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。     

基于改进鲸鱼算法的汽轮机主蒸汽流量预测模型

为了提高汽轮机主蒸汽流量预测结果的精准性,为火电机组运行的经济性优化策略提供可靠的数据基础, 基于改进鲸鱼算法,设计了一种汽轮机主蒸汽流量预测模型.根据汽轮机的运行特征,采集并处理汽轮机现场运行数 据,应用BP神经网络算法,建立汽轮机主蒸汽流量预测模型,并利用改进鲸鱼算法优化、修正预测模型的权值参 数,提高模型的收敛精度与速度.检测结果显示,对于随机的200组测试样本数据,该方法对汽轮机主蒸汽流量的预 测结果曲线与实际蒸汽流量曲线基本一致,预测结果的均方误差均值为4.3521,平均绝对百分比误差均值为2.18％, 预测时间均值为2.6125s.结果表明,改进鲸鱼算法的应用,提高了汽轮机主蒸汽流量预测模型的集成度与收敛精 度,使模型具有高效性与精准性,为机组热损耗量的降低等优化工程提供了精准的数据基础.     

基于矩阵分解的电力监控系统局域网异常流量检测方法

当前的电力监控系统在各安全区的横向和纵向边界上部署了严密的安全防护策略。然而,在边界内部,局域网内各设备间的网络流量限制较少,局域网内部存在设备间的安全威胁。为了实现电力监控系统中网络内部安全事件的检测,本文提出了一种基于矩阵分解的电力监控系统内部恶意流量检测方案,通过对网络内部历史流量的采集和训练,得到正常流量模型,并以白名单的形式对网络内部流量实时检测。实验证明本文提出的检测方案具有对未知异常流量的检测能力和模型自适应迭代特点。     

复杂纹理布匹五类典型瑕疵图像检测算法研究

针对复杂纹理布匹瑕疵检测这一纺织工业质检环节中的技术难点，基于深度卷积神经网络提出一种图像检测算法模型。首先对比选用YOLOv7 tiny模型为算法参考框架然后进行优化改进，包括使用SimAM模块重构特征融合层，以提升模型对瑕疵局部特征的提取能力并抑制背景特征；采用SIoU优化坐标定位损失函数，以加快目标框的回归效率；引入FReLU激活函数，以增强非线性激活层对空间信息的利用能力，提升激活函数的空间敏感性。实验结果表明，该模型在复杂纹理布匹五类典型瑕疵的检测任务上的查准率和查全率都优于现有其他算法，mAP达到最高值805%，且模型大小仅为92 M，在PC端上单帧图像检测只需2113 ms。     

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。     

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题，提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部，使用ERT算法进行关键点定位，计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数，将其输入到PNN中进行疲劳判别，并使用遗传算法优化PNN的平滑因子，提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络，使用自采集样本验证模型泛化性能，实验中与SVM、BP神经网络以及未优化的PNN模型对比，SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%，97.67%，95.33%，所提的优化的PNN模型准确率为98.67%，验证了算法的有效性。     

基于解的空间约束的超声前列腺图像分割算法

超声前列腺图像分割是一项极具挑战的任务，目前传统检测算子面对灰度对比不显著的部位难以去辨别，神经网络则忽视了超声图像信噪比低的影响且消耗大量算力。为解决以上问题提出一种高效的基于解的空间约束的超声前列腺图像分割算法，将分割问题转化为求边界点问题，首先对法向量算子改进，改善其检测能力；然后使用降噪自编码器根据形状约束克服噪声优化解的空间；最后引入迭代算子将解的范围限制在极小的区域实现精准分割。实验表明，模型交并比型(IoU)达94.4%,DSC值约97.05%,精度高于当前热门的神经网络算法，且更轻量化。     

基于NMWOA-LSTM的卷取温度预测模型

由于热连轧带钢卷取温度控制过程存在强非线性和时变性等因素影响，导致卷取温度控制精度和卷取命中率低。提出一种基于改进鲸鱼算法优化长短期记忆神经网络的方法，加入自适应参数优化和混合变异策略并融合小生境技术得到小生境技术混合变异策略的改进鲸鱼优化算法，建立改进鲸鱼算法优化LSTM的卷取温度预测模型，并与其他模型进行对比。仿真实验表明，在10个测试函数中，同其他先进算法相比，NMWOA算法具有更好的搜索能力和寻优精度；在卷取温度模型预测中，NMWOA LSTM模型同其他4种模型相比，卷取温度高精度命中率达到9750%，提高了卷取温度的预测精度。     

基于人工神经网络小电流接地选线方法研究

针对小电流接地故障选线方法进行了研究,使用人工神经网络模型实现接地故障选线。为了提高神经网络算法的性能,使用一种改进的神经网络算法,对遗传算法中的相应遗传算子以及染色体结构进行改进,通过自适应交叉变异概率的引入,从全局均衡和优化初始网络权重以及BP网络结构。使用110 k V/35 k V的配电系统作为小电流接地故障选线实例分析,对常规神经网络算法和改进神经网络算法进行对比。研究结果表明,改进神经网络算法的输出误差要低于常规神经网络算法,正确选线率要高于常规神经网络算法。     

基于贝叶斯优化的线性自分段神经网络在阀门流量辨识中的应用

针对汽轮机阀门流量特性的辨识,提出一种基于贝叶斯优化(Bayesian Optimization,BO)的线性自分段神经网络模型,确保辨识的结果存在反函数,从而可以更加精准地实现阀门调节参数优化。首先,在前馈神经网络(Forward Neural Network,FNN)中引入ReLU(Rectified Linear Unit,ReLU)激活函数,从而完成对阀门流量数据的分段线性辨识;其次,在FNN训练的过程中使用BO对FNN的超参数进行寻优,给出最优的线性分段数;最后,对山东省某火电机组阀门流量数据进行分段函数线性辨识,对文中提出的模型和优化方法进行了验证。