楊慧婷，郭學(xué)讓，郭慶瑞，張強(qiáng)，李峰

（國(guó)網(wǎng)新疆電力有限公司電力科學(xué)研究院，新疆烏魯木齊 830013）

隨著我國(guó)經(jīng)濟(jì)發(fā)展及科技進(jìn)步，我國(guó)電力系統(tǒng)逐步向智能電力系統(tǒng)轉(zhuǎn)變。隨著智能電力系統(tǒng)對(duì)通信網(wǎng)數(shù)據(jù)安全要求的進(jìn)一步提高，人工智能技術(shù)、物聯(lián)網(wǎng)技術(shù)等新興技術(shù)融入電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理成為大勢(shì)所趨[1]。電力系統(tǒng)通信網(wǎng)是電力系統(tǒng)的重要組成部分，是電力系統(tǒng)智慧化的主要信息載體，為電力系統(tǒng)調(diào)度自動(dòng)化、電力系統(tǒng)運(yùn)行智慧化、電力系統(tǒng)管理科學(xué)化提供數(shù)據(jù)交互保障[2]，助力電力系統(tǒng)數(shù)據(jù)資產(chǎn)價(jià)值深度挖掘提升，開展電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理研究對(duì)制定科學(xué)合理的電力系統(tǒng)運(yùn)行調(diào)控策略具有重要的指導(dǎo)性意義。電力系統(tǒng)通信網(wǎng)貫穿電力系統(tǒng)各個(gè)環(huán)節(jié)[3]，是推動(dòng)能源革命的重要手段，是現(xiàn)代能源體系的核心，更是支撐社會(huì)發(fā)展的基石，所以開展人工智能背景下基于多級(jí)耦合機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型的研究，具有重要的理論及實(shí)踐價(jià)值。伴隨著我國(guó)電力系統(tǒng)建設(shè)的動(dòng)態(tài)復(fù)雜性加大，電力系統(tǒng)整體的規(guī)模也越來越大，對(duì)高度動(dòng)態(tài)復(fù)雜場(chǎng)景下電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全的依賴性越來越強(qiáng)，智能電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理內(nèi)部邏輯規(guī)模呈指數(shù)增長(zhǎng)。由于內(nèi)部邏輯混亂或者外部條件突變觸發(fā)故障發(fā)生的概率大大提高，電力系統(tǒng)通信網(wǎng)核心進(jìn)程一旦發(fā)生故障，往往造成重大的損失[4]。該文提出了一種基于多級(jí)耦合機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型，選取國(guó)家電網(wǎng)某電力系統(tǒng)通信網(wǎng)絡(luò)中心為案例分析載體，開發(fā)了典型需求場(chǎng)景下的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型應(yīng)用實(shí)踐系統(tǒng)并開展了應(yīng)用實(shí)踐，進(jìn)行定量與定性分析。基于某電力系統(tǒng)通信網(wǎng)絡(luò)中心現(xiàn)有的軟硬件設(shè)備，輔以高速傳感器集群，搭建了模型應(yīng)用實(shí)踐驗(yàn)證環(huán)境，從定性與定量?jī)蓚€(gè)層面對(duì)模型開展了典型需求場(chǎng)景下的可視仿真及應(yīng)用實(shí)踐定量分析，多維度驗(yàn)證了模型的可行性及優(yōu)越性。

1 通信網(wǎng)數(shù)據(jù)安全治理模型架構(gòu)

以基于多級(jí)耦合機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型典型需求為控制流頂層設(shè)計(jì)的指導(dǎo)，聚焦電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)與電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成，對(duì)電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型完整控制流邏輯進(jìn)行任務(wù)分解，著重關(guān)注電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池構(gòu)建、電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制、電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成等三個(gè)耦合子架構(gòu)，設(shè)計(jì)了基于多級(jí)耦合機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型體系架構(gòu)，具體如圖1 所示。其中，電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池構(gòu)建子架構(gòu)主要實(shí)現(xiàn)電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)數(shù)據(jù)的采集與池化處理，對(duì)數(shù)據(jù)池進(jìn)行學(xué)習(xí)集和應(yīng)用集分區(qū)劃分[5]，為構(gòu)建電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制提供統(tǒng)一的數(shù)據(jù)集支撐；電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制構(gòu)建子架構(gòu)主要利用深度長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)(D-LSTM)對(duì)電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池進(jìn)行特征提取及進(jìn)化訓(xùn)練，建立較長(zhǎng)周期內(nèi)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制，實(shí)現(xiàn)時(shí)間正序下的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)；電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成子架構(gòu)主要利用深度確定性策略梯度算法（DDPG）構(gòu)建電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)與治理策略自主生成之間的耦合模型，實(shí)現(xiàn)高度動(dòng)態(tài)復(fù)雜環(huán)境下電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成。

圖1 電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型架構(gòu)

2 通信網(wǎng)數(shù)據(jù)安全治理模型

在人工智能背景驅(qū)動(dòng)下，電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理發(fā)展趨勢(shì)呈現(xiàn)出顯著的自主化，一方面要求電力系統(tǒng)通信網(wǎng)具備數(shù)據(jù)安全態(tài)勢(shì)自主感知功能，可以自主感知外界或者內(nèi)部邏輯發(fā)生變化時(shí)通信網(wǎng)數(shù)據(jù)安全的隨動(dòng)變化；另一方面要求電力系統(tǒng)通信網(wǎng)具備數(shù)據(jù)安全治理策略自主生成功能，實(shí)現(xiàn)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)的基礎(chǔ)上自主生成最優(yōu)治理策略?；陔娏ο到y(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型邏輯架構(gòu)，分階段對(duì)基于多級(jí)耦合機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型關(guān)鍵問題進(jìn)行分析，首先開展電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)關(guān)鍵問題分析，然后開展電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成關(guān)鍵問題分析，最后給出模型典型需求場(chǎng)景下的仿真驗(yàn)證，詳細(xì)給出基于多級(jí)耦合機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型定量化實(shí)現(xiàn)過程，為工程化效能分析提供理論支撐。

2.1 通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)

引入深度長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)（D-LSTM）對(duì)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池進(jìn)行特征提取及進(jìn)化訓(xùn)練，建立高度動(dòng)態(tài)復(fù)雜環(huán)境下較長(zhǎng)周期內(nèi)的通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制。通過與高度動(dòng)態(tài)復(fù)雜環(huán)境不斷耦合交互，實(shí)現(xiàn)時(shí)間正序下的通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)。把電力系統(tǒng)通信網(wǎng)功能單元抽象為多智能體，針對(duì)多智能體固有的多源異構(gòu)特性，可實(shí)現(xiàn)高度動(dòng)態(tài)復(fù)雜場(chǎng)景下通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)的有序重組[6]。進(jìn)一步利用D-LSTM 算法的數(shù)據(jù)篩選與互通功能，對(duì)態(tài)勢(shì)經(jīng)驗(yàn)池異常特征進(jìn)行精準(zhǔn)定位與共享，并引入了正向反饋鏈條獲取形成誤差信息，通過自我修正環(huán)節(jié)協(xié)調(diào)整體狀態(tài)，有利于提高較長(zhǎng)周期內(nèi)的通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)的準(zhǔn)確度。假設(shè)初始預(yù)測(cè)機(jī)制中采樣∈{0,1}，其中i=1,2,…,n表示顯化單元編碼，則較長(zhǎng)周期內(nèi)的通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)概率表征如下：

為了提高樣本利用率，加快搜索進(jìn)程[7]，提升算法對(duì)不確定性外部因素的適應(yīng)能力并解決連續(xù)進(jìn)程的處理問題，引入面向模型探索能力擴(kuò)展的噪雜網(wǎng)絡(luò)適度生成機(jī)制，對(duì)D-LSTM 算法進(jìn)行改進(jìn)。具體實(shí)施過程中，在典型D-LSTM 算法的全連接層中引入該機(jī)制，利用自適應(yīng)噪聲自動(dòng)調(diào)整進(jìn)化能力，適應(yīng)多變的外界條件，提高了算法的學(xué)習(xí)與自適應(yīng)能力。從策略集中任取∈{0,1}，則通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)概率表征如下：

2.2 通信網(wǎng)數(shù)據(jù)安全治理策略

利用深度確定性策略梯度算法構(gòu)建電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)與治理策略自主生成之間的耦合模型，實(shí)現(xiàn)高度動(dòng)態(tài)復(fù)雜環(huán)境下電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成。由于高度動(dòng)態(tài)復(fù)雜場(chǎng)景下通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)數(shù)據(jù)源與數(shù)據(jù)結(jié)構(gòu)具有多維特性，因此引入經(jīng)驗(yàn)緩沖因子降低參數(shù)復(fù)雜度[9]。根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理，需形成策略網(wǎng)絡(luò)并形成評(píng)估指標(biāo)，設(shè)μ為特征識(shí)別策略，利用(s,a)衡量識(shí)別性能，其本質(zhì)為價(jià)值信息，因此可形成如下的通信網(wǎng)數(shù)據(jù)安全治理策略自主生成函數(shù)：

由于參數(shù)多維特性將導(dǎo)致收斂次數(shù)激增，因此引入訓(xùn)練機(jī)制，利用經(jīng)驗(yàn)緩沖因子預(yù)處理數(shù)據(jù)。從數(shù)據(jù)集合中按一定比例進(jìn)行采樣，根據(jù)策略安排形成多個(gè)訓(xùn)練集合并存儲(chǔ)相關(guān)數(shù)據(jù)，基于多個(gè)存儲(chǔ)集中的參數(shù)特性求解通信網(wǎng)數(shù)據(jù)安全治理策略自主生成函數(shù)的梯度，從而提升了優(yōu)化迭代效率[10]，其收斂次數(shù)大幅下降。設(shè)回報(bào)的數(shù)學(xué)期望為Q，則通信網(wǎng)數(shù)據(jù)安全治理策略自主生成機(jī)制如式（5）所示，其具備自主進(jìn)化功能。

自主進(jìn)化功能來源于多重網(wǎng)絡(luò)中的參數(shù)θQ，因其存在融合效應(yīng)，可利用數(shù)據(jù)的互通特性自動(dòng)識(shí)別物理量信息，降低了參數(shù)多維特性導(dǎo)致的數(shù)據(jù)處理復(fù)雜度，提升通信網(wǎng)數(shù)據(jù)安全治理策略自主生成函數(shù)的進(jìn)化性能[11]，且具備一定的智能化，求解如下積分：

基于式（6），進(jìn)而構(gòu)建了電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)與治理策略自主生成之間的耦合模型，為通信網(wǎng)數(shù)據(jù)安全治理策略自主生成提供收斂依據(jù)。機(jī)制原理為利用數(shù)據(jù)交集的存儲(chǔ)與訓(xùn)練形成數(shù)學(xué)期望，在每個(gè)時(shí)間點(diǎn)上提取特征數(shù)據(jù)[12]，與經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行交互，將交互結(jié)果輸入樣本(st,at,rt,st+1)中進(jìn)行存儲(chǔ)，其具備時(shí)移特性，可動(dòng)態(tài)調(diào)整學(xué)習(xí)行為，且實(shí)現(xiàn)了顯性的物理映射，進(jìn)而提取部分?jǐn)?shù)據(jù)采用策略形成訓(xùn)練集[13]，加快了感知進(jìn)程，因此通信網(wǎng)數(shù)據(jù)安全治理策略自主生成函數(shù)可表征為如下的數(shù)學(xué)期望：

2.3 仿真驗(yàn)證

模型典型需求場(chǎng)景為國(guó)家電網(wǎng)隸屬的某電力系統(tǒng)通信網(wǎng)絡(luò)中心，利用該文模型對(duì)電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理問題展開工程效能分析，模型搭建與算法設(shè)計(jì)是基于Geatpy 開源工具箱，并在PyCharm集成開發(fā)環(huán)境下進(jìn)行。采集了2021 年6 月—2022 年5 月期間的國(guó)家電網(wǎng)隸屬的國(guó)家電網(wǎng)隸屬的某電力系統(tǒng)通信網(wǎng)絡(luò)中心數(shù)據(jù)安全治理歷史數(shù)據(jù)。數(shù)據(jù)采集設(shè)備為多源異構(gòu)傳感器集群，通過池化處理形成經(jīng)驗(yàn)池進(jìn)行仿真。該文抽取池中67 000 組數(shù)據(jù)進(jìn)行訓(xùn)練，將其中2 700 組數(shù)據(jù)作為學(xué)習(xí)集，剩余40 000例數(shù)據(jù)則為應(yīng)用集?？紤]到通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)數(shù)據(jù)的采集是在不間斷策略控制下序貫進(jìn)行的[14]，因此該文引入了融合經(jīng)驗(yàn)緩沖因子的深度卷積神經(jīng)網(wǎng)絡(luò)提高原有LSTM 模型的判讀效率，其網(wǎng)絡(luò)層數(shù)目選取為16層，以保證交通態(tài)勢(shì)感知的時(shí)效性。實(shí)驗(yàn)過程中始終激活數(shù)據(jù)源采集及池化進(jìn)程，保障電網(wǎng)運(yùn)行態(tài)勢(shì)數(shù)據(jù)源實(shí)時(shí)輸入，將神經(jīng)網(wǎng)絡(luò)類型設(shè)為Targetaction Value 與Action Value，利用前者神經(jīng)網(wǎng)絡(luò)處理當(dāng)前狀態(tài)s，可得Next Q值，利用后者神經(jīng)網(wǎng)絡(luò)處理當(dāng)前狀態(tài)s，可得eval Q值，實(shí)現(xiàn)時(shí)間正序下的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)。將該文所提算法與單純BP 神經(jīng)網(wǎng)絡(luò)算法、單純確定性策略梯度法以及改進(jìn)的深度信念網(wǎng)絡(luò)法進(jìn)行高度動(dòng)態(tài)復(fù)雜環(huán)境下電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)對(duì)比，得出算法的收斂性能對(duì)比結(jié)果如圖2 所示。將該文所提算法與單純確定性策略梯度法、改進(jìn)深度信念網(wǎng)絡(luò)法進(jìn)行電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全自主治理策略有效率對(duì)比，算法收斂性能的對(duì)比結(jié)果如圖3 所示。

圖2 電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)關(guān)鍵問題分析仿真圖

圖3 電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成關(guān)鍵問題分析仿真圖

3 模型可視演示系統(tǒng)

對(duì)利用多源異構(gòu)傳感器集群采集到的融合經(jīng)驗(yàn)學(xué)習(xí)集和實(shí)踐應(yīng)用集的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池展開研究，搭建模型可視演示系統(tǒng)并對(duì)模型開展應(yīng)用實(shí)踐分析?；谀畴娏ο到y(tǒng)通信網(wǎng)絡(luò)中心現(xiàn)有的軟硬件設(shè)備，輔以高速傳感器集群，搭建了模型應(yīng)用實(shí)踐定量分析環(huán)境，其分析布置圖如圖4所示。為了增強(qiáng)模型可視效果，演示系統(tǒng)設(shè)置了通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)可視演示區(qū)及通信網(wǎng)數(shù)據(jù)安全治理策略自主生成可視演示區(qū)，涵蓋電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池構(gòu)建、電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制、電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成三個(gè)子進(jìn)程，其運(yùn)行進(jìn)程與主模塊始終保持時(shí)間同步性，并利用通信端口保證數(shù)據(jù)互通，且在可視控制界面上進(jìn)行實(shí)時(shí)更新[15]。將電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池進(jìn)程的分區(qū)作為原始變量，利用深度長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)對(duì)電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)經(jīng)驗(yàn)池進(jìn)行特征提取及進(jìn)化訓(xùn)練，建立較長(zhǎng)周期內(nèi)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)機(jī)制，實(shí)現(xiàn)時(shí)間正序下的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)；進(jìn)而利用深度確定性策略梯度算法構(gòu)建電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)與治理策略自主生成之間的耦合模型，實(shí)現(xiàn)高度動(dòng)態(tài)復(fù)雜環(huán)境下電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成。三個(gè)子進(jìn)程針對(duì)數(shù)據(jù)處理進(jìn)程有一定的輔助分析效果，且具備耦合獨(dú)立控制性能，可獨(dú)立控制數(shù)據(jù)集合的形成、態(tài)勢(shì)在線學(xué)習(xí)與治理策略自主生成。

圖4 模型可視演示系統(tǒng)開發(fā)及應(yīng)用實(shí)踐分析布置圖

圖4 給出了電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型演示系統(tǒng)布置邏輯框架，利用該框架對(duì)實(shí)際應(yīng)用實(shí)踐效果進(jìn)行分析，在電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型的效能分析中引入了定量化指標(biāo)。利用傳感器集群搭建高度動(dòng)態(tài)復(fù)雜環(huán)境下通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)快速獲取裝置，在收集形成數(shù)據(jù)樣本的基礎(chǔ)上進(jìn)行參數(shù)設(shè)定。考慮到高度動(dòng)態(tài)復(fù)雜場(chǎng)景下通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)參數(shù)的多源異構(gòu)特性，采取差異化的參數(shù)設(shè)定方式，該文選擇國(guó)家電網(wǎng)隸屬的某智能電網(wǎng)示范區(qū)采購(gòu)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全可視化實(shí)時(shí)監(jiān)測(cè)及治理平臺(tái)作為對(duì)照系統(tǒng)。為了驗(yàn)證模型與方法的合理性，設(shè)置電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全可視化實(shí)時(shí)監(jiān)測(cè)及治理平臺(tái)為跟隨系統(tǒng)[16]，對(duì)原始態(tài)勢(shì)數(shù)據(jù)進(jìn)行預(yù)處理并池化，將數(shù)據(jù)池根據(jù)成像特性劃分為訓(xùn)練與測(cè)試集合，其中的訓(xùn)練集具有先驗(yàn)特性，測(cè)試集則具備動(dòng)態(tài)進(jìn)化功能。該文提出了通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)參數(shù)覆蓋率、較長(zhǎng)周期內(nèi)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率、通信網(wǎng)數(shù)據(jù)安全自主治理策略有效率三項(xiàng)指標(biāo)對(duì)工程效益進(jìn)行表征，并通過演示系統(tǒng)得出這三項(xiàng)指標(biāo)的定量數(shù)據(jù)，實(shí)現(xiàn)定量化精準(zhǔn)評(píng)判。該文提出模型可視演示系統(tǒng)人機(jī)交互友好性、模型可視演示系統(tǒng)便捷化程度、模型可視演示系統(tǒng)異常信息互聯(lián)推送三項(xiàng)指標(biāo)，并對(duì)其進(jìn)行定性分析。電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理模型應(yīng)用實(shí)踐效能分析對(duì)比表如表1 所示。

表1 效能分析對(duì)比表

4 結(jié)論

為加強(qiáng)電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全管理，該文提出了一種基于機(jī)器學(xué)習(xí)的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)治理模型。通過利用深度長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)和深度確定性策略梯度算法構(gòu)建電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全態(tài)勢(shì)在線學(xué)習(xí)與治理策略自主生成之間的耦合模型。通過實(shí)驗(yàn)對(duì)模型性能進(jìn)行評(píng)估，結(jié)果表明，該模型在數(shù)據(jù)安全態(tài)勢(shì)預(yù)測(cè)方面，準(zhǔn)確率達(dá)到96.28%。在數(shù)據(jù)安全自主治理策略方面，有效率達(dá)到92.81%。該模型可實(shí)現(xiàn)高度動(dòng)態(tài)復(fù)雜應(yīng)用場(chǎng)景下的電力系統(tǒng)通信網(wǎng)數(shù)據(jù)安全治理策略自主生成。