多跳D2D組網(wǎng)下基于數(shù)據(jù)驅(qū)動(dòng)的配電網(wǎng)在線異常檢測(cè)

張章煌，夏炳森，周釗正

(國(guó)網(wǎng)福建省電力有限公司 經(jīng)濟(jì)技術(shù)研究院，福州 350012)

0 引 言

配電網(wǎng)作為電力網(wǎng)絡(luò)中直接向用戶供電的重要環(huán)節(jié)，其運(yùn)行狀態(tài)直接影響著電力用戶的用電質(zhì)量和用電體驗(yàn)。當(dāng)前電力用戶對(duì)供電可靠性的要求隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展變得越來越高，而快速高效的異常檢測(cè)方式是保證供電可靠性的重要手段之一[1-2]?，F(xiàn)階段，隨著智能電表的普及以及用電信息采集系統(tǒng)的升級(jí)和完善，配電網(wǎng)數(shù)據(jù)信息急劇增長(zhǎng)。因此，如何根據(jù)智能電表測(cè)量出的參數(shù)和用電信息采集系統(tǒng)采集到的信息進(jìn)行數(shù)據(jù)分析，實(shí)現(xiàn)快速精確的異常配電行為檢測(cè)是當(dāng)前電力網(wǎng)絡(luò)管理中急需解決的關(guān)鍵問題之一。

隨著配電網(wǎng)側(cè)數(shù)據(jù)量的急劇增加，可將配電網(wǎng)數(shù)據(jù)傳輸?shù)酵ㄐ啪W(wǎng)邊緣具有較強(qiáng)計(jì)算和存儲(chǔ)能力的服務(wù)器中進(jìn)行實(shí)時(shí)數(shù)據(jù)分析，實(shí)現(xiàn)快速精確的異常配電行為檢測(cè)[3]。為了達(dá)到這一目的，可在配電網(wǎng)和基站間建立多跳D2D網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)傳輸[4]，如圖1所示。然而，在多跳D2D網(wǎng)絡(luò)中，若D2D設(shè)備遭遇大量的突發(fā)訪問、阻斷式服務(wù)攻擊、端口掃描或蠕蟲傳播，會(huì)造成D2D設(shè)備的流量異常，而流量異常會(huì)對(duì)D2D組網(wǎng)的服務(wù)性能造成嚴(yán)重影響[5]。因此，實(shí)現(xiàn)對(duì)多跳D2D網(wǎng)絡(luò)的流量異常檢測(cè)是保證D2D設(shè)備正常傳輸數(shù)據(jù)的重要前提。

圖1 多跳D2D組網(wǎng)下基于數(shù)據(jù)驅(qū)動(dòng)的配電網(wǎng)監(jiān)測(cè)架構(gòu)Fig.1 Data-driven anomaly detection architecture for power distribution networks under multi-hop D2D networking

機(jī)器學(xué)習(xí)是實(shí)現(xiàn)快速異常行為檢測(cè)的重要方式。針對(duì)配電網(wǎng)傳統(tǒng)監(jiān)督機(jī)制適應(yīng)性較差的問題，文獻(xiàn)[6]通過分析局部異常因子大小實(shí)現(xiàn)對(duì)配電網(wǎng)運(yùn)行狀態(tài)的智能監(jiān)測(cè)。針對(duì)網(wǎng)絡(luò)數(shù)據(jù)的高維度特征，LIAO等[7]設(shè)計(jì)了一種基于主成分分析和模糊分類的基站異常運(yùn)行檢測(cè)方法?；诖髷?shù)據(jù)中的質(zhì)量分析理論，文獻(xiàn)[8]提出了采用挖掘分析與統(tǒng)計(jì)分析的海量電力信息數(shù)據(jù)的質(zhì)量分析方法。ONIRETI等[9]針對(duì)可用數(shù)據(jù)信息量的不同，提出了基于K最近鄰和灰度預(yù)測(cè)這2種不同的異常小區(qū)檢測(cè)方法。然而，上述異常檢測(cè)方法都需要存儲(chǔ)一段時(shí)間內(nèi)的相關(guān)測(cè)量數(shù)據(jù)進(jìn)行離線訓(xùn)練，這種方式不僅檢測(cè)速度慢且會(huì)占用大量的存儲(chǔ)空間，同時(shí)無法定位異常配電的具體時(shí)刻。

為了實(shí)現(xiàn)多跳D2D組網(wǎng)下針對(duì)配電網(wǎng)絡(luò)的在線異常檢測(cè)，本文提出了一種基于一類支持向量機(jī)(one-class support vector machine, OCSVM)的配電網(wǎng)運(yùn)行狀態(tài)實(shí)時(shí)檢測(cè)算法和一種基于雙邊主成分分析(principle component analysis, PCA)的流量異常實(shí)時(shí)檢測(cè)算法，在正常數(shù)據(jù)和異常數(shù)據(jù)嚴(yán)重不均衡的情況下快速訓(xùn)練出精確的異常檢測(cè)模型。

本文的主要工作和創(chuàng)新點(diǎn)可總結(jié)如下。首先，本文提出了一種基于OCSVM的在線異常檢測(cè)算法推斷特定區(qū)域配電網(wǎng)的工作狀態(tài)，該算法可根據(jù)該區(qū)域智能電表上報(bào)的測(cè)量數(shù)據(jù)進(jìn)行模型參數(shù)更新，并在每個(gè)時(shí)間周期判定上報(bào)數(shù)據(jù)的異常情況，從而推斷該區(qū)域配電網(wǎng)的實(shí)時(shí)運(yùn)行狀態(tài)；其次，為了實(shí)現(xiàn)對(duì)多跳D2D網(wǎng)絡(luò)中流量異常的實(shí)時(shí)檢測(cè)，設(shè)計(jì)了一種雙邊PCA方法在線分析D2D設(shè)備的流量監(jiān)督數(shù)據(jù)，從2個(gè)主方向檢測(cè)新到達(dá)數(shù)據(jù)中是否包含異常數(shù)據(jù)，在降低計(jì)算存儲(chǔ)成本的同時(shí)提高檢測(cè)精確度；最后，本文通過仿真驗(yàn)證了基于OCSVM和雙邊PCA的在線異常檢測(cè)算法的有效性和魯棒性。

1 基于OCSVM的配電網(wǎng)在線運(yùn)行狀態(tài)檢測(cè)

假設(shè)配電網(wǎng)包含K個(gè)區(qū)域，則第k(1≤k≤K)區(qū)域內(nèi)智能電表的測(cè)量數(shù)據(jù)可表示為Sk=(xkn,ykn),n=1,2,…,Nk，其中，Nk表示采樣數(shù)據(jù)的個(gè)數(shù)，ykn=+1表示訓(xùn)練數(shù)據(jù)均是在配電網(wǎng)絡(luò)處于正常運(yùn)行狀態(tài)時(shí)采集的。一般情況下，采樣數(shù)據(jù)的分布較為復(fù)雜且線性不可分，為了解決這一問題，OCSVM算法使用特征映射函數(shù)φ:Rd→Rd′將原始數(shù)據(jù)從輸入空間Rd投影到高維特征空間Rd′，輸入空間和高維特征空間均為實(shí)數(shù)空間。使得投影后的數(shù)據(jù)在新的空間里是線性可分的[10]。定義φ(xk)為數(shù)據(jù)xk的特征映射函數(shù)，然后利用核函數(shù)k(xk1,xk2)計(jì)算數(shù)據(jù)xk1和xk2的特征映射函數(shù)的內(nèi)積。本文使用最常用的高斯核函數(shù)，表示為

(1)

基于上述推理，本文將用于k區(qū)域內(nèi)配電網(wǎng)異常檢測(cè)的問題建立為以下優(yōu)化目標(biāo)。

s.t.wTφ(xkn)≥ρk-ξkn,n=1,2,…,Nk

ξkn≥0,n=1,2,…,Nk

(2)

(3)

智能電表上報(bào)的測(cè)量數(shù)據(jù)xkn可以根據(jù)g(xkn)的結(jié)果來判定它的正常與否，若g(xkn)≥0，則判定xkn為正常數(shù)據(jù)，否則判定其為異常數(shù)據(jù)。

對(duì)于每一個(gè)區(qū)域的配電網(wǎng)來說，智能電表的測(cè)量數(shù)據(jù)在每個(gè)時(shí)間周期都會(huì)進(jìn)行更新，若邊緣服務(wù)器將每個(gè)智能電表上報(bào)的歷史測(cè)量數(shù)據(jù)都存儲(chǔ)下來進(jìn)行離線訓(xùn)練，不僅檢測(cè)速度較慢，且會(huì)占用大量的存儲(chǔ)資源。因此，希望服務(wù)器能夠根據(jù)智能電表上報(bào)的時(shí)間順序?qū)?shù)據(jù)進(jìn)行實(shí)時(shí)處理?；谏鲜龇治?，本文提出了基于OCSVM的配電網(wǎng)在線異常檢測(cè)算法。

首先，引入拉格朗日乘子K對(duì)問題(2)進(jìn)行轉(zhuǎn)化，表示為

s.t.ξkn≥0,n=1,2,…,Nq

(4)

離線訓(xùn)練過程要求觀測(cè)周期內(nèi)每個(gè)智能電表上報(bào)的所有測(cè)量數(shù)據(jù)都是可用的，而這會(huì)給邊緣服務(wù)器的存儲(chǔ)空間帶來巨大負(fù)擔(dān)。鑒于此，本文定義了OCSVM的實(shí)時(shí)成本函數(shù)，具體表示為

s.t.ξk(t)≥0

(5)

(5)式中：t為在線學(xué)習(xí)的時(shí)間點(diǎn)；xk(t)為智能電表k在時(shí)間t上的測(cè)量數(shù)據(jù)；ξk(t)代表測(cè)量數(shù)據(jù)xk(t)的松弛變量。然而，在(5)式中，φ(xk(t))的值是未知的，在所有采集數(shù)據(jù)均可用的情況下會(huì)直接計(jì)算k(xk(l),xk(m))=〈φ(xk(l)),φ(xk(m))〉?timel,m，而不是φ(xk(t))。為了實(shí)現(xiàn)OCSVM算法的在線學(xué)習(xí)，本文選擇采用隨機(jī)近似的方法通過z(xk(t))來近似φ(xk(t))[11]。

在隨機(jī)近似方法中，首先使用隨機(jī)近似函數(shù)z:Rd→RD將輸入數(shù)據(jù)投影到隨機(jī)特征空間，其中，D是隨機(jī)特征空間的維度，其值滿足D>d?；谠摲椒?，φ(xk(t))可使用z(xk(t))來近似表示。定義z(xk(t))=[zω1(xk(t)) ，… ，zωD(xk(t))]T，其中，zωi(xk(t))代表實(shí)值映射函數(shù)，表示為

i=1,2,…,D

(6)

(6)式中：?i服從[0,2π]上的均勻分布；ωi的值則會(huì)從高斯核函數(shù)的傅里葉變換p(ω)=(2π)-(D/2)e-[‖ω‖2/2]中獲取[11]。

將φ(xk(t))用z(xk(t))近似后，OCSVM的在線成本函數(shù)的最終表示形式為

s.t.ξk(t)≥0

(7)

(7)式中，zk(t)=[zω1(xk(t)),…,zωD(xk(t))]T，其中，xk(t)為智能電表k在時(shí)間t上的測(cè)量數(shù)據(jù)。

此時(shí)可以使用隨機(jī)梯度下降方法求解問題(7)。該方法不僅可以在節(jié)省存儲(chǔ)資源的同時(shí)繼承網(wǎng)絡(luò)的歷史信息，還可以充分使用新上報(bào)的測(cè)量數(shù)據(jù)進(jìn)行參數(shù)更新，更新方法如下

wk(t+1)=wk(t)-α1(t)?wkfk(t)

(8a)

ρk(t+1)=ρk(t)-α2(t)?ρkfk(t)

(8b)

ξk(t+1)=(ξk(t)-α3(t)?ξkfk(t))+

(8c)

(9a)

(9b)

(9c)

基于OCSVM的配電網(wǎng)在線異常檢測(cè)算法的詳細(xì)步驟如下。

初始化：總時(shí)間周期T，隨機(jī)特征空間維度D，隨機(jī)初始化參數(shù)值wk(t)，ρk(t)和ξk(t)。

1)fort=0,1,2,…,Tdo

2)智能電表k上報(bào)新的測(cè)量數(shù)據(jù)xk(t)，計(jì)算φ(xk(t))的近似值z(mì)k(t)

3)分別使用(9a)，(9b)和(9c)計(jì)算?wkfk(t)，?ρkfk(t)和?ξkfk(t)

4)分別使用(8a)，(8b)和(8c)計(jì)算wk(t)，ρk(t)和ξk(t)

5)計(jì)算判別式：g(xk(t))=sgn(wkT(t)·zk(t)-ρ(t))

6)ifg(xk(t))==1 then

7)判定區(qū)域k內(nèi)的配電網(wǎng)處于正常工作狀態(tài)，更新參數(shù)wk(t)，ρk(t)和ξk(t)

8) else

9)判定區(qū)域k內(nèi)的配電網(wǎng)的工作狀態(tài)出現(xiàn)異常，保留t-1時(shí)刻參數(shù)值，丟棄當(dāng)前值；

10) end for

因離線訓(xùn)練算法需要采集大量的測(cè)量數(shù)據(jù)才能取得較好的檢測(cè)性能，而基于OCSVM的在線異常算法可以在每個(gè)時(shí)間周期上進(jìn)行判定并丟棄異常參數(shù)以避免其可能帶來的負(fù)面影響，因此，本文提出的在線異常檢測(cè)算法可在節(jié)約存儲(chǔ)空間的同時(shí)保持較高的檢測(cè)水平。

2 基于雙邊PCA的在線流量異常檢測(cè)

在多跳D2D網(wǎng)絡(luò)中，若D2D設(shè)備遭遇大量的突發(fā)訪問、阻斷式服務(wù)攻擊、端口掃描或蠕蟲傳播，D2D設(shè)備會(huì)出現(xiàn)流量異常，而流量異常會(huì)對(duì)D2D組網(wǎng)的服務(wù)性能造成嚴(yán)重影響。因此，實(shí)現(xiàn)對(duì)多跳D2D網(wǎng)絡(luò)的流量異常檢測(cè)是保證D2D設(shè)備正常傳輸數(shù)據(jù)的重要前提。

現(xiàn)有的流量異常檢測(cè)模型通常會(huì)將一個(gè)時(shí)隙內(nèi)的流量監(jiān)督數(shù)據(jù)建模為一個(gè)矢量，并使用一個(gè)矩陣來記錄一段時(shí)間內(nèi)的流量監(jiān)督數(shù)據(jù)?；谶@些觀測(cè)數(shù)據(jù)，現(xiàn)有研究通常將觀測(cè)流量數(shù)據(jù)劃分為正常數(shù)據(jù)矩陣和異常稀疏矩陣2部分來檢測(cè)異常?；跀?shù)據(jù)劃分的異常檢測(cè)技術(shù)包括PCA[12]、 kernel-PCA[13]、因子分解[14]等方法。但上述基于離線學(xué)習(xí)的異常檢測(cè)方法需要存儲(chǔ)一段時(shí)間內(nèi)的監(jiān)督數(shù)據(jù)，不僅存儲(chǔ)和計(jì)算成本較高，而且會(huì)破壞異常的實(shí)時(shí)檢測(cè)。

假設(shè)多跳D2D網(wǎng)絡(luò)中包含N個(gè)D2D設(shè)備，定義At∈RN×N表示時(shí)間周期t上的監(jiān)督數(shù)據(jù)，其中，第(ij)項(xiàng)At(ij)表示從設(shè)備i到設(shè)備j的監(jiān)督數(shù)據(jù)，RN×N表示監(jiān)督數(shù)據(jù)均為實(shí)數(shù)。在線數(shù)據(jù)分析示意圖如圖2所示，監(jiān)督數(shù)據(jù)集{A1,A2,…,Ak,…,At}形成了一個(gè)張量，其中每一層Ak∈RN×N,1≤k≤t表示一個(gè)時(shí)間周期上的監(jiān)督數(shù)據(jù)。給定已經(jīng)收集到的t個(gè)時(shí)間周期的監(jiān)督數(shù)據(jù)A1,A2,…,At，為了實(shí)現(xiàn)對(duì)多跳D2D網(wǎng)絡(luò)的實(shí)時(shí)異常檢測(cè)，需要快速精確地檢測(cè)出新收集的數(shù)據(jù)At+1是否為異常數(shù)據(jù)。

圖2 在線數(shù)據(jù)分析示意圖Fig.2 Online data analysis diagram

給定數(shù)據(jù)統(tǒng)計(jì)集合A={A1,A2,…,At}，對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)集中化處理得到

{B1,B2,…，Bt}

(10)

(11)

(11)式中，‖·‖F(xiàn)為矩陣的Frobenius范數(shù)。

根據(jù)文獻(xiàn)[15]可知，上述目標(biāo)等價(jià)于以下問題

(12)

(13)

因此，可使用迭代方法計(jì)算投影矩陣U和V，直到2次迭代之間U和V的變化量均小于設(shè)定門限值為止。

因?yàn)榈^程所需計(jì)算量較大且花費(fèi)時(shí)間較長(zhǎng)，所以為了提高檢測(cè)效率，本文采用一種近似算法以快速得到投影矩陣。

(14)

異常檢測(cè)原理：為了檢測(cè)時(shí)間t+1上收集的數(shù)據(jù)是否為異常數(shù)據(jù)，需要檢查行主成分和列主成分是否有較大的方向變化。為了同時(shí)利用2個(gè)方向變化，本文提出使用2個(gè)連續(xù)時(shí)隙t和t+1上的聯(lián)合投影矩陣Mt=[Ut,Vt]，Mt+1=[Ut+1,Vt+1]，定義度量標(biāo)準(zhǔn)

(15)

來判斷新到達(dá)的監(jiān)督數(shù)據(jù)對(duì)主方向的影響。

(15)式中，Vec(A)表示對(duì)矩陣A進(jìn)行矢量化。越小的Cosine值對(duì)應(yīng)越大的方向變化?；陔p邊PCA的多跳D2D網(wǎng)絡(luò)在線流量異常檢測(cè)算法的詳細(xì)步驟如下。

輸出：At+1是否為異常數(shù)據(jù)。

2)初始化l=1，r=1；

5)l=l+1；

6)end while

7)將前l(fā)個(gè)特征值對(duì)應(yīng)的l個(gè)特征矢量組成行投影矩陣Vt；

9)r=r+1；

10) end while

11)將前r個(gè)特征值對(duì)應(yīng)的r個(gè)特征矢量組成列投影矩陣Ut；

12)構(gòu)建聯(lián)合投影矩陣Mt=[Ut,Vt]，Mt+1=[Ut+1,Vt+1]

13)根據(jù)(15)式計(jì)算cosine的值

14) If cosine≥scorethen

15) 判定At+1為正常數(shù)據(jù)

16) else

17) 判定At+1為異常數(shù)據(jù)

3 數(shù)值仿真

本文選用某小區(qū)低壓配電網(wǎng)絡(luò)的用電數(shù)據(jù)進(jìn)行算法驗(yàn)證，該小區(qū)的每個(gè)居民區(qū)和對(duì)應(yīng)的低壓配電臺(tái)區(qū)相連接，用于算法驗(yàn)證的測(cè)量數(shù)據(jù)主要來源于每個(gè)配電臺(tái)區(qū)的智能電表。為了證明本文提出的基于OCSVM和雙邊PCA的在線異常檢測(cè)算法的有效性，設(shè)定智能電表上報(bào)數(shù)據(jù)的間隔時(shí)間為20 s，智能電表上報(bào)的測(cè)量數(shù)據(jù)包括每個(gè)時(shí)間周期的電壓、電流、有功功率以及從屬線路等。

3.1 評(píng)估標(biāo)準(zhǔn)

為了評(píng)估本文提出的在線異常檢測(cè)算法的有效性，本文選用召回率(Recall)和精確率(Precision)作為檢測(cè)性能的評(píng)估標(biāo)準(zhǔn)[16]。Recall和Precision可通過混淆矩陣構(gòu)建得到，如表1所示。

表1 混淆矩陣Tab.1 Confusion matrix

Recall表示正確預(yù)測(cè)的異常數(shù)據(jù)在實(shí)際總異常數(shù)據(jù)中所占比例，定義為

(16)

Precision表示正確預(yù)測(cè)的異常數(shù)據(jù)在被判定為異常的總數(shù)據(jù)中所占比例，定義為

(17)

3.2 基于OCSVM的配電網(wǎng)在線運(yùn)行狀態(tài)檢測(cè)算法評(píng)估

為了驗(yàn)證本文提出的基于OCSVM的配電網(wǎng)在線運(yùn)行狀態(tài)檢測(cè)算法的性能，將所提算法和3種經(jīng)典異常檢測(cè)算法在Recall、Precision、所需執(zhí)行時(shí)間和所需存儲(chǔ)空間4個(gè)方面進(jìn)行了詳細(xì)對(duì)比，對(duì)比結(jié)果如圖3所示。對(duì)比的3種經(jīng)典算法分別為k-最近鄰(k-nearest neighbor，KNN)[17]、局部異常因子(local outlier factor，LOF)[18]以及基于離線訓(xùn)練的OCSVM異常檢測(cè)算法[19]。在該次仿真中，設(shè)置特征空間維度D=100，參數(shù)K=20，C=30，為了方便對(duì)比，4種方法在同一數(shù)據(jù)集上進(jìn)行模型訓(xùn)練。從圖3可以看出，和經(jīng)典異常檢測(cè)算法相比，本文提出的基于OCSVM的在線檢測(cè)算法可在花費(fèi)較少的CPU執(zhí)行時(shí)間和存儲(chǔ)空間的同時(shí)取得較好的檢測(cè)性能。同時(shí)，經(jīng)典的異常檢測(cè)算法基于離線訓(xùn)練得到檢測(cè)參數(shù)，其檢測(cè)性能和數(shù)據(jù)集的大小密切相關(guān)。觀察圖3可知，本文提出的在線異常檢測(cè)算法的性能幾乎不受數(shù)據(jù)集大小的影響，可在可用數(shù)據(jù)較少時(shí)依然保持較高的檢測(cè)性能。此外，經(jīng)典異常檢測(cè)算法所需的CPU執(zhí)行時(shí)間和存儲(chǔ)空間會(huì)隨著數(shù)據(jù)集的增大呈指數(shù)增加，這不僅會(huì)給邊緣服務(wù)器帶來較大的計(jì)算和存儲(chǔ)負(fù)擔(dān)，而且還會(huì)使得配電網(wǎng)異常檢測(cè)效率較低，影響電力用戶體驗(yàn)。對(duì)比之下，本文所提的基于OCSVM的配電網(wǎng)在線運(yùn)行狀態(tài)檢測(cè)算法不僅可以實(shí)現(xiàn)對(duì)配電網(wǎng)運(yùn)行狀態(tài)的實(shí)時(shí)檢測(cè)，而且還可在節(jié)約計(jì)算和存儲(chǔ)資源的同時(shí)定位特定配電區(qū)域出現(xiàn)異常的時(shí)刻。

圖3 在線運(yùn)行狀態(tài)檢測(cè)算法性能對(duì)比圖Fig.3 Performance comparison between different online working state detection algorithms

3.3 基于雙邊PCA的在線流量異常檢測(cè)算法評(píng)估

為了在基于雙邊PCA的在線流量異常檢測(cè)算法中選取合適的參數(shù)設(shè)置，本文首先針對(duì)不同參數(shù)設(shè)置對(duì)算法的影響進(jìn)行了仿真，雙邊PCA算法中的不同參數(shù)設(shè)定和影響如圖4所示。

1)Score。根據(jù)表2給出的算法，如果新產(chǎn)生的數(shù)據(jù)使得主方向改變較大，則Cosine的值會(huì)低于預(yù)先設(shè)定的Score值，此時(shí)會(huì)判定新產(chǎn)生的數(shù)據(jù)為異常數(shù)據(jù)。因此，Score值的設(shè)定會(huì)影響本文提出的在線流量異常檢測(cè)算法的性能。本文基于多跳D2D網(wǎng)絡(luò)的正常流量數(shù)據(jù)刻畫了Cosine的累積分布函數(shù)(cumulative distribution function，CDF)，見圖4a。已知CDF描述的是隨機(jī)變量X≤x的概率，也即是F(x)=p(X≤x)。從圖4a可以看出，幾乎所有的Cosine值均大于0.98，因此，本文設(shè)定Score=0.98用于區(qū)分正常和異常流量數(shù)據(jù)。

圖4 雙邊PCA算法中的不同參數(shù)設(shè)定和影響Fig.4 Influence of different parameter settings in bilateral PCA

為了驗(yàn)證本文提出的基于雙邊PCA的在線網(wǎng)絡(luò)流量異常檢測(cè)算法的性能，將所提算法、經(jīng)典PCA算法和基于迭代的雙邊PCA算法在Recall、Precision、所需執(zhí)行時(shí)間和所需存儲(chǔ)空間4個(gè)方面進(jìn)行了性能對(duì)比，3種算法的保留信息率均設(shè)置為?=98%，對(duì)比結(jié)果如圖5所示。觀察圖5可知，和PCA算法以及基于迭代的雙邊PCA算法相比，本文算法可在花費(fèi)較少的CPU執(zhí)行時(shí)間和存儲(chǔ)空間的同時(shí)取得較好的檢測(cè)性能。從圖5可以看出，經(jīng)典PCA算法的性能和多跳D2D網(wǎng)絡(luò)的設(shè)備數(shù)相關(guān)，在網(wǎng)絡(luò)的設(shè)備數(shù)量較少時(shí)，PCA算法所需CPU執(zhí)行時(shí)間和存儲(chǔ)空間都較少，但檢測(cè)性能也相對(duì)較差。對(duì)比之下，本文算法性能幾乎不受設(shè)備數(shù)的影響。此外，因?yàn)榛诘碾p邊PCA算法需要保留迭代過程中的所有歷史數(shù)據(jù)，雖然其檢測(cè)性能幾乎不受設(shè)備數(shù)的影響，但其所需的CPU執(zhí)行時(shí)間比基于雙邊PCA的在線流量檢測(cè)算法長(zhǎng)，同時(shí)存儲(chǔ)空間會(huì)隨著設(shè)備數(shù)的增加而指數(shù)增加。本文算法不僅可以實(shí)現(xiàn)對(duì)多跳D2D網(wǎng)絡(luò)的實(shí)時(shí)檢測(cè)，且可節(jié)約大量的計(jì)算時(shí)間和存儲(chǔ)空間。

4 結(jié)束語

隨著配電網(wǎng)側(cè)數(shù)據(jù)量的急劇提升，本文提出使用多跳D2D組網(wǎng)將配電網(wǎng)數(shù)據(jù)傳輸?shù)酵ㄐ啪W(wǎng)邊緣具有較強(qiáng)計(jì)算和存儲(chǔ)能力的服務(wù)器中進(jìn)行實(shí)時(shí)數(shù)據(jù)分析。為了實(shí)現(xiàn)多跳D2D組網(wǎng)下針對(duì)配電網(wǎng)絡(luò)的在線異常檢測(cè)，首先提出了一種基于OCSVM的在線異常檢測(cè)算法推斷特定區(qū)域配電網(wǎng)的工作狀態(tài)；其次，為了實(shí)現(xiàn)對(duì)多跳D2D網(wǎng)絡(luò)中流量異常的實(shí)時(shí)檢測(cè)，設(shè)計(jì)了一種雙邊PCA方法在線分析D2D設(shè)備的流量監(jiān)督數(shù)據(jù)；最后，本文通過仿真實(shí)例驗(yàn)證了本文提出的基于數(shù)據(jù)驅(qū)動(dòng)的配電網(wǎng)在線異常檢測(cè)算法可在提高檢測(cè)速率和精確度的同時(shí)節(jié)約大量的計(jì)算時(shí)間和存儲(chǔ)空間。

雖然本文提出的算法能夠快速精確地判定出每個(gè)區(qū)域內(nèi)的配電網(wǎng)是否存在異常情況，卻無法確定引起配電網(wǎng)異常的具體原因，因此，為了快速恢復(fù)出現(xiàn)異常的配電網(wǎng)，需在本文研究的基礎(chǔ)上進(jìn)一步設(shè)計(jì)故障診斷方法，在檢測(cè)到配電網(wǎng)異常后，迅速定位出造成異常的故障設(shè)備，以便制定有效的恢復(fù)措施。