程天宇，李 龍，林志強(qiáng)

（廣東電網(wǎng)有限責(zé)任公司東莞供電局，東莞 523000）

0 引言

隨著現(xiàn)代社會(huì)的發(fā)展，電力的需求更加旺盛，同時(shí)也對電力系統(tǒng)安全性提出了更高的要求?，F(xiàn)代電力系統(tǒng)需要更加快速的響應(yīng)速度，需要實(shí)時(shí)故障檢測及快速響應(yīng)。多種能源包括可再生能源接入電網(wǎng)的比例增加，給電網(wǎng)運(yùn)行的質(zhì)量和安全帶來了巨大挑戰(zhàn)[3]。五年前，烏克蘭電網(wǎng)被網(wǎng)絡(luò)病毒攻擊，導(dǎo)致該國電力短缺，這次世界首發(fā)黑客攻擊導(dǎo)致的停電的事件，暴露了電力系統(tǒng)網(wǎng)絡(luò)安全的問題，其嚴(yán)重程度已成為全球關(guān)注的問題。因此，為了提高系統(tǒng)的響應(yīng)速度以及保證系統(tǒng)的安全可靠性，急需一種不同于以往基于傳統(tǒng)的電力物聯(lián)網(wǎng)故障監(jiān)測系統(tǒng)。為此，泛在電力物聯(lián)網(wǎng)的概念隨之出現(xiàn)，國家電網(wǎng)有限公司對“泛在電力物聯(lián)網(wǎng)（ubiquitous power Internet of Things，簡稱UPIoT）”的定義: 將電力用戶及其設(shè)備、電網(wǎng)企業(yè)及其設(shè)備、發(fā)電企業(yè)及其設(shè)備、供應(yīng)商及其設(shè)備，以及人和物連接起來,產(chǎn)生共享數(shù)據(jù)，為用戶、電網(wǎng)、發(fā)電、供應(yīng)商和政府社會(huì)服務(wù)[3]。

物聯(lián)網(wǎng)（Internet of Things，簡稱IoTs）技術(shù)一詞最早由麻省理工學(xué)院的自動(dòng)識(shí)別（Auto-ID）中心聯(lián)合創(chuàng)始人Kevin Ashton提出[1]，并將其定義為：一種物、人、系統(tǒng)和信息資源互聯(lián)的基礎(chǔ)設(shè)施，結(jié)合智能服務(wù)，使其能夠處理物理和虛擬世界的信息并做出響應(yīng)[2]。物聯(lián)網(wǎng)的不斷發(fā)展，給人類的生活帶來了許多便利，社會(huì)上的方方面面也逐漸與物聯(lián)網(wǎng)建立起了緊密的聯(lián)系，其中物聯(lián)網(wǎng)在電力系統(tǒng)上的應(yīng)用也逐漸普及開來。隨著泛在電力物聯(lián)網(wǎng)的提出，不少學(xué)者在這方面進(jìn)行了相關(guān)的研究，李宗澤（2019）等提出了一種應(yīng)用于電力系統(tǒng)變電站高壓設(shè)備的在線監(jiān)測系統(tǒng)，力求將電力系統(tǒng)的在線監(jiān)測水平提升，然而由于監(jiān)測的數(shù)據(jù)較多，類型多樣化，在數(shù)據(jù)處理速度上有相應(yīng)欠缺[4]。彭瀾（2020）等為解決目前配電變壓器監(jiān)測系統(tǒng)在運(yùn)行中存在的安全性及延時(shí)性等問題，基于泛在電力物聯(lián)網(wǎng)技術(shù)設(shè)計(jì)了配電變壓器智能監(jiān)測系統(tǒng)，實(shí)現(xiàn)智能終端各類監(jiān)測設(shè)備的安全接入及數(shù)據(jù)預(yù)處理；海量數(shù)據(jù)的快速安全傳輸、數(shù)據(jù)共享以及數(shù)據(jù)的全景展示、統(tǒng)計(jì)分析及遠(yuǎn)程監(jiān)控等核心功能[5]。Ding,P（2020）等針對設(shè)備電網(wǎng)的可靠性問題，研究了基于物聯(lián)網(wǎng)的設(shè)備電網(wǎng)監(jiān)控系統(tǒng)，該系統(tǒng)能夠?qū)υO(shè)備電網(wǎng)的基本參數(shù)、諧波和電壓畸變進(jìn)行實(shí)時(shí)監(jiān)測，對異常監(jiān)測結(jié)果進(jìn)行實(shí)時(shí)、快速的處理[7]。Shu，Z（2021）等對物聯(lián)網(wǎng)終端安全監(jiān)控技術(shù)的可行性進(jìn)行研究，以降低潛在風(fēng)險(xiǎn)，改善物聯(lián)網(wǎng)終端的安全運(yùn)行環(huán)境，提高物聯(lián)網(wǎng)終端的安全防護(hù)水平，一是提出了物聯(lián)網(wǎng)終端安全保護(hù)的技術(shù)規(guī)范，二是實(shí)現(xiàn)對終端安全的統(tǒng)一檢測保護(hù)，三是實(shí)現(xiàn)終端安全態(tài)勢感知和威脅識(shí)別[8]。在文獻(xiàn)[9]中Wang J（2022）等針對傳統(tǒng)網(wǎng)絡(luò)服務(wù)器存在的安全風(fēng)險(xiǎn)，通過研究傳統(tǒng)網(wǎng)絡(luò)安全風(fēng)險(xiǎn)指數(shù)，分析物聯(lián)網(wǎng)的優(yōu)異性能，研究物聯(lián)網(wǎng)在一般場景下的網(wǎng)絡(luò)安全保護(hù)系統(tǒng)中的有效性，提出了基于無處不在的電力物聯(lián)網(wǎng)的全場景網(wǎng)絡(luò)安全防護(hù)系統(tǒng)。

本文基于UPIoT概念，建立泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)。在末端感知層利用傳感器信息優(yōu)化模型算法，改進(jìn)系統(tǒng)的響應(yīng)速度；在邊緣端，結(jié)合基于深度學(xué)習(xí)的邊緣計(jì)算，提高了故障檢測準(zhǔn)確率。相比傳統(tǒng)的電力物聯(lián)網(wǎng)系統(tǒng)，在系統(tǒng)相應(yīng)速度、數(shù)據(jù)準(zhǔn)確率，降低系統(tǒng)風(fēng)險(xiǎn)等方面有顯著的改進(jìn)，實(shí)現(xiàn)了對于電力系統(tǒng)響應(yīng)速度的提高以及網(wǎng)絡(luò)數(shù)據(jù)可靠性的提升，可以滿足目前對于電力系統(tǒng)的需求。

1 智能安全監(jiān)測系統(tǒng)總體架構(gòu)設(shè)計(jì)

本文設(shè)計(jì)的泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)包括以下部分：末端感知層、通信接入層以及邊緣計(jì)算層，總體設(shè)計(jì)框架圖如圖1所示。與文獻(xiàn)[10]和文獻(xiàn)[11]不同，在我們的泛在電力物聯(lián)網(wǎng)架構(gòu)中，智能感知與監(jiān)測體系所處的位置在中下層，可以實(shí)現(xiàn)對接高維度、多節(jié)點(diǎn)、大規(guī)模的復(fù)雜系統(tǒng)數(shù)據(jù)，同時(shí)，在極大時(shí)間尺度范圍內(nèi)對電力設(shè)備的運(yùn)行狀態(tài)進(jìn)行監(jiān)測，保護(hù)暴露在室外的各種傳感器、集中器以及通信信道，并滿足基于多元化營銷以及計(jì)量業(yè)務(wù)服務(wù)等需求。

圖1 泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)框架示意圖

1.1 主站層和通信主干網(wǎng)

主站層主要包括了配基于泛在電力物聯(lián)網(wǎng)的智能安全監(jiān)測系統(tǒng)的主體部分，可以實(shí)現(xiàn)對于電力系統(tǒng)數(shù)據(jù)的遠(yuǎn)程監(jiān)控以及可視化呈現(xiàn)，同時(shí)具備數(shù)據(jù)分析，報(bào)錯(cuò)日志記錄等核心功能。

通信主干網(wǎng)則由骨干傳輸網(wǎng)、無線公網(wǎng)、物聯(lián)網(wǎng)子站以及衛(wèi)星等組成，分別負(fù)責(zé)不同的邊緣計(jì)算層的服務(wù)，實(shí)現(xiàn)通信與數(shù)據(jù)傳輸功能。

1.2 邊緣計(jì)算層

本文的邊緣計(jì)算層將基于深度學(xué)習(xí)進(jìn)行實(shí)現(xiàn)，相比以往的邊緣計(jì)算，有利于數(shù)據(jù)處理能力以及系統(tǒng)安全性的提高。邊緣計(jì)算層是一種分布式的運(yùn)算架構(gòu)，可以將不同服務(wù)之間所產(chǎn)生的應(yīng)用數(shù)據(jù)由中心節(jié)點(diǎn)統(tǒng)一計(jì)算處理，將原本由一個(gè)服務(wù)終端處理的數(shù)據(jù)轉(zhuǎn)化為更小更多的邊緣計(jì)算終端，分布在不同的電力設(shè)備當(dāng)中被用于通信主干網(wǎng)以及本地接入網(wǎng)中間，可以有效的提高計(jì)算速度，減少系統(tǒng)的延遲，從而實(shí)現(xiàn)高效、安全的大范圍數(shù)據(jù)傳輸，可以滿足不同類型的傳感器的接入以及不同類型的網(wǎng)絡(luò)組成。

1.3 本地接入網(wǎng)

與文獻(xiàn)[6]和文獻(xiàn)[7]不同，我們增加了本地接入網(wǎng)部分，可以實(shí)現(xiàn)快速穩(wěn)定的傳輸海量數(shù)據(jù)，有利于建立低時(shí)延、高速率、大容量、安全可靠的通信系統(tǒng)，方便與5G系統(tǒng)接入結(jié)合使用。本地接入網(wǎng)位于末端感知層與邊緣計(jì)算層之間，是實(shí)現(xiàn)數(shù)據(jù)與傳感器等設(shè)備進(jìn)行交換的核心環(huán)節(jié)，其中需要實(shí)現(xiàn)雙模微波、電能計(jì)量、載波微波、智能控制、智能感知、以太網(wǎng)、異常監(jiān)測、載波3G、自動(dòng)化控制、故障指示、采集、載波控制、能效控制、多表合一等諸多服務(wù)與功能。

1.4 末端感知層

末端感知層位于整個(gè)泛在電力物聯(lián)網(wǎng)的智能安全監(jiān)測系統(tǒng)最底層，由各式各樣的在線監(jiān)測設(shè)備以及智能傳感器組成，可以實(shí)時(shí)的對設(shè)備運(yùn)行狀態(tài)進(jìn)行全面的感知以及數(shù)據(jù)收集，具體監(jiān)測服務(wù)包括智能家居/小區(qū)/樓宇、多表計(jì)量、工業(yè)負(fù)荷、中壓電網(wǎng)、分布式電源、多能連供設(shè)備以及智能冷熱網(wǎng)等。本文的仿真數(shù)據(jù)主要來源于智能傳感器監(jiān)測所得的數(shù)據(jù)，對其模擬仿真的結(jié)果在實(shí)際工程應(yīng)用當(dāng)中具有十分重要的指導(dǎo)意義。

末端感知層是直接測量檢測電力設(shè)備故障的主要部分，該層決定了泛在電力感知監(jiān)測網(wǎng)絡(luò)系統(tǒng)的故障的速度和準(zhǔn)確率。

2 末端感知層傳感器信息優(yōu)化模型

為了提高整體泛在電力感知監(jiān)測網(wǎng)絡(luò)系統(tǒng)性能，我們需要進(jìn)一步對該層進(jìn)行優(yōu)化。

2.1 優(yōu)化模型架構(gòu)

傳感器信息優(yōu)化模型的目的在于提高泛在電力物聯(lián)網(wǎng)智能感知與監(jiān)測體系各個(gè)子系統(tǒng)之間的信息交互效率，消除現(xiàn)階段傳感器由于生產(chǎn)廠家與所采用的技術(shù)不同而導(dǎo)致數(shù)據(jù)格式存在差異，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)共享。圖2所示為泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)末端感知層傳感器信息優(yōu)化模型架構(gòu)。

圖2 末端感知層傳感器信息優(yōu)化模型架構(gòu)圖

2.2 設(shè)計(jì)與優(yōu)化過程

設(shè)計(jì)與優(yōu)化過程遵循IEC 61850-7-4標(biāo)準(zhǔn)[8,9]中的相關(guān)設(shè)計(jì)原則，結(jié)合IEEE 1451.4的TEDS[10]思想，完成泛在電力物聯(lián)網(wǎng)感知與監(jiān)測體系末端感知層各種傳感設(shè)備的抽象數(shù)據(jù)模型，可以通過統(tǒng)一通信規(guī)約有效的處理不同規(guī)格的傳感器數(shù)據(jù)，提高系統(tǒng)的響應(yīng)速度以及數(shù)據(jù)準(zhǔn)確率。具體過程如下：

1）基本TEDS。是所有傳感器在執(zhí)行對數(shù)據(jù)的上報(bào)任務(wù)之時(shí)必須涉及到的元素，代表著數(shù)據(jù)的來源，同時(shí)，亦為服務(wù)器對相應(yīng)表單的調(diào)用提供依據(jù)，此外，亦能獲取傳感器邏輯節(jié)點(diǎn)類型的有關(guān)信息。在該元素中，以64bit全部為0或者全部為1作為預(yù)留位，執(zhí)行對系統(tǒng)的維護(hù)與管理任務(wù)。

2）標(biāo)準(zhǔn)TEDS。由32bits精簡TEDS與傳感器固有屬性構(gòu)成。TEDS內(nèi)容及其數(shù)據(jù)格式與相關(guān)標(biāo)準(zhǔn)相符，其模版需要進(jìn)行統(tǒng)一制定。各類傳感器均有統(tǒng)一模版，可以統(tǒng)一各個(gè)廠商及形態(tài)的傳感器數(shù)據(jù)模型，同時(shí)，經(jīng)由應(yīng)用服務(wù)器執(zhí)行對這一模版的統(tǒng)一管理任務(wù)。按照詳細(xì)的TEDS內(nèi)容將傳感器廠商填寫進(jìn)去，與早期紙質(zhì)產(chǎn)品測試報(bào)告相類似，目前僅體現(xiàn)在不同的表現(xiàn)形態(tài)之上，以電子表單的形式在服務(wù)器中存儲(chǔ)。當(dāng)將傳感器應(yīng)用于電力系統(tǒng)之中時(shí)，需要進(jìn)行電子表單的填寫，目的有二，其一是為傳感器傳來的數(shù)據(jù)提供解析依據(jù)，其二是獲取傳感器詳細(xì)信息。

3）安全防護(hù)。以特定的頻率通過異常檢測裝置對傳感器進(jìn)行信號(hào)檢測，當(dāng)檢測到主網(wǎng)發(fā)生故障時(shí)，將故障信息傳輸上物聯(lián)網(wǎng)云平臺(tái)，調(diào)用專用基站傳遞相應(yīng)的處理指令下達(dá)給備用服務(wù)器，啟動(dòng)備份網(wǎng)絡(luò)，再通過備份網(wǎng)絡(luò)控制邊緣計(jì)算終端，確保傳感器仍然可以正常運(yùn)行；當(dāng)異常檢測裝置沒有檢測到故障信息時(shí)，將正常工作狀態(tài)信息傳輸上物聯(lián)網(wǎng)云平臺(tái)，降低對專用基站的帶寬調(diào)用，減少能耗，只保留必要的監(jiān)測數(shù)據(jù)傳輸，形成環(huán)路回流，保證網(wǎng)絡(luò)實(shí)時(shí)運(yùn)行的可靠性。

4）部署方案。傳感器存在生產(chǎn)廠家不同、語義與數(shù)據(jù)表達(dá)格式也不統(tǒng)一等情況，在數(shù)據(jù)通信以及數(shù)據(jù)交互方面表現(xiàn)出比較明顯的復(fù)雜性，項(xiàng)目建設(shè)的功能量明顯被增加，同時(shí)，還有一定程度的浪費(fèi)狀況發(fā)生。為了有效地解決以上問題，在匯聚控制器中進(jìn)行了本文所提出的傳感器信息模型的構(gòu)建，以此從語義與數(shù)據(jù)表達(dá)格式上對各種類型的傳感器進(jìn)行規(guī)范與統(tǒng)一處理?；趥鞲衅餍畔⒛Ｐ偷臉?gòu)建，可以為各種不同類型傳感器的即插即用以及互聯(lián)互通提供便利，在很大程度上提高泛在電力物聯(lián)網(wǎng)中各種應(yīng)用體系之間的交互效率。圖3所示為具體的傳感器信息模型部署方案示意圖。

圖3 基于泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測體系的傳感器信息模型部署方案示意圖

2.3 傳感器信息優(yōu)化模型算法

基于更加精準(zhǔn)的物聯(lián)網(wǎng)信道模型，降低信息傳輸誤碼率，有效提高數(shù)據(jù)傳輸速度。基于文獻(xiàn)[15]，在復(fù)雜多徑條件下，輸出物聯(lián)網(wǎng)傳輸通道模型為：

通過對多個(gè)獨(dú)立衰落信道進(jìn)行量化和分解，得到量化均衡的傳輸信道模型為:

在多徑干擾下，在復(fù)雜傳感器分布模型下，傳感器節(jié)點(diǎn)空間陣列單元分布的徑向距離為d，物聯(lián)網(wǎng)下復(fù)雜傳感器相互感知的信號(hào)接收模型為:

上述優(yōu)化的信道模型數(shù)據(jù)傳輸誤碼率更低，數(shù)據(jù)包的平均跳數(shù)明顯減少，時(shí)延顯著降低。

3 基于深度學(xué)習(xí)的邊緣計(jì)算

在邊緣端充分利用歷史數(shù)據(jù)及深度學(xué)習(xí)，提高故障監(jiān)測準(zhǔn)確率，可以有效的緩解傳統(tǒng)的物聯(lián)網(wǎng)數(shù)據(jù)處理所帶來的龐大冗余的數(shù)據(jù)量，從而進(jìn)一步提高系統(tǒng)的響應(yīng)速度，降低延時(shí)，同時(shí)由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的特征，可以有效的保證數(shù)據(jù)傳輸?shù)目煽啃?，減少數(shù)據(jù)損失，避免影響系統(tǒng)的魯棒性。深度學(xué)習(xí)（Deep Learning，簡稱DL）神經(jīng)網(wǎng)絡(luò)采用最陡下降算法（Gradient descent，簡稱GD）進(jìn)行訓(xùn)練。我們使用反向傳播（Backpropagation algorithm，簡稱BP）來訓(xùn)練神經(jīng)網(wǎng)絡(luò)來計(jì)算神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)的梯度。其中正則化邏輯回歸，代價(jià)函數(shù)定義如公式(4)所示[16]

利用智能傳感器監(jiān)測電力系統(tǒng)的運(yùn)行狀態(tài)，通過監(jiān)測系統(tǒng)云平臺(tái)設(shè)定好的參數(shù)進(jìn)行深度感知，將獲取的數(shù)據(jù)傳輸至邊緣計(jì)算終端，將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分布在邊緣計(jì)算終端的輸出端口進(jìn)行數(shù)據(jù)分析，然后將分析結(jié)果上傳至通信主干網(wǎng)，這種基于深度學(xué)習(xí)的邊緣計(jì)算結(jié)構(gòu)如圖4所示。

圖4 基于深度學(xué)習(xí)的邊緣計(jì)算結(jié)構(gòu)示意圖

4 模型仿真和結(jié)果分析

我們在OPNET仿真平臺(tái)上運(yùn)行末端感知層傳感器信息優(yōu)化模型，測量系統(tǒng)的響應(yīng)速度以及數(shù)據(jù)準(zhǔn)確率，驗(yàn)證系統(tǒng)的性能。通過MATLAB仿真平臺(tái)運(yùn)行基于DL神經(jīng)網(wǎng)絡(luò)的邊緣計(jì)算終端，驗(yàn)證了其數(shù)據(jù)識(shí)別精度相比傳統(tǒng)的IoT系統(tǒng)更高，更加安全可靠。

4.1 基于UPIoT的智能安全監(jiān)測系統(tǒng)響應(yīng)速度更迅速

4.1.1 基于末端感知層傳感器信息優(yōu)化模型數(shù)據(jù)傳輸更快

根據(jù)感知相似原理，采用OPNET對末端感知層進(jìn)行仿真，仿真參數(shù)如表1所示[15]。

表1 模擬參數(shù)

其中，3×10km表示節(jié)點(diǎn)部署在3km×10km范圍內(nèi)，將功率調(diào)整視為傳輸距離調(diào)整，采用三種場景進(jìn)行對比實(shí)驗(yàn)：場景1（傳統(tǒng)的電力物聯(lián)網(wǎng)系統(tǒng)），網(wǎng)絡(luò)不進(jìn)行分層，節(jié)點(diǎn)通信距離500m，可用信道數(shù)1個(gè)；場景2（文獻(xiàn)[15]中的UPIoT系統(tǒng)），網(wǎng)絡(luò)分為3層，節(jié)點(diǎn)通信調(diào)整距離為500/1000/1500m，3個(gè)可用信道；場景3（本文的UPIoT系統(tǒng)），網(wǎng)絡(luò)分為3層，節(jié)點(diǎn)通信調(diào)整距離為500/1000/1500m，3個(gè)可用信道。網(wǎng)絡(luò)中數(shù)據(jù)包的平均傳輸跳數(shù)和傳輸時(shí)延的實(shí)驗(yàn)結(jié)果如圖5所示。從圖5可知，在實(shí)驗(yàn)仿真節(jié)點(diǎn)為50個(gè)時(shí)，數(shù)據(jù)包的平均跳數(shù)明顯減少，時(shí)延顯著降低，由此可見在文本的末端感知層傳感器信息優(yōu)化模型中，系統(tǒng)響應(yīng)速度得到有效提升。

圖5 平均數(shù)據(jù)傳輸跳數(shù)

由表2可知，本文的UPIoT系統(tǒng)在采用本文的末端感知層傳感器信息優(yōu)化模型，對各種類型的傳感器進(jìn)行規(guī)范與統(tǒng)一處理，可以在很大程度上提高UPIoT中各種應(yīng)用體系之間的交互效率，相比場景1中傳統(tǒng)的電力物聯(lián)網(wǎng)只有66.9%，提高了23.6%，相比場景2中文獻(xiàn)[15]中的UPIoT系統(tǒng)提高了4.6%。

表2 三種場景下的最高改善百分比

4.1.2 基于DL神經(jīng)網(wǎng)絡(luò)的邊緣計(jì)算終端數(shù)據(jù)識(shí)別精度更高

在實(shí)際工程應(yīng)用中收集到的數(shù)據(jù)集，其中分為兩份數(shù)據(jù)集，分別是本文基于UPIoT的智能安全監(jiān)測系統(tǒng)得到數(shù)據(jù)集A，以及傳統(tǒng)IoT系統(tǒng)得到數(shù)據(jù)集B，每個(gè)數(shù)據(jù)集有6000個(gè)數(shù)據(jù)實(shí)例。分別對數(shù)據(jù)集A以及數(shù)據(jù)集B進(jìn)行測試。從圖8中可以看出基于UPIoT的智能安全監(jiān)測系統(tǒng)的數(shù)據(jù)集A的準(zhǔn)確率整體趨勢比傳統(tǒng)IoT系統(tǒng)的數(shù)據(jù)集B高，其準(zhǔn)確率最高為93%，而數(shù)據(jù)集B的準(zhǔn)確率最高為87.8%，得到如圖6所示的測試結(jié)果，這說明基于UPIoT的智能安全監(jiān)測系統(tǒng)響應(yīng)速度相比傳統(tǒng)的IoT系統(tǒng)更快。

圖6 數(shù)據(jù)集A和B的測試結(jié)果

4.2 基于UPIoT的智能安全監(jiān)測系統(tǒng)數(shù)據(jù)傳輸更安全

4.2.1 基于UPIoT的智能安全監(jiān)測系統(tǒng)與傳統(tǒng)IoT不同層風(fēng)險(xiǎn)比較

在文獻(xiàn)[9]與本文的UPIoT環(huán)境下，雖然電網(wǎng)公司等電力系統(tǒng)的運(yùn)行仍存在一定的風(fēng)險(xiǎn)，但與傳統(tǒng)物聯(lián)網(wǎng)相比，安全風(fēng)險(xiǎn)的數(shù)量明顯減少。其中，在末端感知層和邊緣計(jì)算層下降趨勢尤為明顯。主站層的主要風(fēng)險(xiǎn)是容易受到網(wǎng)絡(luò)攻擊。邊緣計(jì)算層的主要風(fēng)險(xiǎn)是由于通信方式和網(wǎng)絡(luò)協(xié)議的復(fù)雜性而造成的保護(hù)困難，如表3和圖7所示。

表3 UPIoT與傳統(tǒng)IoT的風(fēng)險(xiǎn)比較

圖7 UPIoT與傳統(tǒng)IoT的風(fēng)險(xiǎn)對比圖

4.2.2 基于UPIoT的智能安全監(jiān)測系統(tǒng)與傳統(tǒng)IoT全天候風(fēng)險(xiǎn)比較

UPIoT的意義，是全天候、無時(shí)不刻工作的全場景網(wǎng)絡(luò)安全防護(hù)系統(tǒng)。因此，其風(fēng)險(xiǎn)安全性遠(yuǎn)遠(yuǎn)高于傳統(tǒng)IoT。在基于UPIoT的智能安全監(jiān)測系統(tǒng)下，平均每2小時(shí)發(fā)生2起安全風(fēng)險(xiǎn)事件，在普通的UPIoT系統(tǒng)下，平均每2小時(shí)發(fā)生3起安全風(fēng)險(xiǎn)事件，而傳統(tǒng)IoT系統(tǒng)平均遇到10起安全風(fēng)險(xiǎn)事件。普通的UPIoT使其網(wǎng)絡(luò)風(fēng)險(xiǎn)降低了70%，基于UPIoT的智能安全監(jiān)測系統(tǒng)下網(wǎng)絡(luò)風(fēng)險(xiǎn)降低了80%，如圖8所示。

圖8 UPIoT與傳統(tǒng)IoT的全天候風(fēng)險(xiǎn)對比圖

4.2.3 基于DL神經(jīng)網(wǎng)絡(luò)的邊緣計(jì)算終端數(shù)據(jù)分布

分別繪制部分?jǐn)?shù)據(jù)集的數(shù)據(jù)點(diǎn)分布圖如圖9所示，可以看出在圖9(a)中，基于UPIoT的智能安全監(jiān)測系統(tǒng)的測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的分布更為一致，而傳統(tǒng)IoT系統(tǒng)的如圖9(b)中，測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的分布更加離散，說明基于UPIoT的智能安全監(jiān)測系統(tǒng)傳輸?shù)臄?shù)據(jù)更加可靠，系統(tǒng)安全性相比傳統(tǒng)的IoT系統(tǒng)更高。

圖9 數(shù)據(jù)點(diǎn)分布圖

5 結(jié)語

本文設(shè)計(jì)了泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)框架。通過采用統(tǒng)一通信規(guī)約以及復(fù)雜感知通道模型算法，構(gòu)建了末端感知層傳感器信息優(yōu)化模型；同時(shí)利用基于深度學(xué)習(xí)的邊緣計(jì)算對數(shù)據(jù)進(jìn)行優(yōu)化，進(jìn)而建立了泛在電力物聯(lián)網(wǎng)智能安全監(jiān)測系統(tǒng)。在OPNET平臺(tái)上對末端感知層進(jìn)行仿真，通過實(shí)驗(yàn)對比可知本文的基于UPIoT的末端感知層傳感器優(yōu)化模型能有效提升系統(tǒng)響應(yīng)速度，相比傳統(tǒng)的IoT系統(tǒng)提高了23.6%，相比普通的UPIoT系統(tǒng)提高了4.6%。在基于DL神經(jīng)網(wǎng)絡(luò)的邊緣計(jì)算終端，通過MATLAB仿真平臺(tái)驗(yàn)證了UPIoT系統(tǒng)數(shù)據(jù)準(zhǔn)確率最高為93%，而傳統(tǒng)的IoT系統(tǒng)準(zhǔn)確率最高為87.8%，相比提高了5.2%。本文的UPIoT與傳統(tǒng)IoT系統(tǒng)相比風(fēng)險(xiǎn)概率分別在末端感知層、邊緣計(jì)算層以及主站層降低了85.7%、77.7%以及62.5%，在全天候測試中UPIoT系統(tǒng)相比傳統(tǒng)IoT系統(tǒng)風(fēng)險(xiǎn)降低了80%。最后在基于DL神經(jīng)網(wǎng)絡(luò)的邊緣計(jì)算終端數(shù)據(jù)分布可以看出于UPIoT的系統(tǒng)數(shù)據(jù)更加可靠。經(jīng)過以上仿真實(shí)驗(yàn)分析，說明本文的基于UPIoT的智能安全監(jiān)測系統(tǒng)相比傳統(tǒng)的IoT系統(tǒng)，在系統(tǒng)傳輸速度上更加快捷，同時(shí)系統(tǒng)安全性更高。