常信息文本特征权重；N为网络异常信息出现在全部文本中的次数；n为包含异常信息特征文本的数量。

当电力通信网络信息中出现2 个相似的文本时，将二者合并，避免特征重复提取。异常信息相似度的计算公式为

式中：d(I1,I2)为I1、I2这2 个异常信息的检测相似度；xi、yi为I1、I2这2 个异常信息的欧式距离。

I1、I2这2 个异常信息的特征向量在距离上越近，相似度越高。将相似度较高的信息合并，可以更好地通过文本特征区分网络信息异常值。

1.2 构建动态通信网络信息异常值快速检测模型

动态网络是从电力信息的实际出发，评估异常信息的异常特性，不但可以解决未知的不确定性，还能够客观地反映网络当前面临的异常威胁。从现实意义来看，动态网络能够弥补静态网络的异常威胁防御空白。文章在动态网络环境中对网络信息异常情况进行网络层面的分析，电力信息网络节点的异常因子关系如图1 所示。

图1 电力信息网络节点异常因子关系

如图1 所示，在电力信息网络中，节点异常因子包括网络节点配置脆弱性、节点资产异常威胁等异常值。其中，节点资产所在位置为网络核心层；网络节点配置脆弱性所在位置为接入层；异常所在位置为汇聚层。通过检测电力信息网络节点异常因子所在位置，确定异常值检测的动态评估阈值。在动态网络环境中，将已知的异常信息文本与正常信息文本进行同时检测训练，结合动态评估阈值，构造出阈值函数，表达式为

式中：D为阈值函数的表达式；ε(Iq,Iz)为实际检测到的异常值修正函数；Iz为正常信息文本的特征权重；Rt为异常值动态评估的最大阈值；St为异常值动态评估的最小值。在ε(Iq,Iz)确定的情况下，满足Rt与St之间的关系，即可确保动态网络异常检测阈值的有效性。

文章动态评估网络的安全环境，通过设定网络异常值的检测阈值，提升网络信息安全。根据隐变量的条件概率，计算异常信息对数似然函数的条件期望，形成电力无线通信网络信息异常值快速检测模型，表达式为

式中：Q为电力无线通信网络信息异常值快速检测模型；p为条件概率；γ为检测模型的观测参量；θ为动态网络环境响应度。

完整的异常值数据通过对数似然函数的条件期望得到，条件期望被最大化时，θ为最大状态，能够在异常值出现的瞬间进行检测，异常值检测时间较短，能够实现异常值的快速检测[9]。此时，动态网络中的电力异常信息转入模型后进行细化，根据历史检测的异常问题特征，获取异常节点的位置，从而确保异常值检测精准度。

1.3 均衡无线通信网络信息异常值检测负载

在动态网络环境下，将电力无线通信网络信息采样节点随机化，检测节点被通信网络完全覆盖。将检测节点进行前驱、后继、后备等处理，使其处于周期性变化形式[10]。在随机节点变化的状态下，均匀随机地检测网络中的任意节点，从而避免漏检、错检等问题。电力无线通信网络的拓扑结构如图2 所示。

图2 电力无线通信网络拓扑结构

如图2 所示，黑色圆点为正常网络信息节点，白色圆点为异常网络信息节点。异常节点根据当前覆盖网的覆盖情况，将骨干覆盖网中的正常节点替换为簇覆盖网中的正常节点。2 个覆盖网的正常节点一一对应，增强网络信息检测的健壮性。此时，将簇覆盖网中的异常节点与正常节点顺序打乱，随机选择覆盖网中的采样节点进行检测，确保电力无线通信网络的异常检测随机均匀性，从而完成均衡网络负载的任务。

2 实 验

为了验证本文设计的网络信息异常值检测方法是否满足准确性需求，对文章设计方法进行了实验分析。最终的实验结果以文献[1]中基于信息熵的电力无线通信网络信息异常值快速检测方法、文献[2]中基于深度学习的电力无线通信网络信息异常值快速检测方法，以及本文设计的动态网络环境下的电力无线通信网络信息异常值快速检测方法进行对比的形式呈现。

2.1 实验过程

本次实验的数据准备阶段中，包括了数据采集与数据标准化2 个步骤。在数据采集阶段，直接选择了UCI 数据集中的数据，包括KDDCUP99、duration、service、urget 等子集。本次实验对3 个数据子集的50 000 条数据进行分析，利用Weka 自带的unsupervised_attribute_Normalize 方法对异常值与正常值的属性进行归一化处理，使网络信息异常值与正常值均在动态网络环境的随机区域，确保实验的有效性。在数据采集与处理完成之后，对异常值检测准确率Pc、异常值检测召回率Rc、调整兰德指数ARI 进行计算。

异常值检测准确率Pc的计算公式为

式中：TP为正确检测的网络信息样本数量；FP为异常值被错误检测为正常网络信息样本的数量。

召回率Rc的计算公式为

式中：Rc为异常值检测召回率；TTP为正常网络信息样本被错误检测为异常值的数量；FN为漏检网络信息样本数量。

调整兰德指数ARI 计算公式为

式中：ARI 为调整兰德指数；RI为兰德指数；E(RI)为RI的检测阈值。调整兰德指数可以衡量网络信息异常值分布的吻合情况。该指数越大，异常值检测结果与真实情况越吻合。

Pc、Rc、ARI 都是判断网络信息异常值快速检测的关键指标，这些指标越大，异常值检测效果越精准。

2.2 实验结果

文章随机选取出duration、service、urget 共3 种网络信息数据集。数据集中的网络信息正常值与异常值杂乱无章，可以确保实验的真实有效性。以Pc、Rc、ARI 为异常值检测效果判定指标，并将文献[1]中基于信息熵的电力无线通信网络信息异常值快速检测方法的性能指标、文献[2]中基于深度学习的电力无线通信网络信息异常值快速检测方法的性能指标，以及本文设计的动态网络环境下的电力无线通信网络信息异常值快速检测方法的性能指标进行对比。实验结果如表1 所示。

使用文献[1]中基于信息熵的电力无线通信网络信息异常值快速检测方法之后，Pc在0.73 ～0.86波动；Rc在0.82 ～0.84 波动；ARI 在0.75 ～0.79 波动。由此可见，使用该方法之后，异常值检测存在一定程度的误差，很难将全部的信息异常值检测出来，影响电力网络的正常通信。

使用文献[2]中基于深度学习的电力无线通信网络信息异常值快速检测方法之后，Pc、Rc、ARI 在0.85 ～0.91 变化，较之文献[1]的检测方法存在大幅度的提升，但与网络检测需求存在较大的差异，急需进一步优化。

使用本文设计的动态网络环境下的电力无线通信网络信息异常值快速检测方法之后，Pc、Rc、ARI均超过了0.95，趋近于1。由此可见，使用本文设计的方法较之文献[1]、文献[2]中的方法均存在不同程度的提升，异常值检测效果更佳，符合研究目的。

3 结 论

随着智能电网的建设，配电自动化系统趋向网际互连协议化，网络信息管理难以适应数据增长需求，出现了较多的网络信息异常值。文章在动态网络环境下，设计了电力无线通信网络信息异常值快速检测方法。从信息异常特征、检测模型、负载均衡等方面，分析与检测电力网络的通信信息异常情况，为电网终端运行提供了业务保障。

表1 实验结果