陳天宇

（廣東電網(wǎng)有限責任公司汕尾供電局， 廣東 汕尾 516600）

0 引言

電力系統(tǒng)作為關(guān)鍵基礎(chǔ)設(shè)施之一，積累了大量的敏感數(shù)據(jù)，包括能源交易信息、用戶隱私數(shù)據(jù)和網(wǎng)絡(luò)安全相關(guān)數(shù)據(jù)等。然而，隨著電力系統(tǒng)的數(shù)字化和信息化程度不斷提高，電力公司面臨著日益增長的敏感數(shù)據(jù)泄露風險。電力敏感數(shù)據(jù)泄露可能帶來嚴重后果。

1）商業(yè)機密的泄露將導(dǎo)致競爭劣勢和經(jīng)濟損失。泄露的市場分析、價格策略和財務(wù)數(shù)據(jù)等信息可能被惡意競爭對手利用，對電力公司的業(yè)務(wù)和聲譽造成負面影響。

2）用戶隱私的泄露會對個人權(quán)益產(chǎn)生威脅。電力公司持有用戶的個人信息和能源使用情況，如果這些信息遭到竊取和濫用，將對個人隱私安全構(gòu)成嚴重風險。

3）數(shù)據(jù)泄漏還會引起電力系統(tǒng)的出現(xiàn)安全漏洞，促使網(wǎng)絡(luò)安全受到脅迫，進而影響電力供應(yīng)的穩(wěn)定性和可靠性。

目前，傳統(tǒng)的數(shù)據(jù)泄露監(jiān)測方法主要基于規(guī)則和統(tǒng)計模型，往往無法適應(yīng)復(fù)雜的場景和新型的攻擊方式。因此，需要引入更先進的方法來進行電力敏感數(shù)據(jù)泄露風險監(jiān)測?；诰矸e神經(jīng)網(wǎng)絡(luò)（CNN）的方法在圖像處理、自然語言處理等問題取得很大的勝利，并在深度學習中展現(xiàn)出了強大的特征提取和模式識別能力。將CNN 引入電力敏感數(shù)據(jù)泄露風險監(jiān)測中，可以自動地學習數(shù)據(jù)中隱藏的模式和規(guī)律，并進行實時的異常檢測和預(yù)警。

1 研究概述

近年來已經(jīng)有很多學者對泄露電力敏感數(shù)據(jù)風險監(jiān)測方法開始分析，文獻[1]提出了基于SOM聚類的電力運行數(shù)據(jù)泄露風險預(yù)警方法，文獻[2]提出了基于大數(shù)據(jù)分析的公安核心業(yè)務(wù)數(shù)據(jù)防泄露方法。但這些方法存在一些缺點?；赟OM聚類的方法可能依賴于初始參數(shù)選擇和數(shù)據(jù)集特征，導(dǎo)致聚類不準確或模型不穩(wěn)定。該方法可能只關(guān)注特定的電力運行數(shù)據(jù)特征，忽略其他重要特征，可能導(dǎo)致監(jiān)測不全面。另外，該方法可能需要進行數(shù)據(jù)預(yù)處理和處理，增加了額外的時間和努力。而基于大數(shù)據(jù)分析的方法可能受限于特定領(lǐng)域的應(yīng)用，需要復(fù)雜的數(shù)據(jù)處理和分析，以及對數(shù)據(jù)隱私和安全性的保護。

為解決上述方法中存在的問題，本研究旨在基于卷積神經(jīng)網(wǎng)絡(luò)開發(fā)一種電力敏感數(shù)據(jù)泄露風險監(jiān)測方法，以提高對電力系統(tǒng)中敏感數(shù)據(jù)泄露的檢測能力和響應(yīng)速度。通過深度學習技術(shù)的應(yīng)用，提高泄露風險的識別準確性，并及時采取措施保護敏感數(shù)據(jù)的安全性。該研究對于電力行業(yè)保護敏感數(shù)據(jù)，防范數(shù)據(jù)泄露風險，維護電力系統(tǒng)安全和可靠運行具有重要意義。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的電力敏感數(shù)據(jù)泄露風險監(jiān)測方法

2.1 電力敏感數(shù)據(jù)預(yù)處理

電力敏感數(shù)據(jù)預(yù)處理是指在進行數(shù)據(jù)分析和處理之前，對電力敏感數(shù)據(jù)進行清洗、轉(zhuǎn)換和歸一化的過程。這一步驟對于后續(xù)的數(shù)據(jù)分析和風險監(jiān)測非常重要，因為它能夠幫助提高數(shù)據(jù)的質(zhì)量和可靠性，從而確保得到準確的結(jié)果。首先需要對原始數(shù)據(jù)進行清洗。這包括去除重復(fù)的數(shù)據(jù)點、處理缺失值，并進行異常值檢測和處理。清洗后的數(shù)據(jù)將更加整潔和可靠，有助于后續(xù)分析的準確性。清洗過程可以表示為：

式中：X 為原始數(shù)據(jù)集；xi為數(shù)據(jù)點；xclean為經(jīng)過清洗后的數(shù)據(jù)集。

通過將數(shù)據(jù)進行轉(zhuǎn)換，可以將其表達成更具可解釋性和可比性的形式[3]。例如，可以將時間序列數(shù)據(jù)轉(zhuǎn)換為頻域表示或相關(guān)統(tǒng)計特征。另外，根據(jù)不同度量單位數(shù)據(jù)，需要經(jīng)過歸一化管理，來保證它們在同一個數(shù)據(jù)范圍內(nèi)，避免某個維度對分析結(jié)果產(chǎn)生過大的影響。數(shù)據(jù)轉(zhuǎn)換可以表示為：

式中：f（X）為數(shù)據(jù)轉(zhuǎn)換函數(shù)；Xtransformed為轉(zhuǎn)換后的數(shù)據(jù)集。

通過選擇最具信息量和相關(guān)性的特征[4]，可以減少計算負荷并去除冗余信息，提高數(shù)據(jù)處理的效率。特征提取可以表示為：

式中：g（Xtransformed）為特征選擇函數(shù)；Xselected為通過特征選擇后的數(shù)據(jù)集。

通過清洗、轉(zhuǎn)換和歸一化等技術(shù)手段，可以提高數(shù)據(jù)質(zhì)量和可靠性，為后續(xù)的分析和決策提供有力支持。

2.2 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)監(jiān)測模型

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)監(jiān)測模型是為了有效地應(yīng)對電力敏感數(shù)據(jù)泄露風險的挑戰(zhàn)。在這個過程中，可以利用CNN 的優(yōu)勢來從數(shù)據(jù)中學習和識別模式[5-7]，以便準確地檢測和預(yù)測潛在的敏感數(shù)據(jù)泄露風險。

首先，為了構(gòu)建一個基于CNN 的監(jiān)測模型，須要計劃神經(jīng)網(wǎng)絡(luò)的構(gòu)造。全面的網(wǎng)絡(luò)的輸入與輸出表示為：

式中：Xinput為通過特征選擇后的輸入數(shù)據(jù)集；Youtput為相對的輸出類別集合。

接下來，需要定義CNN 模型的損失函數(shù)，用于衡量模型在訓(xùn)練過程中的誤差。損失函數(shù)的公式表示如下：

式中：L（θ）為單個樣本的損失函數(shù)；f（xi，θ）為通過CNN 模型計算得到的預(yù)測輸出；yi為真實的輸出類別；θ 為CNN 模型的參數(shù)；N 表示樣本數(shù)量。

為了優(yōu)化CNN 模型的性能，須要選隨機梯度下降（Stochastic Gradient Descent，SGD）以此更新參數(shù)的模型。參數(shù)更新的計算公式具體如下：

式中：θt為第t 個迭代步驟的參數(shù)模型；η 為學習率；為損失函數(shù)對參數(shù)模型的梯度。

通過以上步驟，可以構(gòu)建一個基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)測模型，用于有效地監(jiān)測電力敏感數(shù)據(jù)泄露風險。該模型將從數(shù)據(jù)中學習并識別關(guān)鍵特征[8-10]，為決策者提供準確的風險預(yù)測和監(jiān)測結(jié)果?；诰矸e神經(jīng)網(wǎng)絡(luò)的電力敏感數(shù)據(jù)泄露風險監(jiān)測流程圖如圖1 所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的電力敏感數(shù)據(jù)泄露風險監(jiān)測流程

3 實驗

為實現(xiàn)本文研究的方法的穩(wěn)定性，分別使用文獻[1]方法、文獻[2]方法和本文方法對電力敏感數(shù)據(jù)泄露風險進行監(jiān)測，以監(jiān)測誤差率為指標，對比其可靠性。誤差率越低，其中檢測穩(wěn)定性越高，對比結(jié)果具體如下。

通過對圖2 的分析可得知，本文方法在監(jiān)測誤差率方面表現(xiàn)出色，始終保持在20%以下，而其他兩種方法的誤差率則超過了60%。這顯著展示了本文方法相對于其他方法在減少誤報方面的改進。準確度是評估一個監(jiān)測方法可靠性的重要指標，而較低的誤差率意味著本文方法更能夠有效地識別和預(yù)測電力敏感數(shù)據(jù)泄露風險?；谶@些結(jié)果，可以得出結(jié)論，本文方法具有更高的監(jiān)測準確率，并且在實際場景中表現(xiàn)更為可靠。本文方法的優(yōu)勢可能源于多個方面。首先，本文方法可能采用了更先進和精準的數(shù)據(jù)處理和特征提取算法，使得模型能夠更好地學習和識別敏感數(shù)據(jù)泄露的模式和特征。其次，該方法可能充分考慮了與電力敏感數(shù)據(jù)泄露相關(guān)的因素，包括特定的數(shù)據(jù)類型、運行環(huán)境和風險指標等，從而提高了監(jiān)測的精確性和可靠性。另外，還可能使用更大規(guī)模的數(shù)據(jù)集通過練習與論證，鞏固模型的泛化能力。

圖2 電力敏感數(shù)據(jù)泄露風險監(jiān)測誤差率對比

為了進一步驗證本文方法的有效性，以預(yù)測完成的時間為標準，分別采用本文方法、文獻[1]方法、文獻[2]方法對電力敏感數(shù)據(jù)泄露風險進行監(jiān)測，其時間越短，效率越高，越具有有效性。具體的對比結(jié)果如表1 所示。

表1 不同方法作用下對電力敏感數(shù)據(jù)泄露風險監(jiān)測時間

根據(jù)對表1 的詳細分析，可以明顯地看出本文所提出的基于卷積神經(jīng)網(wǎng)絡(luò)的電力敏感數(shù)據(jù)泄露風險監(jiān)測方法在監(jiān)測過程中所需的時間僅為10 s。與之相比，文獻[1]所使用的方法需要約60 s 的時間，而文獻[2]的方法則需要大約78 s。這一結(jié)果清晰地顯示出本文方法具有更快的響應(yīng)速度和更高的監(jiān)測效率。

本文方法實現(xiàn)高效監(jiān)測的原因可能有多個方面。首先，將卷積神經(jīng)網(wǎng)絡(luò)用于電力敏感數(shù)據(jù)泄露風險監(jiān)測，利用其并行計算和有效的特征提取能力，加速了數(shù)據(jù)處理和模式識別過程。其次，在方法設(shè)計中可能采用了相應(yīng)的優(yōu)化策略和算法，使得模型在處理大規(guī)模數(shù)據(jù)時更加高效。此外，可能還采用了并行計算的技術(shù)或硬件加速器來提高計算速度?；谝陨辖Y(jié)果，可以得出結(jié)論，本文所提出的基于卷積神經(jīng)網(wǎng)絡(luò)的電力敏感數(shù)據(jù)泄露風險監(jiān)測方法在處理時間上具備明顯的優(yōu)勢?？焖夙憫?yīng)和高效監(jiān)測對于及時掌握和應(yīng)對潛在風險至關(guān)重要，尤其是在電力領(lǐng)域這樣對實時性要求較高的環(huán)境中。

4 結(jié)語

提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的電力工程造價數(shù)據(jù)異常的識別方法在研究中顯示出了良好的準確性和魯棒性。該方法通過大量數(shù)據(jù)的收集和預(yù)處理，很好的設(shè)計包含卷積層、池化層與全連接層的CNN 模型，用于學習和識別異常造價數(shù)據(jù)的模式。實驗證明該方法具有潛在的應(yīng)用前景。