劉曉霞，周明哲

（國網(wǎng)內(nèi)蒙古東部電力有限公司信息通信分公司，內(nèi)蒙古 呼和浩特 010010）

智能電網(wǎng)，其實就是應用信息與通信技術(shù)智能化、全系統(tǒng)管理電力系統(tǒng)的輸電、發(fā)電、變電及用電情況。智能電網(wǎng)為我國電力行業(yè)產(chǎn)品創(chuàng)新與有效管理提供了技術(shù)保障，但在電力系統(tǒng)建設期間，智能電網(wǎng)信息采集是否完整和真實，通常會對其運行效果產(chǎn)生重大影響[1]。所以，有必要深度挖掘智能電網(wǎng)信息異常數(shù)據(jù)。陳杰等學者結(jié)合孤立森林算法與Wasserstein 生成式對抗網(wǎng)絡，并提出異常數(shù)據(jù)辨識方法。對距離生成對抗網(wǎng)絡（英文簡稱WGAN）交互訓練生成器與判別器進行有效融合，將電力統(tǒng)計數(shù)據(jù)分布特征提取出來，借助隔離樹算法識別均衡數(shù)據(jù)，再對模型識別查全率、準確率和查準率等展開比較，研究結(jié)果發(fā)現(xiàn)，這一異常數(shù)據(jù)強化算法能夠大大提升異常數(shù)據(jù)識別能力。學者李婧等在大規(guī)模電網(wǎng)異常負荷聚類中運用自適應k-means++，并檢驗了不同聚類狀態(tài)下的聚類結(jié)果，有效防止人工設置產(chǎn)生的聚類結(jié)果偏移，實現(xiàn)異常負荷分類精度的有效提升。本文在數(shù)據(jù)挖掘中應用云計算技術(shù)，基于智能電網(wǎng)信息流特性，將異常數(shù)據(jù)輸入空間映射至特征空間，從而實現(xiàn)異常數(shù)據(jù)線性判定函數(shù)的構(gòu)造。

1 智能電網(wǎng)信息數(shù)據(jù)挖掘算法和云計算知識架構(gòu)

1.1 信息數(shù)據(jù)挖掘算法的知識架構(gòu)

信息數(shù)據(jù)挖掘，指的是數(shù)據(jù)倉或數(shù)據(jù)庫內(nèi)，通過各種分析技術(shù)，分析、歸納和整理以往積累的繁雜數(shù)據(jù)，提取有用信息數(shù)據(jù)，為決策者提供有用的資訊資料，其中包括離群分析、分類算法、關聯(lián)規(guī)則等。當前，針對電力系統(tǒng)的特點，提出了一種基于概率論的電力系統(tǒng)建模方法。評價適合于只對少數(shù)網(wǎng)絡信息數(shù)據(jù)進行處理的電力系統(tǒng)模擬模式等，面對海量數(shù)據(jù)處理，應改進傳統(tǒng)算法，可采用預測算法與聚類算法，改進傳統(tǒng)信息數(shù)據(jù)挖掘算法，最后，將該方法用于電力系統(tǒng)的負載預報和電力消費的研究中。

1.2 基于云計算的智能電網(wǎng)信息數(shù)據(jù)挖掘

本項目擬從云計算的基本特征出發(fā)，針對智慧電網(wǎng)應用的實際應用，提出了一種新的解決方案：云基礎設施層、平臺層、應用軟件集合層、業(yè)務接入層。由于智能電網(wǎng)的網(wǎng)絡規(guī)模很大，任何一個節(jié)點或者一個計算機終端的運算需求都必須通過云端來進行配置；這樣一來，中央的壓力就更大了，而且權(quán)限的判斷也很繁瑣，極易導致網(wǎng)絡阻塞。因為電力系統(tǒng)有著清晰的分層空中、分級管理層次，所以，可根據(jù)級別創(chuàng)建主云與子云，以限定權(quán)限與資源分配，減少了對系統(tǒng)中多余的資源分配和權(quán)限的管理，實現(xiàn)云計算資源的合理化，同時該系統(tǒng)還可以實現(xiàn)對電力系統(tǒng)的實時處理。

智能電網(wǎng)信息數(shù)據(jù)驅(qū)動體系中，通過云計算技術(shù)搭建智能電網(wǎng)信息異常數(shù)據(jù)處理平臺，借助該云計算軟件，對數(shù)據(jù)計算單元進行設置，以展開數(shù)據(jù)處理，同時在輸出端與區(qū)塊鏈系統(tǒng)相連接，區(qū)塊鏈選擇分布式數(shù)據(jù)存儲，表現(xiàn)為加密算法、對點傳輸以及共識機制等特性，將其應用在智能電網(wǎng)中，既有助于永久性存儲數(shù)據(jù)，又具備數(shù)據(jù)保密特性，便于用戶數(shù)據(jù)共享[2]。

2 基于云計算的智能電網(wǎng)信息異常數(shù)據(jù)挖掘方法

2.1 監(jiān)測智能電網(wǎng)信息異常數(shù)據(jù)

在構(gòu)建智能電網(wǎng)的過程中，節(jié)點j 是一個數(shù)據(jù)點，j 表示的是信息流任意數(shù)據(jù)點，aj表示的是智能電網(wǎng)信息流，En表示的是信息流輸入空間，n 為空間維度。通過φ(.)：En→G映射電網(wǎng)信息流輸入空間至特征空間，因此，在該特征空間構(gòu)建了一種用于電力系統(tǒng)的信息流動的線性決策方程，具體公式為：f(a)=εT.φ(a)-p，該公式中，φ(a)表示智能電網(wǎng)的信息流映射向量，線性判定函數(shù)f(a)偏移量采用P 表示，T 時刻下f(a)歸一化矢量采用εT表示。轉(zhuǎn)化p、εT的二次規(guī)劃問題為對偶問題，通過精準判斷其極值條件，對智能電網(wǎng)信息異常數(shù)據(jù)進行有效挖掘，具體公式為：

在該公式中，K(aj,a)為智能電網(wǎng)信息異常數(shù)據(jù)監(jiān)測函數(shù)，信息異常數(shù)據(jù)監(jiān)測響應系數(shù)由λj表示[3]。

2.2 智能電網(wǎng)信息異常數(shù)據(jù)預處理

明確電網(wǎng)信息異常數(shù)據(jù)隸屬度，對信息異常數(shù)據(jù)的多維度屬性進行了高效的抽取，然后對其進行了清晰的劃分，并用公式對信息異常數(shù)據(jù)進行了計算，從而對其求解，公式是：

該公式中，x 代表的是智能電網(wǎng)信息異常數(shù)據(jù)的目標函數(shù)值，δpq為異常信息數(shù)據(jù)特征向量隸屬度，代表的是第a、b 個異常信息數(shù)據(jù)之間的距離。以信息異常數(shù)據(jù)為基礎，以此為基礎，有效地提取智能電網(wǎng)中的異常信息特征。公式表示是：

該公式中，M 是指網(wǎng)絡狀態(tài)下的異常值與簇群中心的間距，φ代表了網(wǎng)絡異常狀態(tài)下的權(quán)重。根據(jù)信息異常數(shù)據(jù)x 的資訊熵，將智能電網(wǎng)信息的異常數(shù)據(jù)輸入云端，并對其進行參數(shù)關聯(lián)程度的計算，具體為：

該公式中，β代表的是信息異常數(shù)據(jù)特征相關參數(shù)關聯(lián)系數(shù)[4]。

2.3 智能電網(wǎng)異常信息數(shù)據(jù)挖掘算法的設計

利用云計算技術(shù)，預處理智能電網(wǎng)內(nèi)部異常數(shù)據(jù)信息，并對其進行高效挖掘。在對智能電網(wǎng)內(nèi)部異常信息數(shù)據(jù)進行挖掘期間，將信息異常數(shù)據(jù)的復雜性定義為f(pq)，那么，智能電網(wǎng)數(shù)據(jù)庫包括：p 個異常數(shù)據(jù)庫和q 個正常數(shù)據(jù)庫，經(jīng)過反復篩選之后，得到了如下的公式：f(pq)=f(qo),p≠q，該公式中，異常信息數(shù)據(jù)特征數(shù)由o 表示。

在篩選出的異常信息資料的基礎上，準確地計算出智能電網(wǎng)的異常信息資料在空間上的分布，求解電力系統(tǒng)中的異常信息的權(quán)重，具體公式是：

該公式中，ωi表示的是第i 類別中的智能電網(wǎng)信息異常數(shù)據(jù)對應權(quán)值，而ξi代表的是智能電網(wǎng)信息異常數(shù)據(jù)的波動系數(shù)[5]。

3 實驗比較

3.1 實驗環(huán)境與數(shù)據(jù)搭建

為對云計算下的智能電網(wǎng)信息異常數(shù)據(jù)挖掘性能進行有效驗證，通過實驗平臺的搭建，展開測試，采用Windows 11 系統(tǒng)，同時搭載頻率為200GHz、8GB 內(nèi)存的CORE i8 系統(tǒng)處理器，使用MySQL 2020 作為電力網(wǎng)絡中的異常數(shù)據(jù)源，并使用Java 軟件來建立試驗數(shù)據(jù)源。

通過對一個實際的電力系統(tǒng)的實際運行資料進行分析，選取了200 條異常資料，其中，接地故障49 條，電壓故障34 條，共計26 次故障和91 次發(fā)電設備故障。

3.2 實驗指標設置

為確保電網(wǎng)信息異常數(shù)據(jù)挖掘質(zhì)量，采用準確率指數(shù)來度量電力系統(tǒng)中異常信息的挖掘準確度，如果存在較高的查準率，說明電網(wǎng)具有越高的信息異常數(shù)據(jù)挖掘精度。查準率計算公式為：

其中，Gp為電網(wǎng)信息異常數(shù)據(jù)特征關聯(lián)度，Tr為電網(wǎng)信息異常數(shù)據(jù)采集周期，而hb代表的是智能電網(wǎng)的異常資料特征。

對電力系統(tǒng)中的異常信息資料進行了挖掘，利用冗余指數(shù)對電力系統(tǒng)中的異常信息資料進行分析，計算公式為：

該公式中，ψj為電網(wǎng)異常信息數(shù)據(jù)挖掘均衡性，S則為電網(wǎng)異常信息數(shù)據(jù)觀測向量。

3.3 結(jié)果分析

該實驗為突出基于云計算的電網(wǎng)信息異常數(shù)據(jù)挖掘優(yōu)越性，比較了兩種基于適應性的K-means++和基于改進的支持型對抗網(wǎng)絡兩種不同的數(shù)據(jù)挖掘方法。在模擬實驗平臺中，對三種方法的異常數(shù)據(jù)挖掘冗余度、查準率展開挖掘，最后發(fā)現(xiàn)，在檢驗智能電網(wǎng)信息異常挖掘精度的同時，由于數(shù)據(jù)規(guī)模不斷增大，三種算法的準確率也在不斷提高，其中，基于云計算的電力系統(tǒng)異常挖掘準確率最高。針對200 個電力系統(tǒng)中的異常數(shù)據(jù)，其準確率達到98.9%；當有200 個電力網(wǎng)絡資料不正常時，該算法的召回率僅為72.3%，適用于進行異常數(shù)據(jù)的分析。在圖1 中顯示了電力系統(tǒng)信息的異常數(shù)據(jù)挖掘的冗余。

圖1 電網(wǎng)信息異常數(shù)據(jù)挖掘的冗余度

通過分析圖1 可知，針對當前電力系統(tǒng)中的異常數(shù)據(jù)日益增多，現(xiàn)有三種挖掘方法的冗余程度都小于50%，采用基于K 均值和基于改進的產(chǎn)生式對抗網(wǎng)絡的電力系統(tǒng)異常挖掘技術(shù)，可使電力系統(tǒng)的異常挖掘冗余超過20%，應用本文所提出的方法對信息異常數(shù)據(jù)進行挖掘，雖然有200 個信息異常，但冗余還是不到10%，可見基于云計算的智能電網(wǎng)信息異常數(shù)據(jù)挖掘，有助于數(shù)據(jù)挖掘質(zhì)量的提升。

4 結(jié)語

基于云計算下的智能電網(wǎng)信息異常數(shù)據(jù)挖掘中，深入分析智能電網(wǎng)中的異常數(shù)據(jù)，能夠?qū)崿F(xiàn)對信息異常數(shù)據(jù)準確性、挖掘效率的全面提升。但該研究仍有一系列缺陷，主要是智能電網(wǎng)信息異常數(shù)據(jù)通常會由于時間的變遷而發(fā)生變化，所以挖掘?qū)崟r狀態(tài)的電網(wǎng)信息異常數(shù)據(jù)是今后需重點研究的課題之一。