基于IABC和聚类优化RBF神经网络的电力信息网络安全态势评估

为提高电力信息网络安全态势评估的精度,提出一种基于改进人工蜂群（IABC）算法和密度峰值聚类（DPC）算法优化径向基函数（RBF）神经网络的电力信息网络安全态势评估方法。首先,引入改进密度峰值聚类（IDPC）算法对人工蜂群（ABC）算法的种群空间多样性进行聚类分析,重新定义个体更新机制以提高算法的全局搜索能力。然后,构建分类RBF神经网络安全态势评估模型,利用IDPC算法对输入指标数据进行聚类分析,采用IABC算法对分类拓扑结构和参数学习过程进行优化,得到输入评估指标与输出安全态势值的最佳映射关系。最后,通过实例仿真证明所提方法的有效性。     

一个新的电力信息系统主动防御模型

电力信息系统的安全与稳定对于电力企业生产管理水平和业务服务水平的提高起至关重要的作用。引入安全评估和网络态势预测技术将有效改变目前电力信息系统防护措施的局限性。为此提出了一个基于安全评估和网络态势预测的电力信息系统主动防御模型,并对该模型的体系结构、关键技术和部署方式进行了一定的探索,为该模型的进一步研究和开发奠定了坚实的基础。     

层次化电力信息网络威胁态势评估方法

为了实时描述电力信息网络的宏观安全状况,提出了一种层次化的网络威胁态势评估方法并予以系统实现。该方法通过灰色聚类分析将各种网络威胁按危害程度划分为强、中、弱3类,并以这3类作为层次分析法中准则层的设计依据,再利用层次分析法构造层次化的评估指标体系并确定各种网络威胁的权重。将各种网络威胁的权重与其实时发生次数加权求和得到网络威胁态势值,其数值大小反映了电力信息网络实时安全状况。最后的实验和系统运行情况表明,该方法可有效地展示电力信息网络安全状况,有助于提高其安全防护水平。     

基于改进型Elman神经网络龋短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度。提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层。增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

基于改进型Elman神经网络的短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度,提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层,增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

基于数据挖掘的电力信息系统网络安全态势评估

为了解决当前电力信息系统网络安全态势评估建模过程存在的一些难题,提出基于数据挖掘的电力信息系统网络安全态势评估模型。首先对电力信息系统网络安全态势评估现状进行分析,构建电力信息系统网络安全态势评估指标体系,然后采用灰色关分析法确定电力信息系统网络安全态势评估指标体系的权重值,并采用数据挖掘技术—支持向量机建立电力信息系统网络安全态势评估模型,最后进行了电力信息系统网络安全态势评估仿真测试。结果表明,本文模型可以描述电力信息系统网络安全态势,获得了高精度的电力信息系统网络安全态势评估结果,而且电力信息系统网络安全态势评估综合性能要优于其它模型,具有更高的实际应用价值。     

电力CPS信息网络脆弱性及其评估方法

电力信息网络是电力CPS的有机组成部分,电力信息网络的脆弱性威胁评估是电力CPS风险评估的重要基础之一。针对通用信息网络脆弱性威胁评估技术的局限性,在通用弱点评价体系（CVSS）的基础上提出了一种适用于电力信息网络的脆弱性威胁评估方法。选取了漏洞分布威胁度、访问途径和利用复杂度3组安全漏洞评估要素;采用层次分析法建立了脆弱性威胁度评估模型,给出了参数构造方法;在定量评估的基础上,将评估结果定义了脆弱性威胁等级。最后给出了一个评估实例,并与CVSS系统进行了比较。评估结果表明基于层次分析法的信息网络脆弱性评估反映了信息与物理的耦合关系。     

安全域在青海电力信息网络中的应用

简述了在青海电力信息网络进行安全评估的情况,分析了在青海省电力信息网络已有安全措施的基础上,通过安全评估发现青海电力信息网络中存在的漏洞、威胁及风险。详细描述了在青海电力信息网络进行安全域的等级划分方法,以分域保护的原则实现青海省电力公司信息系统的安全改造与综合防护。保证各网络应用系统的正常运作及办公系统的严肃性、稳定性和高效性。     

电力信息网络安全评估模型的研究

为提高电力信息网络对各种安全威胁的防御能力,基于系统安全工程能力成熟度模型(SSECMM),利用电力信息安全工程的综合模糊评判法建立电力信息网络模型,并采用熵权系数法确定各评价因素的熵权系数,通过实际算例验证了所建立模型的有效性。     

电力信息系统网络安全态势在线评估框架与算法研究

网络安全是使信息系统可靠运行的重要保障。根据电力信息系统安全态势在线评估分析的实际需求,提出了适合该需求的网络安全态势分析指标体系。重点讨论面向电力信息系统的攻击态势量化方法和设备资产受攻击的严重度修正方法。结合电力信息系统各业务应用和网络的实际情况与自身特点,定义了电力信息系统安全态势评估框架,设计电力信息系统安全态势评估算法,给出了电力信息系统安全态势在线评估系统框架。     

网络安全态势感知研究综述

为提升电网信息安全防御能力,电力企业越来越关注信息网络安全态势感知技术以实现安全事件的预测与预防。文章从该角度出发分析网络安全态势感知研究的必要性,从网络安全态势感知研究框架出发,详细阐述目前国内外网络安全态势感知研究的体系结构和主要方法,对网络安全态势感知技术进行了归纳总结并对未来感知技术的趋势进行了展望。     

基于Elman神经网络的负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一,其负荷变化具有明显的周期性,文章采用Elman神经网络与BP神经网络建立模型,提出了一种基于神经网络的负荷预测方法.对某电网实际历史数据进行仿真预测,经研究发现,Elman模型具有收敛速度快、预测精度高的特点,同时表明利用Elman回归神经网络建模对莱电网负荷进行预测是完全可行的,在负荷预测领域有着较好的应用前景.     

电力通信网安全风险评估系统设计与实现

电力通信网是电力系统重要组成部分,其安全性对整个电力系统安全稳定运行具有重要意义。目前,在电力通信网安全风险评估研究中,大部分都集中在评估模型、评估指标体系、评估算法等理论研究方面,在有关评估系统及其应用研究方面鲜有报道。文章在分析电力通信网安全风险评估现状的基础上,结合脆弱性及重要度评估,对电力通信网骨干电路的风险评估流程、评估指标的构建及风险计算方法进行了研究。最后结合风险评估流程及方法。设计开发了一套具有实际工程应用价值的电力通信网安全风险评估系统。     

基于动态攻防博弈的电力信息物理融合系统脆弱性评估

以电力信息物理融合系统受人为因素攻击为背景,应用博弈论的相关知识对现代电网在遭受人为主观攻击威胁下的电网脆弱性评估方法进行了研究和探讨。根据兰德公司的风险评估模型建立了电力信息物理融合系统基于攻防场景的脆弱性评估框架,并基于博弈论中用于描述动态攻防博弈的多层数学规划模型,提出一种电力物理网络和电力信息网络同时遭受人为攻击场景下的电网攻防动态博弈三层数学规划模型。针对所提出的模型,给出了相应的解算方法,并在求解过程中,应用一种最优的防御资源分配策略以有效求得电网元件上需分配的资源。最后,通过简单算例系统验证了本文所提模型与方法的有效性。     

基于人因的电力企业安全生产态势评估模型

针对目前造成电力企业生产事故的主要原因人因隐患,提出了基于人因的电力企业安全生产态势评估模型,为电力企业的安全生产管理提供参考依据。采用数据统计和专家建议相结合的方法,设计具有评分标准的人因评价指标体系;以改进的模糊层次分析法为基础,建立模糊判断矩阵,分析各指标的权重系数;以结果集和隶属度函数为依据,对电力企业安全等级进行全面评估。通过对某电力企业实际数据的处理以及安全态势评估,验证了该模型的正确性。本模型适用于基于人因的电力企业安全生产态势评估,通过安全隶属度值,对企业安全度进行预测。     

Elman神经网络在电力负荷预测中的应用

利用 Matlab构建 Elman神经网络,并通过电力系统负荷预测世界竞赛提供的数据集来训练 Elman网络,从 而构建电力负荷预测模型,验证 Elman神经网络在电力负荷预测中的可行性和准确性。     

考虑威胁传播特性的电力CPS安全态势评估方法

电力信息物理系统（cyber physical power system, CPPS）（简称电力CPS）在提高智能电网的信息化、自动化、智能化程度的同时,也带来了一些潜在的风险问题,这是由一次系统与二次系统耦合过程中的复杂机理导致的,该类风险具有级联性和隐蔽性。在此背景下,提出了一种考虑威胁传播特性的电力CPS安全态势评估模型。首先,将电力CPS抽象为一个网络,将系统中的资产定义为网络节点、资产间存在的连接定义为网络的边;然后,将资产间的威胁传播定义为威胁传播树,并对电力CPS中各资产重要性进行量化评估;最后,采用一种适合该场景精确度与时效性的折中决策隶属度函数,在过滤后的信息基础上使用改进威胁传播树进行态势评估,并在IEEE-30节点系统上进行算例分析,仿真结果验证了所提模型的可行性和有效性。     

基于神经网络的短期电力负荷预测仿真研究

为了提高短期电力负荷预测精度,分别建立了基于BP神经网络和Elman神经网络的短期负荷预测模型。采用附加动量法优化BP神经网络以提高其收敛速度;针对Elman神经网络易陷入局部极值的缺点,改进其激励函数并采用LM算法优化学习算法。Matlab仿真结果表明,改进后的Elman神经网络模型比BP神经网络模型的预测精度高,收敛速度快,更适合处理动态问题。     

采用Boosting方法预测电力信息网络的威胁态势

威胁态势预测可以有效反映电力信息网络在未来时刻的宏观安全状况。为实现威胁态势的精确预测,提出一种基于AdaBoosting方法的网络威胁态势预测方法。该方法采用威胁态势值描述电力信息网络的宏观安全态势,并将威胁态势值的预测抽象为回归问题,进而利用AdaBoosting方法求解。该方法先利用滑动时间窗口将威胁态势值构造成时间序列样本集,再将样本集输入到AdaBoosting方法中训练,以得到回归分析模型,并利用该模型完成威胁态势预测。最后基于现场数据的验证性实验证明了所提方法的有效性。     

基于遗传算法和BP神经网络的电力客户信用评价模型

对电力客户的信用进行分析评估对于供电企业将电力输送给可靠的电力用户、提高企业经济效益具有重要意义。在分析影响电力客户信用影响因素的基础上,构建了电力客户信用评价指标体系,将遗传算法和神经网络原理引入电力客户信用评价领域,提出了基于遗传算法和神经网络的电力客户信用评价模型。实证结果表明：模型具有较强的自组织、自学习和自适应能力,模型评估结果比较客观合理。