基于CAN網絡和DenseNet技術的數據治理分析

摘 要：針對在電力企業輸電項目中有異常數據干擾的問題，研究設計了一種基于生成對抗網絡和DenseNet的數據治理分析系統。將生成對抗網絡（GAN）的生成模塊和判別模塊，DenseNet技術的數據治理實時分析模塊功能結合，實現對輸電項目監視的圖像數據收集和進行安全性分析。另外改進GAN擴充其生成模塊的圖像數據量，提高生成圖像數據的效率。加入人工智能和5G通信，達到對所反饋的異常數據進行實時處理的要求。本系統采用了測控裝置、計量裝置以及一些綜合自動化技術來實現輸電項目的實時監視。

所研究的系統具有較強的實用性和優越性。

關鍵詞：GAN；DenseNet技術；人工智能；實時監控

中圖分類號：TP391 文獻標識碼：A 文章編號：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，Fujian 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

由于輸電項目受地形、溫差等環境因素影響較大，想要實時了解輸電數據安全情況有很大挑戰，所以，構建一個輸電實時數據治理分析系統迫在眉睫 [1] 。針對上述問題，很多電力企業和部門對現有技術問題進行了大量的研究。如提出通過用LoRa技術的通信狀態自動監測系統 [2] 。提出利用無人機技術進行設備巡視 [3] 。

采用人工神經網絡法來實現對輸電狀態的檢測 [4] 。針對上述技術的不足，本研究設計了一個基于生成對抗網絡（GAN）和DenseNet技術的數據治理實時分析系統，在系統內加入人工智能和5 G通信，在對所監測的網絡流量等數據進行實時處理和反饋，構建一個還原真實場景和容易訓練參數的實時數據治理分析系統。

1 輸電項目數據信息治理和安全識別方法

針對國家電力部門輸電項目的數據安全問題，本研究設計了一個基于GAN和DenseNet的數據治理分析系統，將GAN的生成器模塊和判別器模塊互相對抗構建，以圖像仿真為代表，首先，網絡中的噪聲z輸入到生成模塊，輸出仿真圖像 G（z） ；然后，在收集完備的數據集內調取實時圖像 x ，將 x 和 G（z） 同時輸入到判別模塊，在判別模塊內可以獲取所輸入圖像真假情況。在此過程中，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個工作模塊相互對立。最終，如果判別模塊不能對仿真圖像 G（z）做出正確的判別時，就表示此時的生成模塊和判別模塊達到了一種機制平衡 [5] ，而此刻的生成對抗網絡的生成效果最好。

由于原始GAN本身屬性太自由，無法實質可控的收縮生成內容，所以效果不盡人意。改進后的條件對抗網絡（CGAN）對初始GAN嵌入了收縮條件 [6] ，有著嚴格的監督效果，控制了生成模塊的輸出，改進后的GAN結構如圖1所示。

2 DenseNet方案設計

為了解決CNN在圖像處理方面準確率隨著網絡層數的復雜而降低的問題，本系統加入了DenseNet。

DenseNet相較于ResNet有更占優勢的參數，旁路也加強了特征的重用[7] ，DenseNet更易于訓練，具有正則作用。

DenseNet輸出不是簡單的相加，不只是對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據，通過特征的重用，方便了梯度傳遞 [7] 。

DenseNet結構圖如圖2所示。

在圖2中，輸出的參數越少，獲得的性能就越優。

如果傳統卷積神經網絡有 P 層，則有 P 個連接。在DenseNet中，會產生P（P+1）2個連接。圖中A表示每層響應的特征圖，Q表示每層的離散變換。當A0輸入到卷積層時，按照順序經過Q1卷積后得到A1，之后將A0、A1合并，然后輸入到下一個卷積層。依次操作，直到最后一層輸出的特征結果包括了前面層數所有的輸出。DenseNet是連接規則特點是稠密，每層都緊密相連，無差別的和輸入的特征信息及數據結合，能夠讓特征信息和圖像數據在網絡學習中傳遞的更有效率。

3 本研究設計模型

本系統在于將GAN算法和DenseNet技術的結合，利用GAN算法擅長無監督學習和生成逼真圖像的優勢和DenseNet技術易于訓練、加強特征重用的優勢結合，本方案是依據所有數據的數據源密度特點對所有數據進行網格劃分及合并選擇 [9] ，構建一個還原真實場景和容易訓練參數的實時數據治理分析系統。具體系統構成模塊如圖3所示。

由圖3可知，本系統的核心功能一共由2個模塊組成。

模塊1：基于生成對抗網絡的數據延伸模塊，該模塊主要功能是在有限集合的數據中，通過對特征網絡的不斷訓練，得到理想的生成模塊，實現生成擁有高圖像質量的輸電項目巡檢數據 [9] 。

實施過程是將網絡噪聲z輸入到GAN中，生成模塊網絡在收縮條件設置后的輸電項目監視圖像數據的引導下輸出仿真的監視圖像數據 [10] 。然后將生成的圖像輸入到判別模塊網絡，在設置收縮的參數后進行圖像判別，利用損失函數反向優化2個模塊的權重值，如果損失值不再更新時，就表明獲取了高質量的生成模塊網絡，能夠生成逼真的輸電項目監視圖像數據來改善已有數據集的大小和類型較少的缺點。

模塊2：DenseNet的輸電項目監視數據信息安全治理分析模塊，本模塊的主要功能是提取將監視數據中目標物的特征，不斷收斂網絡訓練，完成對監視數據目標物的監視，達到對輸電項目監視數據信息的治理分析。實現方式是：將完善后的數據輸入，將數據分成待識別區和目標集 [10] ，后者的標簽已被提前設定，待識別集則是被分類識別。識別方法如圖4所示。

由圖4可知，將DenseNet的連接特點用作提取學習識別圖像數據特征，反饋出數據信息中待識別數據信息，然后通過計算在目標集中獲取的特征信息和識別位置的距離和區別后進行準確判別，最后依據判別情況給出結果 [11] 。電力部門進一步對所得結果進行數據信息安全分析和識別。DenseNet提取公式為：

式中： U L 是第 L 層獲取的特征通道數量，表示前L-1 層特征通道數維度的結合； O L 是對第 L 層使用卷積修正函數的非線性管理。

F=f+t′L （4）

式中： F 表示連接后的通道數； f 表示上層物理量； t是增長率； N 是卷積層數量。

4 試驗流程與結果

本實驗對系統內的通信網絡速率參數測試，依據這關口電能表所獲取的信息，對現場實驗進行記錄，通訊網絡傳輸速度為60MB/s，測試實驗環境為：半雙工總線采用RS485型、CPU采用Intel i8 9600 KF、微機配置為64G+256G內存、32位、MSP430芯片仿真采用Proteus8.6仿真、仿真則使用MATLAB 2019版本、編譯語言是Python3。實驗室中根據實驗記錄報表，記錄保存數據。

實驗室內設置一個服務器來給計算機提供支持。

本次實驗仿真，將GAN在訓練時的學習率設置固定值0.0003，batch-size是64，Adam一階矩的動量參數指數衰減率設置為0.5，二階設置為0.999，迭代次數設置為700，如果網絡訓練中損失值無法更新迭代時，需將網絡學習率下調到初始值的0.5倍，同時對判別模塊進行收縮控制，確保實驗系統的穩定 [12] 。

評價方法：本系統圖像數據信息識別評價標準使用均衡檢測法，均衡檢測法主要有2種內容，一個是精準度，一個是回收率。計算公式是：

式中：TP表示被正確識別出異常數據信息的樣本數量；FP表示被錯誤識別的樣本數量；FN是異常數據未被識別的樣本數量 [13] 。

用MATLAB仿真測試圖像數據集數和測試效果的關系如圖5所示。

由圖5可知，在本系統內，測試圖像數據集越多，測試正確率越高，表明本系統的工作效率隨著數據集的增多而提高。

仿真實驗的實驗對象是驗證本系統對輸電項目監視圖像數據存在的可識別的異物信息，主要包括樹葉、塑料袋等。如果數據信息檢測到有非安全性異常數據時，本系統模型會自動將數據分析識別出來 [14] ，利于工作人員迅速做出處理的反饋。

本系統能夠準確的識別出圖像數據的準確率在九成左右，表明本系統具有高效率的識別和分析功能，可以達到輸電項目異常數據的治理分析目的。

本研究通過多次實驗，將所學利率設置在0.0003，本系統精確度最高，尤其是針對輸電項目外的圖像數據有更強的識別度。從Recall大小可以看出本系統監視系統很完善，誤差率很低，數據信息安全識別結果如表1所示。

同時，進一步驗證改進后的GAN生成圖像參數完善數據集，達到提高對數據治理分析正確率的有效特征，本實驗使用多輪訓練獲取測試參數集，對比結果如表2所示。

在表2中，初始數據完善前，一共有100張真圖數據，完善后增加到300張生成模塊仿真出的圖像，實驗選取任意40張對模型進行測試。從表2還可知，在經過生成模塊后，系統各項指數明顯上升，表明使用本系統后，可以將安全治理分析功能全方面提升。將改進后GAN的生成圖像特征值和DenseNet識別參數結合實驗得出系統整體測試參數仿真圖，如圖6所示。

由圖6可知，本系統在實驗運行過程中，整體誤差率較低，產生的噪聲較少，表明系統的整體工作比較穩定。將文獻[2]、文獻[3]和本系統在實驗中產生的誤差率進行對比，如圖7所示。

由圖7可知，文獻[2]誤差較大且不穩定，文獻[3]隨著系統運行時間的增加，誤差不斷增大，不符合實際情況允許的范圍，經過對比可知本系統的有較大的優越性和鮮明的特點。

5 結語

本研究是基于生成對抗網絡和DenseNet的數據治理分析系統，本系統融入了先進、可靠、環保等相關硬件技術，達到了數字化和智能化的信息搜集、測量、篩選等功能要求，本系統由無線控制系統、綜合自動化系統等模塊構成，具體分為圖像數據監測層、數據傳輸層、系統管理層，在底層的終端將收集到的數據整理后發送到系統管理層，在系統網絡速率低時，啟動加速模塊提供加速，保證系統的正常運行。然后在5G的加持下，數據處理和反饋的效率大大提高，在數據經過智能處理后會自動以日志的形式保存在數據存儲中心。達到既方便又準確的獲取相關信息和數據的目的。但本研究系統存在各個環節功能不穩定，需要人工監控，這也是后續本系統需要加強和改進的方向。

【參考文獻】

[1] 蘭健，郭慶來，周艷真，等. 基于生成對抗網絡和模型遷移的電力系統典型運行方式樣本生成[J]. 中國電機工程學報，2022，42（8）：2889-2900.

[2] 季媛瑋，陳育苗，潘岳.基于循環一致性對抗網絡的類推式汽車前臉生成設計[J].機械設計與研究，2022，38 （6）：148-154.

[3] 王雨萌，孫長海，趙樹春，等. 基于改進的Wasserstein生成對抗網絡和深度殘差網絡的電纜中間接頭局部放電缺陷識別[J]. 科學技術與工程，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. 基于貝葉斯優化FCN-DenseNet算法的供水管網爆管智能識別[J]. 安全與環境學報，2022，22（1）：306-315.

[6] 周華吉，焦李成，徐杰，等.基于生成對抗網絡的數據增強方法及應用[J].太赫茲科學與電子信息學報，2022，20 （12）：1249-1256.

[7] 彭揚帆，馬龍. 一種用于紅外耦合圖像色彩校正的生成對抗網絡[J]. 西安工業大學學報，2022，42（6）：627-635.

[8] 劉科研，周方澤，周暉. 基于時序信號圖像編碼和生成對抗網絡的配電網臺區數據修復[J]. 電力系統保護與控制，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的無人汽車制動意圖識別方法[J].計算機測量與控制，2020，28（6）：226-230.

[11] 夏利玲，顧建華.基于生成對抗網絡和DenseNet的數據信息安全識別方法[J].計算機測量與控制，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DenseNet的配電網高阻接地故障檢測方法[J]. 南方電網技術，2022，16（6）：33-43.

[13] 趙輝，曹宇航，岳有軍，等. 基于改進DenseNet的田間雜草識別[J]. 農業工程學報，2021，37（18）：136-142.

[14] 李貴鋒，童寧寧，馮為可，等. 基于DenseNet的機載雷達動目標檢測[J]. 空軍工程大學學報（自然科學版），2021，22（2）：83-90.