基于自监督特征增强的CNN-BiLSTM网络入侵检测方法

针对网络入侵检测中攻击样本和流量特征不足的问题,提出一种基于自监督特征增强的CNN-BiLSTM网络入侵检测方法,实现在流量数据中检测异常网络流量的目标。通过分析流量特征数据分布差异,采用IQR异常值处理方法进行数据预处理,使用自编码器对攻击样本进行数据增强,构建CNN-BiLSTM神经网络和自编码器组成半自监督模型,分别提取高维流量特征和自监督特征,将组合特征作为最终特征输入到分类模型中进行预测分类,实现网络入侵检测。实验结果表明,与其他入侵检测方法相比,所提方法在准确率和F1分数上分别达到了85.7%和85.1%,能够有效提高网络入侵的检测精度以及对未知攻击的检测能力。     

面向电力客户侧终端网络的高效入侵检测模型研究

针对电力客户侧终端网络逐渐开放、设备分散和不易进行安全监测的现状,提出了一种基于LightGBM的高效率网络入侵检测模型。文章在目标编码中引入改进的平滑映射方法,提升了模型的检测效果;利用BPSO算法进行特征选择,设计目标函数,在保障检测准确率的前提下,实现对低价值特征的去除,降低模型的时间开销,并通过设计速度变异策略提升BPSO算法的效率;利用LightGBM算法实现入侵检测和攻击分类,并利用PSO算法实现LightGBM参数的自动选取。基于多个开源数据集的实验表明,所提模型具有较高的自适应能力,在攻击检测上具有较高的准确率、较少的误报和漏报情况,并且可以提升19%的训练和检测效率。     

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization, BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。     

基于代价敏感型LightGBM的分子泵故障检测

针对EAST全超导托卡马克装置的分子泵在数据集不平衡条件下导致的故障识别率低,模型容易过拟合等问题,提出了一种基于时频域分析与改进的LightGBM算法相结合的方法。首先,利用在EAST搭建的分子泵实验平台采集正常与故障的振动数据,再对数据进行时频域特征提取。其次,通过优化误分类代价,建立了代价敏感型LightGBM故障检测架构。最后,将得到的特征量作为代价敏感型LightGBM算法的输入,实现分子泵故障检测。经实验验证,该方法的正确率达99.4%,同时,所提出的方法在误报率和漏检率方面均优于传统分类算法与LightGBM算法。此方法能够有效解决模型过拟合问题,实现对分子泵故障的高准确率检测。     

基于时-频域混合特征的变电站通信网异常流量检测方法

准确快速检测智能变电站通信网络异常流量是发现系统异常、实现安全态势感知和主动防御的关键技术,对保证智能电网安全稳定运行有着重要意义。文中提出了基于时-频域混合特征的智能变电站通信网络异常流量检测新方法。首先,设计了基于分形自回归积分滑动平均(FARIMA)流量模型和小波包分析方法的流量频域特征提取方法,并结合电力信息流时域特征构建时-频域混合特征集。进而,采用人工蜂群优化的支持向量机算法进行异常流量辨识。最后,基于某110 kV变电站的站内实际网络流量和CIC DDoS2019数据集、KDD99数据集进行仿真,结果表明所提算法对网络异常流量识别有更低的误判率和漏检率。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

基于SAE与改进LightGBM算法的笼型异步电机故障诊断方法

针对笼型异步电动机故障诊断传统的特征值方法的局限性,提出了一种基于栈式自编码(SAE)和改进的轻型梯度提升机算法的笼型异步电动机定子绕组匝间短路和转子断条故障的联合诊断方法.该方法主要包含如下两个步骤,第一步骤是应用SAE故障检测算法对电机定子电流与电压采样数据进行处理,并通过添加惩罚项(稀疏项和加噪环节)对输入数据进行降维编码,获取数据重构值,以实现特征自动提取;第二步骤是针对难以处理的权重赋值问题、误分类代价和过拟合等问题改进LightGBM故障检测算法,将上述第一步骤得到的数据重构值引入LightGBM分类器进行电机故障多分类,从而实现定子绕组匝间短路和转子断条故障的同时、联合诊断.实验结果表明,该方法是有效的.     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

基于深度学习的电力工控流量应用层报文异常检测

准确可靠的电力工控流量异常检测方法是识别网络攻击和实现主动防御的关键手段，对于保证电网的安全稳定运行具有重要意义。文中针对现有电力工控流量异常检测方法存在的检测深度不足、攻击分类少、未知异常识别能力弱等问题，提出了一种基于飞蛾扑火优化(MFO)算法和一维卷积神经网络(1D-CNN)的电力工控流量应用层报文异常检测方法。首先，在深度协议解析的基础上对流量数据的应用层报文进行多维度特征提取；其次，利用随机森林算法计算特征重要度，剔除冗余特征；然后，训练所搭建的1D-CNN报文异常检测模型，并结合MFO算法进行超参数调优，提升模型性能；最后，利用Softmax分类器输出报文的异常检测结果。仿真结果验证了所提方法的有效性。     

不平衡数据集异常检测和分类算法

针对传统异常检测模型在面对不平衡样本集时存在参数优化困难、少数类识别效果差等问题,提出一种组合模型以实现不平衡数据集的异常检测和分类。首先利用支撑向量数据描述构造闭合曲面实现“异常”检测,然后提出改进少数样本合成技术对“异常”数据进行过采样以构建平衡数据集,最后利用所提最大类间-类内距K-均值聚类进行自动聚类,实现3种异常数据的分类判决。结果表明,所提方法能够获得较高的异常检测和分类性能,并且具有较强的泛化能力。     

基于改进深度置信网络的智能电网暂态安全状态感知

深度学习是感知智能电网暂态安全状态的有效方法,针对多层重构学习过程低维特征及结构参数难以全局寻优的问题,提出了一种改进深度置信网络(Deep Belief Network,DBN)方法.首先,该方法利用SMOTE过采样算法,增加样本多样性,促使DBN深层架构的挖掘.其次,直接面向噪声样本,DBN通过网络中各神经元吉布斯...     

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题.文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法.建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除.实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测.     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键。为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法。该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选择异常值的策略,解决了人工选择时存在主观因素影响的问题。通过与DBSCAN和LOF的比较表明,该方法能够快速、高效地找出电力数据中的异常值,适用于边缘电力数据异常检测。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于混合重抽样和LightGBM算法的配变低压跳闸预测

针对配变台区在夏季用电高峰期易频繁跳闸的问题,提出一种基于混合重抽样和LightGBM算法的配变低压跳闸预测模型。为了解决数据分布的边缘化问题,首先采用隔离森林剔除样本中的离群值。其次采用NCL欠抽样与SMOTE过抽样相结合的混合重抽样方法处理训练样本的数据不平衡问题。然后采用混合重采样算法产生的新样本对LightGBM分类器进行训练。最后利用训练好的模型对目标台区低压跳闸进行预测。通过算例仿真表明,对比其他预测模型,所提iF-SMOTE-NCL-LightGBM模型在低压跳闸预测中的各项评价指标均达到最高,能有效预测低压跳闸事件。     

基于长短期记忆网络和LightGBM组合模型的短期负荷预测

短期负荷预测是电网安全调度与平稳运行的基础,为进一步提升负荷预测的精度,提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型。首先,根据LSTM网络和LightGBM模型的输入结构,将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中,通过训练得出各自的预测结果。然后,采用最优加权组合法确定权重系数,并得出组合模型的预测值。最后,采用实际负荷数据进行算例分析,结果表明所提方法能够有效结合2种模型的优点,在保留对时序数据整体感知的同时兼顾非连续特征的有效信息,与其他模型相比具有更高的预测精度。