电力信息网络入侵检测研究

分析了电力信息网络安全结构及存在的入侵问题,提出将数据挖掘算法应用于电力信息网络的入侵检测。在入侵检测中使用关联规则分析算法,挖掘网络数据流中特征之间的关联关系。提出了一种针对网络入侵检测规则生成方法的AR_Tree算法,该算法解决了传统关联规则算法存在的多次扫描和无效规则问题。实验证明,此算法在规则生成和对网络入侵检测方面应用效果比传统算法优越,可以有效检测电力信息网络中的入侵行为。     

基于迁移学习的网络入侵检测

人们身处于互联网时代,数据泄漏事件屡见于各大新闻,数据孤岛现象在企业数字化、信息化过程中也随处可见,如何打破数据孤岛,保护数据隐私安全,成了新时代面临的关键问题.针对当前网络入侵检测技术存在训练数据模型复杂度高且时间长、误检率高、适应性差等问题,本文提出了将迁移学习用于网络入侵检测模型,该模型能够很好地解决网络入侵中存...     

入侵检测系统在电力信息网络中的应用

介绍电力系统信息网络的特点和整体安全需求及各技术层面的解决办法,重点分析网络层的安全设计策略,即在中心控制台采用基于数据挖掘技术的网络入侵检测系统,可以实时地把握关键网段中的入侵动向.     

基于半监督集成学习的自适应入侵检测研究

在网络入侵检测中,网络攻击新方法层出不穷,传统基于块数据的集成学习算法由于无法收集完备的训练集,导致入侵检测系统无法识别新的攻击行为.为此,提出基于半监督集成学习算法,把半监督学习思想引入到集成学习中,使得分类模型可以动态更新,从而使入侵检测模型具有自适应性,提高对未知攻击行为的识别率.通过在NSL-KDD数据集上进行...     

电力信息网络入侵检测中BM改进算法研究

分析了在电力信息平台中引入入侵检测技术的安全需求,介绍了Snort入侵检测系统的结构和工作流程,指出了字符串匹配算法的效率对于提高Snort系统性能的重要性。在此基础上,对Snort系统中的BM单模式匹配算法进行深入研究,提出了BM改进算法。改进算法分析了当前比较字符串的末字符及其后继字符唯一性、关联性,实现了模式串的较大向右跳转距离。在Snort系统中对改进算法进行了验证,实验结果表明,改进算法有效地提高了入侵检测的效率。     

强化学习理论在电力系统中的应用及展望

强化学习理论是人工智能领域中机器学习方法的一个重要分支,也是马尔可夫决策过程的一类重要方法.所谓强化学习就是智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大.强化学习理论及其应用研究近年来日益受到国际机器学习和智能控制学术界的重视.系统地介绍了强化学习的基本思想和算法,综述了目前强化学习在安全稳定控制、自动发电控制、电压无功控制及电力市场等方面应用研究的主要成果与方法,并探讨了该课题在电力系统运行控制中的巨大潜力,以及与经典控制、神经网络、模糊理论和多Agent系统等智能控制技术的相互结合问题,最后对强化学习在电力科学领域的应用前景作出了展望.     

强化学习理论在电力系统中的应用及展望

强化学习理论是人工智能领域中机器学习方法的一个重要分支,也是马尔可夫决策过程的一类重要方法。所谓强化学习就是智能系统从环境到行为映射的学习,以使奖励信号（强化信号）函数值最大。强化学习理论及其应用研究近年来日益受到国际机器学习和智能控制学术界的重视。系统地介绍了强化学习的基本思想和算法,综述了目前强化学习在安全稳定控制、自动发电控制、电压无功控制及电力市场等方面应用研究的主要成果与方法,并探讨了该课题在电力系统运行控制中的巨大潜力,以及与经典控制、神经网络、模糊理论和多Agent系统等智能控制技术的相互结合问题,最后对强化学习在电力科学领域的应用前景作出了展望。     

基于深度学习的电力信息网络流量异常检测

随着信息技术的快速发展,通信、计算机和电网构成多功能复杂系统,通信设施的复杂化使智能电网网络安全问题日益严峻。为确保电力信息网络具有更高的安全性能,必须有效识别电力信息网络存在的入侵攻击。对此,提出了一种基于CNN(卷积神经网络)和LSTM(长短期记忆)网络的混合网络的异常检测方法,混合网络通过提取网络流量数据特征以获得较高的检测率,同时为减少模型训练样本中不同攻击类型样本数量不平衡对模型性能的影响,采用类别权重优化方法来提高模型鲁棒性。经实验证明,所提方法能够有效提高识别网络攻击的准确率。     

基于深度强化学习的配电网负荷转供控制方法

随着城市规模的快速扩张以及电能替代的不断推进,配电网节点数大量增加,结构愈加复杂,发生故障后拓扑变化不确定性较大,传统负荷转供方法难以在短时间内给出高质量的解决方案。为此,提出基于深度强化学习的配电网负荷转供控制方法。将负荷转供过程视为一个马尔可夫决策过程,与配电网实时电气、拓扑数据进行交互,对联络开关与分段开关进行控制。为了提高算法的精度与泛化能力,针对算法动作策略加入了预模拟机制,调整了动作与学习的比例并采用自适应优化算法进行求解。算例分析表明,所提方法能够应对不同故障下配电网的拓扑变化,即时给出负荷恢复量、电网损耗、开关动作次数多方面最优的转供控制方案,这对于减小故障后的停电损失与提高用户满意度有着重要意义。     

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法.该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分...     

基于Agent和STAT的入侵检测系统在电力信息系统的研究

首先,分析了电力系统信息网络入侵检测的必要性,然后在状态转移分析STAT（State Transition Analysis Tool）入侵检测工具的基础上,引入了Agent技术,提出了一种基于Agent和STAT的入侵检测系统。该系统通过Agent技术实现了规则更新,并且利用STAT技术使该系统可以实时感知入侵状态和进行入侵分析。实验结果表明,基于Agent和STAT的入侵检测系统能够有效地提高检测率。针对电力系统的特点分析了该系统在其中的应用。     

容侵技术在电力系统数据网络安全中的应用

计算机网络的安全性已成为电力系统正常运行的关键。首先对电力系统数据网络的结构、应用以及安全现状进行了分析,接着介绍了在电力系统数据网络中常用的几种防护手段,并指出了防火墙和入侵检测技术的局限性,认为其主要强调了防护而没有相应的对策处理黑客攻入系统内部的措施。阐述了信息网络在被破坏后的生存性问题,在此基础上引出了容侵的概念,并进一步介绍了诸如容侵策略、方法等基本理论。最后,提出了一种使用冗余和多样性策略的容侵技术构建安全的服务器,以此加强数据网络的安全性确保系统的正常运行。     

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。     

基于深度强化学习的电动汽车充电调度算法研究进展

对电动汽车的充电过程进行优化调度有利于电网安全稳定运行,提升道路通行效率,提高可再生能源利用率,减少用户充电时间和充电费用。深度强化学习可以有效解决电动汽车充电优化调度面临的随机性和不确定性因素的影响。首先,概述了深度强化学习的工作原理,对比分析了不同种类强化学习的特点和应用场合。然后,从静态充电调度和动态充电调度两方面综述了基于深度强化学习的电动汽车充电调度算法研究成果,分析了现有研究的不足。最后,展望了该领域未来的研究方向。     

基于嵌入注意力机制的UNet-DB_ECA网络检测金具研究

由于电力巡检中所拍摄的电力金具图片数量多,检查工作量大,为了提高电力金具的自动化检测效果,本文基于UNet框架提出了一种UNet-DB_ECA网络检测金具的方法。先降低UNet网络宽度,然后在网络中嵌入高效通道注意力机制模块ECANet(ECANet)和批量规范化(BN),最后引入了Hard-Swish激活函数,从而构建了UNet-DB_ECA网络。本文使用电力金具检测数据集进行实验,实验结果表明本文所提出的方法检测效果良好,与UNet网络检测效果相比,在提升检测效果的同时也兼顾了算法性能。此外,电力金具检测数据集中包含七类形状不同的金具类型,另一方面也表明本文所提方法具有较好泛化能力,因此该方法在电力金具自动化检测方面具有一定的应用前景。     

信息融合技术在电力系统故障检测中的应用探讨

电力系统故障产生各种故障信息，对故障信息全面分析、综合处理，能提高故障检测的精度和鲁棒性。为实现对各种传感器检测到的多源故障信息进行有机综合处理，需研究信息综合处理技术。信息融合技术是研究多源信息综合处理的新兴边缘学科，已在军事、信息处理等领域中有着成熟的应用。该文把信息融合技术应用于电力系统故障检测，介绍信息融合故障检测的模型与方法；分析信息融合技术在状态监测、继电保护中的应用技术；并以小电流接地系统故障选线为例，提出研究了模糊信息融合故障选线方法技术，提高了故障选线的灵敏度和可靠性。     

基于深度学习的无人机自组网分层入侵检测方法

针对无人机自组网携带重要信息却容易受到各种攻击的问题,提出了一种分层检测响应的方案。首先采用端节点误 用检测方法,监测无人机行为并报告规则验证的结果。接着,地面站利用深度神经网络分类算法进一步优化验证结果。为抵 御如干扰、黑洞、灰洞等不同类型网络攻击提供了新的解决方案。最后,与 BRUIDS方案和分布式检测方案进行模拟分析和 实验对比。结果表明,相较于另外两种方案,方法在检测率方面的下降率均保持在10%以内,检测率高达93%以上。误报率 提升了1.2%,在检测攻击延迟方面与分布式方案相差无几,通信开销减少了约53.5KBps,且对未知攻击检测问题有显著 改善。     

基于演化博弈的无线传感器网络入侵检测研究

针对无线传感器网络易遭受内部节点攻击的问题,本文提出了一种基于演化博弈的无线传感器网络入侵检测方法。将传感器网络的攻防对抗映射到博弈过程中,建立恶意节点和簇头节点之间的攻防博弈模型,改进传统复制动态方程,使得簇头节点在演化博弈过程中考虑到其他节点的历史策略,预测恶意节点的攻击策略;同时将改进复制动态方程应用于入侵检测算法,提高算法响应时间。实验表明,与传统方法的复制动态方程相比,采用该算法使得演化博弈能够快速达到均衡,收敛速度相比传统方法提高了80%,保障了网络安全性的同时避免了传感器网络检测能量的消耗。     

电力系统网络安全体系研究

随着电力行业信息化的不断发展,信息安全面临日益严峻的考验。结合电力系统网络环境,分析了威胁电力系统网络安全的四个主要来源,依此给出了一套电力系统安全体系总体设计及解决方案,为电力系统网络安全体系建设提供了可参考的理论和实践依据。