基于卷積神經(jīng)網(wǎng)絡(luò)的電力工程造價數(shù)據(jù)異常識別方法

戴小鳳,朱衛(wèi)東

(1.安徽審計職業(yè)學(xué)院 工程管理系，安徽 合肥 230601；2.合肥工業(yè)大學(xué) 管理學(xué)院， 安徽 合肥 230009)

隨著社會經(jīng)濟(jì)的快速發(fā)展，我國的電網(wǎng)體系日漸完善，電力企業(yè)已經(jīng)得到了跨越式的發(fā)展[1]。與此同時，若想保證電網(wǎng)體系愈加成熟，應(yīng)該加強(qiáng)對工程造價的管理工作,合理的工程造價數(shù)據(jù)有利于提高電力工程的整體質(zhì)量和水平，使工程建設(shè)可以事半功倍[2]。只有對工程造價數(shù)據(jù)異常進(jìn)行準(zhǔn)確地識別，才能有效地節(jié)約電網(wǎng)建設(shè)的投資成本，提高整體的經(jīng)濟(jì)效益。

胡姣姣等人[3]提出了一種基于深度學(xué)習(xí)算法的異常序列數(shù)據(jù)的檢測方法，用來解決部分不平衡數(shù)據(jù)不易檢測出異常數(shù)據(jù)的現(xiàn)狀。該檢測方法可以有效解決傳統(tǒng)的異常序列數(shù)據(jù)檢測方法檢測不準(zhǔn)確的問題，并通過深度學(xué)習(xí)算法，提高了該檢測方法的檢測效率和準(zhǔn)確性，但是質(zhì)量較差。李新鵬等人4]為了提高電力調(diào)度數(shù)據(jù)在檢測過程中的準(zhǔn)確率，提出一種基于隨機(jī)森林算法的電力調(diào)度異常數(shù)據(jù)檢測方法，實(shí)驗(yàn)結(jié)果表明，該方法在應(yīng)用中具有一定的可實(shí)用性，但是識別精度較低。針對上述問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的工程造價數(shù)據(jù)異常識別方法，從而保證數(shù)據(jù)識別的精度和質(zhì)量。

1 工程造價數(shù)據(jù)異常識別及算法

1.1 工程造價異常數(shù)據(jù)權(quán)重計算

(1)

式中：γ、ξ代表工程造價異常數(shù)據(jù)的估計參數(shù)。利用卷積神經(jīng)網(wǎng)絡(luò)模型對工程造價異常數(shù)據(jù)進(jìn)行估計[6]，并計算出工程造價異常數(shù)據(jù)的波動系數(shù)，計算方法如式(2)所示，即

(2)

式中：β代表工程造價異常數(shù)據(jù)的置信度。當(dāng)工程造價異常數(shù)據(jù)系數(shù)變化波動大時，工程造價異常數(shù)據(jù)的數(shù)值越不穩(wěn)定，會出現(xiàn)較多的異常數(shù)據(jù)。

根據(jù)線性處理法，對工程造價異常數(shù)據(jù)進(jìn)行優(yōu)化[7]，結(jié)合數(shù)據(jù)補(bǔ)償算法將獨(dú)立的工程造價數(shù)據(jù)鏈接到一起，通過式(3)計算出工程造價異常數(shù)據(jù)的包絡(luò)特征。

(3)

式中：k(t)表示工程造價異常數(shù)據(jù)識別過程中的局部數(shù)據(jù)特征；?(t)表示工程造價異常數(shù)據(jù)的局部特征分量；a(t)、b(t)分別代表通信系統(tǒng)中工程造價異常數(shù)據(jù)的幅值和相位。

根據(jù)工程造價異常數(shù)據(jù)的包絡(luò)特征，計算工程造價異常數(shù)據(jù)的空間距離，考慮到工程造價異常數(shù)據(jù)的性質(zhì)，對異常數(shù)據(jù)進(jìn)行分類[8]，以確定工程造價異常數(shù)據(jù)的隸屬度，計算方法如式(4)所示。

D(i,j)=d1|yi1-yj1|2+…+dm|yim-yjm|2,

(4)

式中：yim代表工程造價異常數(shù)據(jù)監(jiān)測數(shù)據(jù)值；yjm代表第m維的權(quán)重信息值。

利用工程造價異常數(shù)據(jù)的波動系數(shù)，確定工程造價異常數(shù)據(jù)的權(quán)重，計算方法如式(5)所示。

(5)

通過搭建密度分布函數(shù)，利用卷積神經(jīng)網(wǎng)絡(luò)模型，確定工程造價異常數(shù)據(jù)的波動系數(shù)，根據(jù)線性處理法，對工程造價異常數(shù)據(jù)進(jìn)行優(yōu)化，根據(jù)工程造價異常數(shù)據(jù)的包絡(luò)特征，計算工程造價異常數(shù)據(jù)權(quán)重。

1.2 工程造價異常數(shù)據(jù)預(yù)處理

在進(jìn)行工程造價異常數(shù)據(jù)預(yù)處理的過程中，首先采用函數(shù)極值法，得到工程造價異常數(shù)據(jù)的權(quán)重信息值，從而獲取工程造價異常數(shù)據(jù)的權(quán)重特征；再利用離散小波變換算法，對工程造價數(shù)據(jù)中的異常數(shù)據(jù)進(jìn)行預(yù)處理，具體過程如下：

假設(shè)，C={C1,C2,…,Cn}代表工程造價異常數(shù)據(jù)中有待于識別的異常數(shù)據(jù)的數(shù)目，根據(jù)各個識別數(shù)據(jù)的特征，獲取工程造價異常數(shù)據(jù)的數(shù)據(jù)矩陣，如式(6)所示。

(6)

式中：cnm代表識別第n個工程造價異常數(shù)據(jù)中第m個指標(biāo)的初始數(shù)據(jù)。利用函數(shù)的極值法，確定工程造價異常數(shù)據(jù)的隸屬度[9]，獲取工程造價異常數(shù)據(jù)的特征，對n個異常數(shù)據(jù)的數(shù)據(jù)向量ci進(jìn)行劃分，分成κ個模糊組合，并求解聚類中心的最小目標(biāo)函數(shù)，計算方法如式(7)。

(7)

式中：γ代表工程造價異常數(shù)據(jù)的目標(biāo)函數(shù)值；(φpq)γ代表Cq的隸屬度函數(shù)；χζψ代表第ζ個造價異常數(shù)據(jù)與第ψ個造價異常數(shù)據(jù)之間的距離。計算獲得工程造價異常數(shù)據(jù)的特征如式(8)所示。

(8)

式中：λ代表工程造價異常數(shù)據(jù)的權(quán)值；N代表工程造價異常數(shù)據(jù)與聚類中心的距離。

采用數(shù)據(jù)轉(zhuǎn)化法對工程造價異常數(shù)據(jù)進(jìn)行預(yù)處理[10]，利用式(9)給出處理后的m類工程造價異常數(shù)據(jù)的區(qū)間集，即

rm=([rmj-,rmj+],[rmk-,rmk+]).

(9)

以上述公式為基礎(chǔ)，通過式(10)求得有待于識別的工程造價異常數(shù)據(jù)的參數(shù)和數(shù)據(jù)庫中工程造價異常數(shù)據(jù)特征參數(shù)之間的關(guān)聯(lián)度。

(10)

式中：l為工程造價異常數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)。

在獲取工程造價異常數(shù)據(jù)的特征后，采用小波離散變換原理[11]，對工程造價異常數(shù)據(jù)進(jìn)行預(yù)處理，通過式(11)計算出工程造價異常數(shù)據(jù)變量y的信息熵。

S(y)=-∑p(yi)log2p(yi)T(X,Y),

(11)

式中：p(yi)代表工程造價異常數(shù)據(jù)變量Y的各個組成樣本yi的先驗(yàn)概率。

(12)

利用工程造價異常數(shù)據(jù)矩陣，求解工程造價異常數(shù)據(jù)的聚類中心，根據(jù)工程造價異常數(shù)據(jù)特征的向量區(qū)間集，得到工程造價數(shù)據(jù)特征參數(shù)之間的關(guān)聯(lián)度，通過計算工程造價異常數(shù)據(jù)的信息熵，完成工程造價異常數(shù)據(jù)的預(yù)處理。

1.3 工程造價數(shù)據(jù)異常識別算法

在利用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計工程造價數(shù)據(jù)異常識別算法的過程中，根據(jù)采集的工程造價異常數(shù)據(jù)樣本，對差異特征進(jìn)行分類，識別出工程造價異常數(shù)據(jù)的特征，并對各個類型的工程造價異常數(shù)據(jù)特征進(jìn)行聚類分析，設(shè)定工程造價異常數(shù)據(jù)的識別閾值，采集不同的工程造價異常數(shù)據(jù)的特征樣本，如式(13)所示。

(13)

式中：mg代表工程造價異常數(shù)據(jù)的狀態(tài)空間；As代表mg的k組測量值；v(xk|Ak|)代表工程造價異常數(shù)據(jù)的分布函數(shù)。

根據(jù)采集的不同的工程造價異常數(shù)據(jù)樣本的類型，利用卷積神經(jīng)網(wǎng)絡(luò)劃分工程造價異常數(shù)據(jù)的分布區(qū)域[13]，計算方法如式(14)所示。

(14)

式中：fd代表工程造價異常數(shù)據(jù)的初始值；gf代表分布區(qū)域中工程造價異常數(shù)據(jù)的樣本數(shù)量；εg代表工程造價異常數(shù)據(jù)類型；df代表異常數(shù)據(jù)的訓(xùn)練樣本特征；λm代表時間序列集合；uk代表識別到的工程造價異常數(shù)據(jù)差異特征；sr代表工程造價異常數(shù)據(jù)在識別中的特征矢量。

在工程造價異常數(shù)據(jù)的差異分布區(qū)域中，將每一個數(shù)據(jù)節(jié)點(diǎn)的概率密度向量定義為dζ，利用式(15)確定工程造價異常數(shù)據(jù)的識別閾值。

(15)

式中：dj代表工程造價異常數(shù)據(jù)的二維信息權(quán)值向量；gh為工程造價異常數(shù)據(jù)的約束條件；hk代表工程造價異常數(shù)據(jù)的差異特征。

在此基礎(chǔ)上，采用卷積神經(jīng)網(wǎng)絡(luò)中的二維信息權(quán)值向量，確定工程造價異常數(shù)據(jù)的平均長度，通過識別不同類型的異常數(shù)據(jù)，劃分相似度比較高的差異特征[14]，得到工程造價異常數(shù)據(jù)的最大識別結(jié)構(gòu)，如式(16)所示，即

(16)

式中：kg表示工程造價異常數(shù)據(jù)的字符串結(jié)構(gòu)；de表示工程造價異常數(shù)據(jù)的差異特征；sa表示工程造價異常數(shù)據(jù)的平均長度；kh表示相似度比較高的差異特征劃分結(jié)果。

利用卷積神經(jīng)網(wǎng)絡(luò)，通過以上計算識別到工程造價異常數(shù)據(jù)，具體如式(17)所示。

(17)

式中：δu代表每個差異特征分布區(qū)域中工程造價異常數(shù)據(jù)的分布比例；sg代表不同劃分區(qū)域中工程造價異常數(shù)據(jù)的相似程度。

在此基礎(chǔ)上設(shè)計了工程造價數(shù)據(jù)異常識別算法，實(shí)現(xiàn)了工程造價數(shù)據(jù)的異常識別。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證基于卷積神經(jīng)網(wǎng)絡(luò)的工程造價數(shù)據(jù)異常識別方法在實(shí)際應(yīng)用中的性能，在Windows 7操作系統(tǒng)下，搭建了工程造價數(shù)據(jù)異常識別的仿真平臺，工程造價異常數(shù)據(jù)庫為MySQL 2019，數(shù)據(jù)庫編程語言為Java語言，仿真平臺中硬件配置為8GB內(nèi)存、主頻為200GHz的CPU Intel CORE i5處理器、IE瀏覽器。

2.2 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)過程中，采用某一公司的工程造價數(shù)據(jù)，構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集，命名為KB93LD數(shù)據(jù)集。在該數(shù)據(jù)集中，包含工程造價正常數(shù)據(jù)、DoS攻擊數(shù)據(jù)和Probe攻擊數(shù)據(jù)，將DoS攻擊數(shù)據(jù)和Probe攻擊數(shù)據(jù)作為異常數(shù)據(jù)，在KB93LD數(shù)據(jù)集中選擇20%的異常數(shù)據(jù)作為測試集，其余80%的異常數(shù)據(jù)作為訓(xùn)練集，利用卷積神經(jīng)網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練，測試文中數(shù)據(jù)識別方法的性能。

2.3 設(shè)置實(shí)驗(yàn)指標(biāo)

為了保證工程造價數(shù)據(jù)異常識別的精度和質(zhì)量，先利用召回率指標(biāo)衡量工程造價數(shù)據(jù)異常識別的精度，召回率越低說明工程造價數(shù)據(jù)異常識別的精度越高，計算方法如式(18)所示。

(18)

式中：kb表示工程造價異常數(shù)據(jù)的屬性特征；dp為工程造價數(shù)據(jù)異常識別的準(zhǔn)確率；Sr為工程造價異常數(shù)據(jù)采集周期；lp為數(shù)據(jù)特征之間的關(guān)聯(lián)度。

利用冗余度指標(biāo)衡量工程造價數(shù)據(jù)異常識別的質(zhì)量，冗余度值越低，說明工程造價數(shù)據(jù)異常識別的質(zhì)量就越高，計算方法如式(19)所示。

(19)

式中：?s表示工程造價異常數(shù)據(jù)的觀測向量；μj表示工程造價數(shù)據(jù)異常識別的均衡性。

2.4 結(jié)果分析

為了突出文中方法在識別工程造價異常數(shù)據(jù)時的性能，引入基于深度學(xué)習(xí)的數(shù)據(jù)識別方法和基于孤立森林算法的數(shù)據(jù)識別方法作對比，在本仿真實(shí)驗(yàn)平臺中，測試3種方法在識別工程造價異常數(shù)據(jù)時的召回率和冗余度，工程造價數(shù)據(jù)異常識別的召回率測試結(jié)果如圖1所示。

由圖1可知，在工程造價數(shù)據(jù)異常識別的召回率測試中，隨著工程造價異常數(shù)據(jù)量的增加，3種方法在識別工程造價異常數(shù)據(jù)時的召回率也在增加。其中基于深度學(xué)習(xí)的數(shù)據(jù)識別方法得到的召回率最高。當(dāng)工程造價異常數(shù)據(jù)量達(dá)到200個時，召回率達(dá)到了58.9%?；诠铝⑸炙惴ǖ臄?shù)據(jù)識別方法的召回率達(dá)到了41%，而采用卷積神經(jīng)網(wǎng)絡(luò)識別方法識別工程造價異常數(shù)據(jù)召回率最低，只有14.2%。說明該方法在識別工程造價異常數(shù)據(jù)時具有更高的精度。由此可知，利用本文方法進(jìn)行數(shù)據(jù)異常識別的效果更準(zhǔn)確。工程造價數(shù)據(jù)異常識別的冗余度測試結(jié)果如圖2所示。

圖1 工程造價數(shù)據(jù)異常識別的召回率測試結(jié)果

圖2 工程造價數(shù)據(jù)異常識別的冗余度測試結(jié)果

由圖2可知，隨著工程造價異常數(shù)據(jù)量的增加，3種方法在識別工程造價異常數(shù)據(jù)時的冗余度都在35%以內(nèi)，采用基于深度學(xué)習(xí)的數(shù)據(jù)識別方法的冗余度為33%，基于孤立森林算法的數(shù)據(jù)識別方法的冗余度為28%，而采用卷積神經(jīng)網(wǎng)絡(luò)識別方法識別工程造價異常數(shù)據(jù)的冗余度也在10%以內(nèi)，說明文中方法在識別工程造價異常數(shù)據(jù)時可以提高數(shù)據(jù)識別的質(zhì)量。

3 結(jié)語

由于傳統(tǒng)方法在工程造價數(shù)據(jù)異常識別中存在識別精度低、質(zhì)量差等問題。對此，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)工程造價數(shù)據(jù)異常識別方法。通過特征提取，確定工程造價異常數(shù)據(jù)序列。采用卷積神經(jīng)網(wǎng)絡(luò)模型來計算工程造價異常數(shù)據(jù)的波動系數(shù)，再根據(jù)計算工程造價異常數(shù)據(jù)的信息熵，完成工程造價異常數(shù)據(jù)的預(yù)處理。實(shí)驗(yàn)測試表明：該方法在識別工程造價異常數(shù)據(jù)時的召回率和冗余度都有所提高，使用本文方法可提高數(shù)據(jù)識別的準(zhǔn)確性和質(zhì)量。