虚假数据注入攻击(false data injection attack,FDIA)是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比...虚假数据注入攻击(false data injection attack,FDIA)是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充;然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题;最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30节点系统上的算例分析表明,与其他FDIA检测算法相比,文中方法增强了FDIA检测模型在有标签样本稀少和数据不平衡情况下的稳定性,提升了FDIA的识别精度并降低了误报率。展开更多
文摘提出了同位素稀释-液相色谱-串联质谱法测定鱼、虾、蟹、贝4类水产品中甲霜灵残留量的方法。取样品(5±0.05)g,加入10 ng的内标甲霜灵-d 6,静置10 min,用10 mL含1%(体积分数)乙酸的乙腈溶液涡旋混合、离心。取上清液,于45℃氮吹至0.5 mL以下,加入7.5 mL 20%(体积分数,下同)乙腈溶液混匀,用7.5 mL正己烷去脂,Agela Cleanert S C_(18)固相萃取柱富集净化。所得溶液于45℃氮吹至干,用1 mL 20%乙腈溶液复溶,混匀后过0.22μm针式水相尼龙滤膜,滤液收集至进样小瓶中。以SHISEIDO CAPCELL PAK C_(18)色谱柱为固定相,以不同体积比的0.1%(体积分数)甲酸溶液和乙腈的混合液为流动相进行梯度洗脱,内标法定量。结果表明,甲霜灵标准曲线的线性范围为1.0~100.0μg·L^(-1),检出限(3S/N)为0.5μg·kg^(-1)。以不同品种水产品为空白基质,在1.0,2.0,10.0μg·kg^(-1)等3个浓度水平下,甲霜灵的回收率为93.8%~105%,测定值的相对标准偏差(n=6)均小于13%。
文摘虚假数据注入攻击(false data injection attack,FDIA)是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充;然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题;最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30节点系统上的算例分析表明,与其他FDIA检测算法相比,文中方法增强了FDIA检测模型在有标签样本稀少和数据不平衡情况下的稳定性,提升了FDIA的识别精度并降低了误报率。