基于Bi-GRU和自注意力的智能电网虚假数据注入攻击检测

针对当前基于循环神经网络的智能电网虚假数据注入攻击(False Data Injection Attacks,FDIA)检测方法无法提取FDIA数据深层特征的问题,提出一种基于双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)和自注意力的检测方法.采用Bi-GRU学习...     

基于鲁棒主成分分析的智能电网虚假数据注入攻击

基于主成分分析（PCA）的盲攻击策略仅对具有高斯噪声的测量数据有效,在存在异常值的情况下,上述攻击策略将被传统的坏数据检测模块检测。针对异常值存在的问题,提出一种基于鲁棒主成分分析（RPCA）的盲攻击策略。首先,攻击者收集含有异常值的测量数据;然后,通过基于交替方向法（ADM）的稀疏优化技术从含有异常值的测量数据中分离出异常值和真实的测量数据;其次,对真实测量数据进行PCA,得到系统的相关信息;最后,利用获得的系统信息构造攻击向量,并根据得到的攻击向量注入虚假数据。该攻击策略在IEEE 14-bus系统上进行了测试,实验结果表明,在异常值存在的情况下,传统的基于PCA的攻击方法将被坏数据检测模块检测,而所提方法基于鲁棒PCA的攻击策略能够躲避坏数据检测模块的检测。该策略使得在异常值存在的情况下虚假数据注入攻击（FDIA）仍然能够成功实施。     

基于递归神经网络的跌倒检测系统

针对现有跌倒检测方法存在适应性差和功能较单一等问题,引入递归神经网络,通过发掘位置传感器数据之间的内在联系提高检测跌倒行为的效果。首先,设计了传感器、训练与检测输入数据的序列化表示方法,为发掘其中与跌倒和接近跌倒行为相关的内在关联提供了基础;接着,给出了用于跌倒检测的RNN训练算法以及基于RNN的跌倒检测算法,将跌倒检测转换为输入序列的分类问题;最后,在前期实现的基于分布式神经元大规模RNN系统的基础上,在Spark平台上实现了基于RNN的跌倒检测系统,使用Fall_adl_data数据集进行了测试与分析,验证了其能有效提高跌倒检测的准确率和召回率,F值相比现有跌倒检测系统提高12%和7%,同时能有效检测出接近跌倒的行为,有助于及时采取保护措施减少伤害。     

智能电网虚假数据注入攻击弹性防御策略的拓扑优化

基于虚拟隐含网络的虚假数据注入攻击(False data injection attack, FDIA)防御控制策略, 本文提出了一种基于图论的拓扑优化算法来提高其防御性能. 首先, 提出了一种图的等效变换方法 — 权值分配法, 实现二分图连接拓扑与二分图拉普拉斯矩阵的一一对应; 进而基于网络拓扑的连通度以及连通图的可去边理论, 给出了虚拟隐含网络和二分图连接网络的拓扑选择依据; 在考虑拓扑权值的基础上, 给出了权值拓扑优化的指标评价函数; 通过求解指标评价函数的最小化代价实现拓扑优化选择, 从而改善基于虚拟隐含网络的虚假数据注入攻击防御方法的性能. 最后, 通过在IEEE-14总线电网系统上的仿真验证了所提算法的有效性.     

智能电网海量信息数据检测关键技术分析

为满足智能电网对海量信息数据的检测需求,对基于调控云的智能电网海量数据检测的关键技术进行了研究,电网海量信息数据的检测基于对流通和传输的电网数据的分析结果.针对智能电网数据节点的电压和电流间的关系通过潮流计算方法的使用完成分析过程(以电网的导纳和阻抗为依据),电流与功率则根据电网的有功及无功注入完成计算,进而得到海量数...     

基于递归神经网络的变压器套管绝缘故障检测方法研究

由于传统的变压器套管绝缘故障检测的方法未对故障类型进行分类,导致了故障检测的定位准确性较差,为此,提出基于递归神经网络的变压器套管绝缘故障检测方法.通过高分辨的智能信息跟踪识别方法采集故障信息特征并进行融合处理,采用递归神经网络学习方法在处理后的信息中提取电感和稳压参数,结合电力系统受扰响应特性特征分析方法,建立故障样...     

基于自适应Kalman滤波的智能电网假数据注入攻击检测EI北大核心CSCD

研究了一种针对智能电网中假数据注入攻击的有效检测方法.假数据注入攻击可以保持攻击前后残差基本不变,绕过传统的不良数据检测技术.首先基于电网模型,分析了假数据注入攻击的攻击特性,针对噪声统计特性未知且无迹Kalman滤波(Unscented Kalman filter,UKF)不稳定的现象,提出了自适应平方根无迹Kalman滤波改进算法.基于状态估计值,结合中心极限定理提出检测算法,并与欧几里得检测方法、巴氏系数检测方法进行比较.最后,仿真表明本文所提检测算法的优越性.     

面向智能电网的PCA近似法错误数据注入攻击

准确的状态估计对于维持智能电网的正常运行至关重要.论文在雅可比(Jacobian)矩阵和状态变量分布假设未知的情况下,采用主成分分析近似法(PCA-Sim)研究了错误数据注入攻击问题,从线路测量的相关性中对Jacobian矩阵进行推导,验证了错误数据注入攻击近似隐形攻击,并且结合累积分布函数(cdf)分析了所提方法的性...     

利用大数据检测智能电网异常的分层架构

重点研究了智能电网异常分析过程中的大数据分析功能的分层架构.通过对当前电网大数据的数据结构进行分析,同时分析了当前智能电网大数据系统的惯用分析方法,最终形成了4个智能电网大数据分析过程的分析分层架构.第一层直接层可以通过对单节点数据的分析找到单一设备的直接故障,第二层关联层可以通过对多个节点的关联性特征进行时域比较分析...     

基于动态递归神经网络的航煤比重在线估计

针对常压航煤比重在线质量仪表存在滞后大、易出现故障的缺点,提出了运用动态递归神经网络,根据实测的温度、流量、压力等过程参数,在线估计航煤比重,为比重质量闭环控制提供了基础。     

一种基于深度Encoder-Decoder神经网络的智能电网数据服务器流量异常检测算法

传统的网络流量异常检测通常基于单一原始特征变量进行阈值判断,或者对多个相关变量进行降维设计统计量后进行阈值判断,这类方法虽然简单,但无法应对变量间非线性关系随时间变化的情况。本文设计一种能够自适应动态逼近变量间非线性关系的深度神经网络,在普通的Encoder-Decoder神经网络的基础上引入2层注意力机制,提高了神经网络对长期历史信息的利用程度,实现了流量正常状态估计。基于估计得到的流量正常行为,分析其与实测值的残差分布情况,并最终给出置信区间作为判别异常行为的控制限。     

基于多尺度时间递归神经网络的人群异常检测

如何在人群密度大、变化快、存在大量遮挡的密集场景中实现可靠的人群事件检测,是领域研究的难点和热点.在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法.首先对人群场景进行网格化划分,并利用多尺度光流直方图对每个网格的人群动态进行刻画;然后,连接各个局部的人群动态获得整体的人群动态,实现整体人群动态的时间序列建模;最后,利用多尺度时间递归神经网络实现异常事件的检测和定位.其中,多尺度隐含层实现了密集场景中不同规模相邻网格之间的空间联系,节点间的反馈关系则为时间维度上的关系表达提供了有效方案.与多种代表性算法的对比实验,验证了本方法的有效性.     

基于Pytorch和神经网络的云数据中心故障检测

随着现代科技的迅猛发展,数据中心已经成为信息化社会的IT基础设施,存储管理大量关键数据.当前,数据中心的管理大多是依靠经验丰富的专业运维人员使用计算机自动监测机房设备各项指标,并对设备做出多次检查,耗时且繁琐.深度学习和人工智能技术当前吸引了越来越多的注意力,并在互联网和工业领域取得了许多成功应用.本文设计了基于门控循环单元的深度学习框架对云数据中心机房设备故障进行自动化的诊断,并联合时序信息基于过去设备的运行状态信息对未来状态进行预测.其中,序列数据以固定时间窗分割后输入双向GRU单元层,使网络学习到数据点的前后时间依赖关系.在GRU层输出基础上,我们添加了自注意力层和embedding层,让神经网络能够学习到对故障预测更有效的特征并进一步对特征进行降维.最后,多层感知机被用于对降维后的数据进行分类.基于真实数据集的实验结果显示,本文提出的基于GRU的深度学习框架相比LSTM, SVM和KNN等常用模型能够更准确地检测出云数据中心故障.     

面向智能电网的数据传输安全技术研究

以智能电网的数据传输安全为例,介绍智能电网的标准体系。使用数字水印增强电网数据传输安全的方法,提出电网数据传输过程中抗攻击方案,以提高电网数据传输安全性能。     

反馈神经网络在入侵检测系统中的应用

对基于网络的入侵检测系统进行了研究,提出了将反馈网络应用于入侵检测系统中,使用一种改进的Jordan神经网络算法,借助于反馈神经网络提取描述攻击模式的特征和进行规则推导,然后用神经网络建立的规则集进行入侵检测,实验证明利用反馈神经网络提高了入侵检测系统的性能。     

智能电网中家域网安全数据汇聚与调度方法研究

智能电网中通信网络的安全是实施智能电网的一个重要环节。用户信息的隐私保护是智能电网安全服务的一个主要任务。智能电网中用户信息隐私保护主要围绕智能电表数据的机密性和匿名性展开。本文以家域网作为智能电网通信网络的一个基本数据汇聚与调度单元,提出了一种安全的网内数据汇聚与调度方法,从而保证了智能家居设备的用电信息的机密性和匿名性。采用NS-2对本文提出的网内方法进行了仿真研究。仿真结果表明,本文提出的网内数据汇聚与调度方法与传统方法相比具有较高的实用性。     

基于主成分分析和循环神经网络的入侵检测模型

针对网络数据特征维度高、现有的入侵检测方法准确率低的问题,该文提出了一种基于主成分分析(PCA)和循环神经网络(RNN)的入侵检测方法PCA-RNN。该方法先对网络数据进行预处理,通过主成分分析法对数据进行特征降维和降噪,找出含有最大信息的主成分特征子集,然后对处理后的数据使用循环神经网络进行分类训练。实验使用基于Python的TensorFlow平台,并采用NSL-KDD作为实验数据集。实验结果表明,与常用的基于机器学习和深度学习方法的入侵检测技术相比较,该文提出的入侵检测方法可有效地提高检测的准确性。     

基于复杂网络的智能电网网络攻击影响分析研究

文章基于复杂网络理论,将智能电网抽象为由节点、边构成的拓扑网络结构,分别从仿真网络构建和网络攻击仿真模拟两个方面建立了基于复杂网络理论的智能电网网络攻击仿真流程。首先,构建仿真网络并分析仿真网络节点度分布和节点度数累积概率分布情况,得出该网络为无标度网络的结论。其次,进行网络攻击仿真模拟,设置两种攻击情形,分别为针对智能电网全部网络节点进行随机攻击(情形1)和针对智能电网网络中度数大于最大度数80%的节点进行攻击(情形2),通过对比分析两种攻击情形中的网络聚类系数、平均度、平均路径长度的变化特征,得出在对网络聚类系数的降低方面,情形1的作用小于情形2的作用;在平均度变化和网络平均路径长度影响方面,情形1的影响高于情形2。     

基于PCA-MP-BP的智能电网数据融合方法

为了提高对智能电网大数据的挖掘效率,提出了基于PCA-MP-BP的智能电网数据融合方法.首先对智能电网大数据技术和智能电网大数据融合技术进行了分析.采用主成分分析方法(PCA)提取出对预测结果有影响的主要特征值,作为BP神经网络的输入;然后提出了一种MapReduce和BP算法相结合的数据融合算法,该算法加快了数据处理...