基于CAN網(wǎng)絡(luò)和DenseNet技術(shù)的數(shù)據(jù)治理分析

摘 要：針對(duì)在電力企業(yè)輸電項(xiàng)目中有異常數(shù)據(jù)干擾的問(wèn)題，研究設(shè)計(jì)了一種基于生成對(duì)抗網(wǎng)絡(luò)和DenseNet的數(shù)據(jù)治理分析系統(tǒng)。將生成對(duì)抗網(wǎng)絡(luò)（GAN）的生成模塊和判別模塊，DenseNet技術(shù)的數(shù)據(jù)治理實(shí)時(shí)分析模塊功能結(jié)合，實(shí)現(xiàn)對(duì)輸電項(xiàng)目監(jiān)視的圖像數(shù)據(jù)收集和進(jìn)行安全性分析。另外改進(jìn)GAN擴(kuò)充其生成模塊的圖像數(shù)據(jù)量，提高生成圖像數(shù)據(jù)的效率。加入人工智能和5G通信，達(dá)到對(duì)所反饋的異常數(shù)據(jù)進(jìn)行實(shí)時(shí)處理的要求。本系統(tǒng)采用了測(cè)控裝置、計(jì)量裝置以及一些綜合自動(dòng)化技術(shù)來(lái)實(shí)現(xiàn)輸電項(xiàng)目的實(shí)時(shí)監(jiān)視。

所研究的系統(tǒng)具有較強(qiáng)的實(shí)用性和優(yōu)越性。

關(guān)鍵詞：GAN；DenseNet技術(shù)；人工智能；實(shí)時(shí)監(jiān)控

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2024）11-0175-04

Data governance analysis based on CAN network andDenseNet technology

CUI Chuanjian

（State Grid Info-Telecom Great Power Science and Technology Co.，Ltd.，Xiamen 361008，F(xiàn)ujian China）

Abstract：Aiming at the problem of abnormal data interference in power enterprise transmission projects，a datagovernance analysis system based on generative adversarial network and DenseNet was designed. The generationmodule and discriminant module of Generative Adversarial Network（GAN）and the real-time analysis module ofdata governance of DenseNet technology were combined to realize image data collection and safety analysis fortransmission project monitoring. In addition，GAN was improved to expand the amount of image data in its genera?tion module，improving the efficiency of generating image data. Artificial intelligence and 5G communication wereadded to meet the requirements of real-time processing of abnormal data feedback. The system used measurementand control devices，metering devices，and some integrated automation technologies to achieve real-time monitoringof power transmission projects. The studied system has strong practicability and superiority.

Key words：GAN；densenet technology；artificial intelligence；real-time monitoring

由于輸電項(xiàng)目受地形、溫差等環(huán)境因素影響較大，想要實(shí)時(shí)了解輸電數(shù)據(jù)安全情況有很大挑戰(zhàn)，所以，構(gòu)建一個(gè)輸電實(shí)時(shí)數(shù)據(jù)治理分析系統(tǒng)迫在眉睫 [1] 。針對(duì)上述問(wèn)題，很多電力企業(yè)和部門對(duì)現(xiàn)有技術(shù)問(wèn)題進(jìn)行了大量的研究。如提出通過(guò)用LoRa技術(shù)的通信狀態(tài)自動(dòng)監(jiān)測(cè)系統(tǒng) [2] 。提出利用無(wú)人機(jī)技術(shù)進(jìn)行設(shè)備巡視 [3] 。

采用人工神經(jīng)網(wǎng)絡(luò)法來(lái)實(shí)現(xiàn)對(duì)輸電狀態(tài)的檢測(cè) [4] 。針對(duì)上述技術(shù)的不足，本研究設(shè)計(jì)了一個(gè)基于生成對(duì)抗網(wǎng)絡(luò)（GAN）和DenseNet技術(shù)的數(shù)據(jù)治理實(shí)時(shí)分析系統(tǒng)，在系統(tǒng)內(nèi)加入人工智能和5 G通信，在對(duì)所監(jiān)測(cè)的網(wǎng)絡(luò)流量等數(shù)據(jù)進(jìn)行實(shí)時(shí)處理和反饋，構(gòu)建一個(gè)還原真實(shí)場(chǎng)景和容易訓(xùn)練參數(shù)的實(shí)時(shí)數(shù)據(jù)治理分析系統(tǒng)。

1 輸電項(xiàng)目數(shù)據(jù)信息治理和安全識(shí)別方法

針對(duì)國(guó)家電力部門輸電項(xiàng)目的數(shù)據(jù)安全問(wèn)題，本研究設(shè)計(jì)了一個(gè)基于GAN和DenseNet的數(shù)據(jù)治理分析系統(tǒng)，將GAN的生成器模塊和判別器模塊互相對(duì)抗構(gòu)建，以圖像仿真為代表，首先，網(wǎng)絡(luò)中的噪聲z輸入到生成模塊，輸出仿真圖像 G（z） ；然后，在收集完備的數(shù)據(jù)集內(nèi)調(diào)取實(shí)時(shí)圖像 x ，將 x 和 G（z） 同時(shí)輸入到判別模塊，在判別模塊內(nèi)可以獲取所輸入圖像真假情況。在此過(guò)程中，生成模塊一直提高生成能力，判別模塊也在一直提高判別能力，2個(gè)工作模塊相互對(duì)立。最終，如果判別模塊不能對(duì)仿真圖像 G（z）做出正確的判別時(shí)，就表示此時(shí)的生成模塊和判別模塊達(dá)到了一種機(jī)制平衡 [5] ，而此刻的生成對(duì)抗網(wǎng)絡(luò)的生成效果最好。

由于原始GAN本身屬性太自由，無(wú)法實(shí)質(zhì)可控的收縮生成內(nèi)容，所以效果不盡人意。改進(jìn)后的條件對(duì)抗網(wǎng)絡(luò)（CGAN）對(duì)初始GAN嵌入了收縮條件 [6] ，有著嚴(yán)格的監(jiān)督效果，控制了生成模塊的輸出，改進(jìn)后的GAN結(jié)構(gòu)如圖1所示。

2 DenseNet方案設(shè)計(jì)

為了解決CNN在圖像處理方面準(zhǔn)確率隨著網(wǎng)絡(luò)層數(shù)的復(fù)雜而降低的問(wèn)題，本系統(tǒng)加入了DenseNet。

DenseNet相較于ResNet有更占優(yōu)勢(shì)的參數(shù)，旁路也加強(qiáng)了特征的重用[7] ，DenseNet更易于訓(xùn)練，具有正則作用。

DenseNet輸出不是簡(jiǎn)單的相加，不只是對(duì)相鄰層做維度上的疊加，而是將上層的輸出直接加入后層中數(shù)據(jù)，通過(guò)特征的重用，方便了梯度傳遞 [7] 。

DenseNet結(jié)構(gòu)圖如圖2所示。

在圖2中，輸出的參數(shù)越少，獲得的性能就越優(yōu)。

如果傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)有 P 層，則有 P 個(gè)連接。在DenseNet中，會(huì)產(chǎn)生P（P+1）2個(gè)連接。圖中A表示每層響應(yīng)的特征圖，Q表示每層的離散變換。當(dāng)A0輸入到卷積層時(shí)，按照順序經(jīng)過(guò)Q1卷積后得到A1，之后將A0、A1合并，然后輸入到下一個(gè)卷積層。依次操作，直到最后一層輸出的特征結(jié)果包括了前面層數(shù)所有的輸出。DenseNet是連接規(guī)則特點(diǎn)是稠密，每層都緊密相連，無(wú)差別的和輸入的特征信息及數(shù)據(jù)結(jié)合，能夠讓特征信息和圖像數(shù)據(jù)在網(wǎng)絡(luò)學(xué)習(xí)中傳遞的更有效率。

3 本研究設(shè)計(jì)模型

本系統(tǒng)在于將GAN算法和DenseNet技術(shù)的結(jié)合，利用GAN算法擅長(zhǎng)無(wú)監(jiān)督學(xué)習(xí)和生成逼真圖像的優(yōu)勢(shì)和DenseNet技術(shù)易于訓(xùn)練、加強(qiáng)特征重用的優(yōu)勢(shì)結(jié)合，本方案是依據(jù)所有數(shù)據(jù)的數(shù)據(jù)源密度特點(diǎn)對(duì)所有數(shù)據(jù)進(jìn)行網(wǎng)格劃分及合并選擇 [9] ，構(gòu)建一個(gè)還原真實(shí)場(chǎng)景和容易訓(xùn)練參數(shù)的實(shí)時(shí)數(shù)據(jù)治理分析系統(tǒng)。具體系統(tǒng)構(gòu)成模塊如圖3所示。

由圖3可知，本系統(tǒng)的核心功能一共由2個(gè)模塊組成。

模塊1：基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)延伸模塊，該模塊主要功能是在有限集合的數(shù)據(jù)中，通過(guò)對(duì)特征網(wǎng)絡(luò)的不斷訓(xùn)練，得到理想的生成模塊，實(shí)現(xiàn)生成擁有高圖像質(zhì)量的輸電項(xiàng)目巡檢數(shù)據(jù) [9] 。

實(shí)施過(guò)程是將網(wǎng)絡(luò)噪聲z輸入到GAN中，生成模塊網(wǎng)絡(luò)在收縮條件設(shè)置后的輸電項(xiàng)目監(jiān)視圖像數(shù)據(jù)的引導(dǎo)下輸出仿真的監(jiān)視圖像數(shù)據(jù) [10] 。然后將生成的圖像輸入到判別模塊網(wǎng)絡(luò)，在設(shè)置收縮的參數(shù)后進(jìn)行圖像判別，利用損失函數(shù)反向優(yōu)化2個(gè)模塊的權(quán)重值，如果損失值不再更新時(shí)，就表明獲取了高質(zhì)量的生成模塊網(wǎng)絡(luò)，能夠生成逼真的輸電項(xiàng)目監(jiān)視圖像數(shù)據(jù)來(lái)改善已有數(shù)據(jù)集的大小和類型較少的缺點(diǎn)。

模塊2：DenseNet的輸電項(xiàng)目監(jiān)視數(shù)據(jù)信息安全治理分析模塊，本模塊的主要功能是提取將監(jiān)視數(shù)據(jù)中目標(biāo)物的特征，不斷收斂網(wǎng)絡(luò)訓(xùn)練，完成對(duì)監(jiān)視數(shù)據(jù)目標(biāo)物的監(jiān)視，達(dá)到對(duì)輸電項(xiàng)目監(jiān)視數(shù)據(jù)信息的治理分析。實(shí)現(xiàn)方式是：將完善后的數(shù)據(jù)輸入，將數(shù)據(jù)分成待識(shí)別區(qū)和目標(biāo)集 [10] ，后者的標(biāo)簽已被提前設(shè)定，待識(shí)別集則是被分類識(shí)別。識(shí)別方法如圖4所示。

由圖4可知，將DenseNet的連接特點(diǎn)用作提取學(xué)習(xí)識(shí)別圖像數(shù)據(jù)特征，反饋出數(shù)據(jù)信息中待識(shí)別數(shù)據(jù)信息，然后通過(guò)計(jì)算在目標(biāo)集中獲取的特征信息和識(shí)別位置的距離和區(qū)別后進(jìn)行準(zhǔn)確判別，最后依據(jù)判別情況給出結(jié)果 [11] 。電力部門進(jìn)一步對(duì)所得結(jié)果進(jìn)行數(shù)據(jù)信息安全分析和識(shí)別。DenseNet提取公式為：

式中： U L 是第 L 層獲取的特征通道數(shù)量，表示前L-1 層特征通道數(shù)維度的結(jié)合； O L 是對(duì)第 L 層使用卷積修正函數(shù)的非線性管理。

F=f+t′L （4）

式中： F 表示連接后的通道數(shù)； f 表示上層物理量； t是增長(zhǎng)率； N 是卷積層數(shù)量。

4 試驗(yàn)流程與結(jié)果

本實(shí)驗(yàn)對(duì)系統(tǒng)內(nèi)的通信網(wǎng)絡(luò)速率參數(shù)測(cè)試，依據(jù)這關(guān)口電能表所獲取的信息，對(duì)現(xiàn)場(chǎng)實(shí)驗(yàn)進(jìn)行記錄，通訊網(wǎng)絡(luò)傳輸速度為60MB/s，測(cè)試實(shí)驗(yàn)環(huán)境為：半雙工總線采用RS485型、CPU采用Intel i8 9600 KF、微機(jī)配置為64G+256G內(nèi)存、32位、MSP430芯片仿真采用Proteus8.6仿真、仿真則使用MATLAB 2019版本、編譯語(yǔ)言是Python3。實(shí)驗(yàn)室中根據(jù)實(shí)驗(yàn)記錄報(bào)表，記錄保存數(shù)據(jù)。

實(shí)驗(yàn)室內(nèi)設(shè)置一個(gè)服務(wù)器來(lái)給計(jì)算機(jī)提供支持。

本次實(shí)驗(yàn)仿真，將GAN在訓(xùn)練時(shí)的學(xué)習(xí)率設(shè)置固定值0.0003，batch-size是64，Adam一階矩的動(dòng)量參數(shù)指數(shù)衰減率設(shè)置為0.5，二階設(shè)置為0.999，迭代次數(shù)設(shè)置為700，如果網(wǎng)絡(luò)訓(xùn)練中損失值無(wú)法更新迭代時(shí)，需將網(wǎng)絡(luò)學(xué)習(xí)率下調(diào)到初始值的0.5倍，同時(shí)對(duì)判別模塊進(jìn)行收縮控制，確保實(shí)驗(yàn)系統(tǒng)的穩(wěn)定 [12] 。

評(píng)價(jià)方法：本系統(tǒng)圖像數(shù)據(jù)信息識(shí)別評(píng)價(jià)標(biāo)準(zhǔn)使用均衡檢測(cè)法，均衡檢測(cè)法主要有2種內(nèi)容，一個(gè)是精準(zhǔn)度，一個(gè)是回收率。計(jì)算公式是：

式中：TP表示被正確識(shí)別出異常數(shù)據(jù)信息的樣本數(shù)量；FP表示被錯(cuò)誤識(shí)別的樣本數(shù)量；FN是異常數(shù)據(jù)未被識(shí)別的樣本數(shù)量 [13] 。

用MATLAB仿真測(cè)試圖像數(shù)據(jù)集數(shù)和測(cè)試效果的關(guān)系如圖5所示。

由圖5可知，在本系統(tǒng)內(nèi)，測(cè)試圖像數(shù)據(jù)集越多，測(cè)試正確率越高，表明本系統(tǒng)的工作效率隨著數(shù)據(jù)集的增多而提高。

仿真實(shí)驗(yàn)的實(shí)驗(yàn)對(duì)象是驗(yàn)證本系統(tǒng)對(duì)輸電項(xiàng)目監(jiān)視圖像數(shù)據(jù)存在的可識(shí)別的異物信息，主要包括樹葉、塑料袋等。如果數(shù)據(jù)信息檢測(cè)到有非安全性異常數(shù)據(jù)時(shí)，本系統(tǒng)模型會(huì)自動(dòng)將數(shù)據(jù)分析識(shí)別出來(lái) [14] ，利于工作人員迅速做出處理的反饋。

本系統(tǒng)能夠準(zhǔn)確的識(shí)別出圖像數(shù)據(jù)的準(zhǔn)確率在九成左右，表明本系統(tǒng)具有高效率的識(shí)別和分析功能，可以達(dá)到輸電項(xiàng)目異常數(shù)據(jù)的治理分析目的。

本研究通過(guò)多次實(shí)驗(yàn)，將所學(xué)利率設(shè)置在0.0003，本系統(tǒng)精確度最高，尤其是針對(duì)輸電項(xiàng)目外的圖像數(shù)據(jù)有更強(qiáng)的識(shí)別度。從Recall大小可以看出本系統(tǒng)監(jiān)視系統(tǒng)很完善，誤差率很低，數(shù)據(jù)信息安全識(shí)別結(jié)果如表1所示。

同時(shí)，進(jìn)一步驗(yàn)證改進(jìn)后的GAN生成圖像參數(shù)完善數(shù)據(jù)集，達(dá)到提高對(duì)數(shù)據(jù)治理分析正確率的有效特征，本實(shí)驗(yàn)使用多輪訓(xùn)練獲取測(cè)試參數(shù)集，對(duì)比結(jié)果如表2所示。

在表2中，初始數(shù)據(jù)完善前，一共有100張真圖數(shù)據(jù)，完善后增加到300張生成模塊仿真出的圖像，實(shí)驗(yàn)選取任意40張對(duì)模型進(jìn)行測(cè)試。從表2還可知，在經(jīng)過(guò)生成模塊后，系統(tǒng)各項(xiàng)指數(shù)明顯上升，表明使用本系統(tǒng)后，可以將安全治理分析功能全方面提升。將改進(jìn)后GAN的生成圖像特征值和DenseNet識(shí)別參數(shù)結(jié)合實(shí)驗(yàn)得出系統(tǒng)整體測(cè)試參數(shù)仿真圖，如圖6所示。

由圖6可知，本系統(tǒng)在實(shí)驗(yàn)運(yùn)行過(guò)程中，整體誤差率較低，產(chǎn)生的噪聲較少，表明系統(tǒng)的整體工作比較穩(wěn)定。將文獻(xiàn)[2]、文獻(xiàn)[3]和本系統(tǒng)在實(shí)驗(yàn)中產(chǎn)生的誤差率進(jìn)行對(duì)比，如圖7所示。

由圖7可知，文獻(xiàn)[2]誤差較大且不穩(wěn)定，文獻(xiàn)[3]隨著系統(tǒng)運(yùn)行時(shí)間的增加，誤差不斷增大，不符合實(shí)際情況允許的范圍，經(jīng)過(guò)對(duì)比可知本系統(tǒng)的有較大的優(yōu)越性和鮮明的特點(diǎn)。

5 結(jié)語(yǔ)

本研究是基于生成對(duì)抗網(wǎng)絡(luò)和DenseNet的數(shù)據(jù)治理分析系統(tǒng)，本系統(tǒng)融入了先進(jìn)、可靠、環(huán)保等相關(guān)硬件技術(shù)，達(dá)到了數(shù)字化和智能化的信息搜集、測(cè)量、篩選等功能要求，本系統(tǒng)由無(wú)線控制系統(tǒng)、綜合自動(dòng)化系統(tǒng)等模塊構(gòu)成，具體分為圖像數(shù)據(jù)監(jiān)測(cè)層、數(shù)據(jù)傳輸層、系統(tǒng)管理層，在底層的終端將收集到的數(shù)據(jù)整理后發(fā)送到系統(tǒng)管理層，在系統(tǒng)網(wǎng)絡(luò)速率低時(shí)，啟動(dòng)加速模塊提供加速，保證系統(tǒng)的正常運(yùn)行。然后在5G的加持下，數(shù)據(jù)處理和反饋的效率大大提高，在數(shù)據(jù)經(jīng)過(guò)智能處理后會(huì)自動(dòng)以日志的形式保存在數(shù)據(jù)存儲(chǔ)中心。達(dá)到既方便又準(zhǔn)確的獲取相關(guān)信息和數(shù)據(jù)的目的。但本研究系統(tǒng)存在各個(gè)環(huán)節(jié)功能不穩(wěn)定，需要人工監(jiān)控，這也是后續(xù)本系統(tǒng)需要加強(qiáng)和改進(jìn)的方向。

【參考文獻(xiàn)】

[1] 蘭健，郭慶來(lái)，周艷真，等. 基于生成對(duì)抗網(wǎng)絡(luò)和模型遷移的電力系統(tǒng)典型運(yùn)行方式樣本生成[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2022，42（8）：2889-2900.

[2] 季媛瑋，陳育苗，潘岳.基于循環(huán)一致性對(duì)抗網(wǎng)絡(luò)的類推式汽車前臉生成設(shè)計(jì)[J].機(jī)械設(shè)計(jì)與研究，2022，38 （6）：148-154.

[3] 王雨萌，孫長(zhǎng)海，趙樹春，等. 基于改進(jìn)的Wasserstein生成對(duì)抗網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)的電纜中間接頭局部放電缺陷識(shí)別[J]. 科學(xué)技術(shù)與工程，2022，22（35）：15650-15658.

[4] Subhajit Chatterjee，Yung Cheol Byun. Generating time-se?ries data using generative adversarial networks for mobilitydemand prediction[J]. Computers，Materials amp; Continua，2022，74（3）：5507-5525.

[5] 彭森，程蕊，程景，等. 基于貝葉斯優(yōu)化FCN-DenseNet算法的供水管網(wǎng)爆管智能識(shí)別[J]. 安全與環(huán)境學(xué)報(bào)，2022，22（1）：306-315.

[6] 周華吉，焦李成，徐杰，等.基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法及應(yīng)用[J].太赫茲科學(xué)與電子信息學(xué)報(bào)，2022，20 （12）：1249-1256.

[7] 彭?yè)P(yáng)帆，馬龍. 一種用于紅外耦合圖像色彩校正的生成對(duì)抗網(wǎng)絡(luò)[J]. 西安工業(yè)大學(xué)學(xué)報(bào)，2022，42（6）：627-635.

[8] 劉科研，周方澤，周暉. 基于時(shí)序信號(hào)圖像編碼和生成對(duì)抗網(wǎng)絡(luò)的配電網(wǎng)臺(tái)區(qū)數(shù)據(jù)修復(fù)[J]. 電力系統(tǒng)保護(hù)與控制，2022，50（24）：129-136.

[9] DONG Y M，CHEN Z Q，LI Z Y，et al. A multi-branchmulti-scale deep learning image fusion algorithm based ondenseNet[J]. Applied Sciences， 2022， 12 （21） ：10989-10989.

[10] 伍菁. 基于DenseNet的無(wú)人汽車制動(dòng)意圖識(shí)別方法[J].計(jì)算機(jī)測(cè)量與控制，2020，28（6）：226-230.

[11] 夏利玲，顧建華.基于生成對(duì)抗網(wǎng)絡(luò)和DenseNet的數(shù)據(jù)信息安全識(shí)別方法[J].計(jì)算機(jī)測(cè)量與控制，2022，30 （10）：240-245.

[12] 袁智勇，白浩，邵向潮，等. 基于一維多尺度輕量級(jí)DenseNet的配電網(wǎng)高阻接地故障檢測(cè)方法[J]. 南方電網(wǎng)技術(shù)，2022，16（6）：33-43.

[13] 趙輝，曹宇航，岳有軍，等. 基于改進(jìn)DenseNet的田間雜草識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（18）：136-142.

[14] 李貴鋒，童寧寧，馮為可，等. 基于DenseNet的機(jī)載雷達(dá)動(dòng)目標(biāo)檢測(cè)[J]. 空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，22（2）：83-90.