由于中压配电网变电站常采用中性点不接地方式,所以当线路单相断线后断口两侧的导线均不接地或是非电源侧导线落地等情况发生时,没有明显的故障特征产生,且无法通过变电站内现有的继电保护装置对故障进行检测。为解决这一难题,我们基于...由于中压配电网变电站常采用中性点不接地方式,所以当线路单相断线后断口两侧的导线均不接地或是非电源侧导线落地等情况发生时,没有明显的故障特征产生,且无法通过变电站内现有的继电保护装置对故障进行检测。为解决这一难题,我们基于配用电信息系统数据和改进的AdaBoost算法,用纯数据驱动的方法,提出一套智能检测配电网断线的系统,可应用于实时的故障检测,这是文中的一大创新之处。其次,我们改进了AdaBoost算法,提出FC-AdaBoost算法(Feature Considered AdaBoost Algorithm),该算法可以改进AdaBoost算法本身无法对特征进行筛选的缺点。我们以华东某地区配用电信息系统中的历史数据为依据进行实际算例分析,证明了该方法比AdaBoost以及其他常用的机器学习算法更具优越性。展开更多
特征选择是攻击检测算法中的一种重要方法,该方法多采用交叉验证递归特征消除(Recursive Feature Elimination with Cross-Validation,RFECV)技术,并通常结合机器学习算法使用。但该算法多用于选取单模型特征,其性能也极易受特征量、学...特征选择是攻击检测算法中的一种重要方法,该方法多采用交叉验证递归特征消除(Recursive Feature Elimination with Cross-Validation,RFECV)技术,并通常结合机器学习算法使用。但该算法多用于选取单模型特征,其性能也极易受特征量、学习器的变化而波动,因其计算量大,该算法的分类准确率也仍需提高。针对上述问题,文中提出了一种基于特征重要度二次筛选的DDoS攻击随机森林检测方法。首先,该算法对原始数据集进行预处理并提取特征;其次,该算法为了从所选模型中选择最相关的变量,使用RF变量重要度准则,利用随机森林的重要性评分对变量进行排序;然后,在随机森林特征排序的基础上,对变量计算累积重要性并得到最重要变量;接着,使用所筛选出的最重要变量再次进行训练以生成分类模型,从而得出一组新的重要变量并将其定义为当前变量;最后,通过重要度准则,计算累积重要性来得到最终的最佳变量,从而有效地去除异常点,避免局部最优,进而实现对DDOS攻击的精准分类检测。实验结果表明,该方法具有较高的准确度和精确度,能够实现对正常流量以及各种DDoS攻击流量的精准分类,适用于在大数据下检测DDoS攻击。展开更多
建筑能耗的准确预测为电网系统进行高效管理和合理分配电能资源奠定了重要基础,而结合外因数据预测商业楼宇的负荷用电量是一个难点问题。根据建筑内人流量对用电负荷的影响,提出一种将融合移动人流数据的多维时间序列预测模型LMO(Linea...建筑能耗的准确预测为电网系统进行高效管理和合理分配电能资源奠定了重要基础,而结合外因数据预测商业楼宇的负荷用电量是一个难点问题。根据建筑内人流量对用电负荷的影响,提出一种将融合移动人流数据的多维时间序列预测模型LMO(Linear Model with Occupancy)。利用楼宇负荷用电和移动人流时间序列的耦合性,LMO融合了多维特征,提高楼宇用电量预测的准确性。实验结果表明,LMO能够引入更多的先验知识,减少不确定性。因此,相比于传统方法,该预测方法具有更高的预测精度。展开更多
因为工控系统数据有高维度和非线性的特点,所以针对基于Modbus TCP协议的工控系统提出一种融合Fisher分析、核主成分分析法和多新息扩展Kalman粒子群方法的攻击检测模型。利用Fisher分析和核主成分分析法(kernel principal component an...因为工控系统数据有高维度和非线性的特点,所以针对基于Modbus TCP协议的工控系统提出一种融合Fisher分析、核主成分分析法和多新息扩展Kalman粒子群方法的攻击检测模型。利用Fisher分析和核主成分分析法(kernel principal component analysis,KPCA)对初始数据集进行预处理,实现特征提取和降低数据维度的作用;使用多新息扩展Kalman粒子群算法对支持向量机进行参数寻优,使用以前时刻的新息和当前时刻粒子观测值预估粒子位置,避免传统粒子群算法易陷入局部极小和扩展卡尔曼滤波算法在强非线性系统易导致精度降低的问题。在原始数据集上的仿真结果表明,所提算法在检测准确率、精确率和误报率上与传统的检测算法比较有显著的的提高。展开更多
文摘由于中压配电网变电站常采用中性点不接地方式,所以当线路单相断线后断口两侧的导线均不接地或是非电源侧导线落地等情况发生时,没有明显的故障特征产生,且无法通过变电站内现有的继电保护装置对故障进行检测。为解决这一难题,我们基于配用电信息系统数据和改进的AdaBoost算法,用纯数据驱动的方法,提出一套智能检测配电网断线的系统,可应用于实时的故障检测,这是文中的一大创新之处。其次,我们改进了AdaBoost算法,提出FC-AdaBoost算法(Feature Considered AdaBoost Algorithm),该算法可以改进AdaBoost算法本身无法对特征进行筛选的缺点。我们以华东某地区配用电信息系统中的历史数据为依据进行实际算例分析,证明了该方法比AdaBoost以及其他常用的机器学习算法更具优越性。
文摘特征选择是攻击检测算法中的一种重要方法,该方法多采用交叉验证递归特征消除(Recursive Feature Elimination with Cross-Validation,RFECV)技术,并通常结合机器学习算法使用。但该算法多用于选取单模型特征,其性能也极易受特征量、学习器的变化而波动,因其计算量大,该算法的分类准确率也仍需提高。针对上述问题,文中提出了一种基于特征重要度二次筛选的DDoS攻击随机森林检测方法。首先,该算法对原始数据集进行预处理并提取特征;其次,该算法为了从所选模型中选择最相关的变量,使用RF变量重要度准则,利用随机森林的重要性评分对变量进行排序;然后,在随机森林特征排序的基础上,对变量计算累积重要性并得到最重要变量;接着,使用所筛选出的最重要变量再次进行训练以生成分类模型,从而得出一组新的重要变量并将其定义为当前变量;最后,通过重要度准则,计算累积重要性来得到最终的最佳变量,从而有效地去除异常点,避免局部最优,进而实现对DDOS攻击的精准分类检测。实验结果表明,该方法具有较高的准确度和精确度,能够实现对正常流量以及各种DDoS攻击流量的精准分类,适用于在大数据下检测DDoS攻击。
文摘建筑能耗的准确预测为电网系统进行高效管理和合理分配电能资源奠定了重要基础,而结合外因数据预测商业楼宇的负荷用电量是一个难点问题。根据建筑内人流量对用电负荷的影响,提出一种将融合移动人流数据的多维时间序列预测模型LMO(Linear Model with Occupancy)。利用楼宇负荷用电和移动人流时间序列的耦合性,LMO融合了多维特征,提高楼宇用电量预测的准确性。实验结果表明,LMO能够引入更多的先验知识,减少不确定性。因此,相比于传统方法,该预测方法具有更高的预测精度。
文摘因为工控系统数据有高维度和非线性的特点,所以针对基于Modbus TCP协议的工控系统提出一种融合Fisher分析、核主成分分析法和多新息扩展Kalman粒子群方法的攻击检测模型。利用Fisher分析和核主成分分析法(kernel principal component analysis,KPCA)对初始数据集进行预处理,实现特征提取和降低数据维度的作用;使用多新息扩展Kalman粒子群算法对支持向量机进行参数寻优,使用以前时刻的新息和当前时刻粒子观测值预估粒子位置,避免传统粒子群算法易陷入局部极小和扩展卡尔曼滤波算法在强非线性系统易导致精度降低的问题。在原始数据集上的仿真结果表明,所提算法在检测准确率、精确率和误报率上与传统的检测算法比较有显著的的提高。