基于IWOA-ELM-AE的电力资产信息管理系统异常数据检测方法

针对当前电力资产信息管理系统难以准确自主发现异常数据的问题,提出了一种基于IWOA-ELM-AE的电力资产信息管理系统异常数据检测方法。在管理系统框架下分析了可能存在的异常类型,将改进鲸鱼优化算法(IWOA)用于优化极限学习机自编码器(ELM-AE),建立了电力信息系统异常数据优化检测模型。将模型应用于电力资产信息异常数据检测,并建立性能评估指标体系以衡量其效果。结果表明:所提方法的检测性能评估结果与传统模型相比具有显著优势,能够更为准确地检测电力资产信息中存在的异常数据。

基于ASRUKF和IMC算法的电力信息物理系统虚假数据注入攻击检测

针对传统电力信息物理系统的虚假数据注入攻击(FDIA)检测精度低问题,提出了基于自适应SageHusa噪声无迹卡尔曼滤波(ASRUFK)和改进马尔科夫链(IMC)预测算法的电力信息物理系统FDIA检测方法。首先,通过加入随机插值调整状态区间,提出了一种改进马尔科夫链(IMC)预测算法;然后,利用ASRUKF和IMC预测算法分别对系统待测数据进行状态估计,根据2种预测算法状态估计结果的偏差值构建随机变量,利用Box-Cox将随机变量转换为服从正态分布的变量;最后,通过双边假设检验实现电力信息物理系统的FDIA检测。在IEEE-14节点和IEEE-30节点系统中验证了所提出方法的有效性和正确性。

基于值导数GRU的电力信息通信数据流量异常检测方法研究

为提高电力信息通信数据流量异常检测的准确度和灵敏度,提出基于值导数门控循环单元(GRU)的电力信息通信数据流量异常检测方法。采用小波变换方法,对电力信息通信数据流量进行降噪处理。利用改进聚类算法,对降噪后电力信息通信数据流量进行聚类处理。将聚类后电力信息通信数据流量输入值导数GRU模型,以实现电力信息通信流量异常检测。试验结果表明:该方法具有较好的电力信息通信数据流量降噪效果,能够有效提高电力信息通信数据流量异常检测准确度和灵敏度。该方法可用于网络通信、物联网中,对信息通信技术的发展具有重要意义。

基于深度学习的电力信息安全事件检测与响应系统设计

随着电力系统的不断发展,电力信息安全成为当前的研究热点。深度学习是一种高效的机器学习方法,能够从大量复杂数据中提取有价值的信息,在电力系统的安全监控中得到有效应用。深度学习技术的引入,为电力信息安全事件的检测与响应提供了新的解决方案。文章设计了基于深度学习的电力信息安全事件检测与响应系统,以期为相关研究提供借鉴。

电力信息物理系统网络攻击与防御研究综述(二)检测与保护

从针对电力信息物理系统(电力CPS)网络攻击的检测和保护两个方面,对当前国内外研究进行了梳理和归纳,发掘相关研究问题的本质和目的。在检测方面,介绍了基于偏差和特征的防御检测实现思路及其在信息侧和物理侧的实践方法;在保护方面,介绍了以被动防御为主的信息侧保护方法和基于资源配置和校正控制的物理侧保护方法。在现有研究基础上,对电力CPS网络攻击的检测和保护领域关键技术进行了提炼,并对未来研究方向进行了展望。

信息融合技术在电力系统故障检测中的应用探讨

电力系统故障产生各种故障信息,对故障信息全面分析、综合处理,能提高故障检测的精度和鲁棒性。为实现对各种传感器检测到的多源故障信息进行有机综合处理,需研究信息综合处理技术。信息融合技术是研究多源信息综合处理的新兴边缘学科,已在军事、信息处理等领域中有着成熟的应用。该文把信息融合技术应用于电力系统故障检测,介绍信息融合故障检测的模型与方法;分析信息融合技术在状态监测、继电保护中的应用技术;并以小电流接地系统故障选线为例,提出研究了模糊信息融合故障选线方法技术,提高了故障选线的灵敏度和可靠性。

基于大数据的电力信息网络流量异常检测机制

随着智能电网建设的加强,电力信息网络及其承载的业务系统得到迅猛发展,网络业务流量的检测和预警具有重要的安全意义。针对目前电力信息网络缺乏处理流量异常问题的有效技术手段,提出了一种基于大数据的电力信息网络流量异常检测机制,并通过对改进的局部异常因子(M-LOF)和支持向量域数据描述(SVDD)两种常用异常检测算法的对比分析,总结出适合电力信息网络的流量异常检测方法 。

防火墙和入侵检测系统在电力企业信息网络中的应用

如何保障电力企业信息网络的安全是当前电力企业信息建设的研究热点。文中通过分析电力企业信息网络的结构和对网络安全的要求 ,在归纳了防火墙和入侵检测系统在网络中的防御功能的基础上 ,提出了将防火墙和入侵检测系统运用到电力企业信息网络的具体方案 。

采用改进最小闭包球向量机的电力信息网络入侵检测方法

为降低电力信息网络入侵检测的检测误差和检测耗时,提出一种基于改进最小闭包球向量机(minimum enclosing ball vector machine,MEBVM)的入侵检测方法。该方法将入侵检测抽象成多分类问题,通过改进MEBVM对历史数据样本的训练学习来得到入侵检测模型。改进MEBVM利用最小闭包球降低检测耗时,并在训练过程中利用粒子群优化算法动态搜索MEBVM的最优训练参数以降低入侵检测模型误差。最后基于电力信息网络现场数据的实验证明,该方法与传统方法相比具有更高的检测精度和更少的检测耗时。

自适应预报方法用于电力系统故障信息检测的研究

鉴于电力系统故障分量对电力系统保护的重要影响，首次提出将参数辨识及自适应预报方法用于电力系统保护，用此方法提取故障分量将不受振荡、谐波及相继暂态过程的影响而获得准确的故障信息，为保护的快速、正确动作提供依据。

电力信息网络入侵检测研究

分析了电力信息网络安全结构及存在的入侵问题,提出将数据挖掘算法应用于电力信息网络的入侵检测。在入侵检测中使用关联规则分析算法,挖掘网络数据流中特征之间的关联关系。提出了一种针对网络入侵检测规则生成方法的AR_Tree算法,该算法解决了传统关联规则算法存在的多次扫描和无效规则问题。实验证明,此算法在规则生成和对网络入侵检测方面应用效果比传统算法优越,可以有效检测电力信息网络中的入侵行为。

入侵检测系统在电力信息网络中的应用

介绍电力系统信息网络的特点和整体安全需求及各技术层面的解决办法,重点分析网络层的安全设计策略,即在中心控制台采用基于数据挖掘技术的网络入侵检测系统,可以实时地把握关键网段中的入侵动向。

探讨入侵检测技术在电力信息网络安全中的应用

当前,电力信息系统已经得到了比较广泛的应用,电力部门在实现管理信息化的同时,其所面临的安全问题也日益严峻,可以说电力信息的安全问题已经成为电力系统安全和稳定运行的隐患。在本文中,笔者结合自身经验,系统分析了电力信息网络安全结构中存在的入侵问题,并提出了把数据挖掘算法应用到电力信息网络入侵检测的想法,以此条电力信息网络的安全。

入侵检测系统——在电力信息网中的管理与应用

保障电力企业信息网络的安全是当前电力企业信息化建设的重点.介绍入侵检测系统的原理及分类,并以电力企业信息网为例,论述入侵检测策略管理和高风险安全事件管理,重点阐述了入侵检测系统在实际应用中的管理和意义.

入侵检测技术在电力信息网络安全中的应用分析

目前,电力信息系统得到了较为广泛的应用。电力信息系统在应用过程中将面临诸多问题,主要体现在信息安全方面,显然信息安全问题会对整体电力系统的正常及安全运行构成极大的威胁。本文笔者对基于电力信息网络安全中的入侵检测技术展开了探讨,希望以此为电力信息网络的安全提供一些具有价值性的参考依据。

电力信息网络节点安全检测和评估技术研究

随着经济发展,电力行业信息化也得以不断发展,由于电力行业关系着国家经济命脉,影响着各行各业的产生,所以其安全性就成为了现代人重点关注问题。对于电力信息网络节点来说,是构成电力信息网络的最基本单位,只要确保电力信息网络节点安全,就可以将风险降到最低,因此,怎样强化电力信息网络节点安全就成为现阶段最重要的研究课题。本文将从节点安全检测与评估技术基本情况入手,分别研究电力信息网络节点安全检测管理与评估技术管理。

考虑双侧特征的电力信息物理系统异常检测方法

电力信息物理系统的主动异常检测能够弥补传统以隔离为主的防御手段的不足,实现对突破安全边界的攻击行为的检测。针对仅依靠信息侧通信特征的传统检测方法存在的高误报率及漏报率,文章计及电力系统状态对通信网络流量的影响,从信息-物理联合角度提出一种异常流量检测方法。该方法先通过数据驱动的通信行为特征异常检测方法实现异常流量初筛,同时提取异常流量对应物理侧特征,通过一种基于双侧特征的异常溯源方法区分故障流和攻击流,从而实现对攻击行为的准确检测。基于电力信息物理联合仿真平台实验构造了实验数据集,验证了所提方法能够在保证较高的攻击检测准确率的同时大幅降低误报率。

基于改进k-means的电力信息系统异常检测方法

电力信息系统可用于管控电力设备,检测电力信息系统的异常对维持电力设备的稳定运行具有重要意义,但传统的异常检测方法难以检测电力信息系统中存在的多个指标综合异常的情况,为解决该问题,提出一种基于改进k-means算法的异常检测方法.将数据空间划分为网格,以网格均值点映射该网格内所有样本点来压缩数据,减少了计算量;通过引入基于聚类边界密度和簇密度移动聚类边界的机制,提高k-means算法的准确率,以准确识别正常模式;通过计算数据与正常模式的偏离程度,检测异常.实验结果表明,该方法能准确挖掘多指标综合异常,与其他异常检测方法比较,检测运行时间由16.44s减少到0.55s,异常检测的准确率提高了5.2%,在电力运维异常检测领域具有良好的工程应用前景.

基于CNN-LSSVM的电力系统虚假数据攻击检测

新型信息物理电力系统是实现双碳目标的关键环节,但针对状态估计的新型虚假数据攻击可以欺骗现有安全检测机制,给电力系统安全运行带来巨大挑战。为检测状态估计中虚假数据,以电网交流模型为研究对象分析恶意攻击的欺骗特性,结合CNN(卷积神经网络)提取数据的空间特征优势和LSSVM(最小二乘支持向量机)的数据分类能力,构建了基于CNN-LSSVM的攻击检测模型。基于IEEE 14总线电力系统数据验证了所提出的CNN-LSSVM检测模型的有效性,其检测准确率达到94.6%。

基于DNSAE和随机森林的电力信息网络入侵检测模型

随着电力行业逐步跨入新型数字化全面互联时代,电力物联网在其中扮演着越来越重要的角色。在电力物联网快速发展的同时,负责承载数据流和信息流的电力信息网络存在遭受入侵的风险,而网络流量的异常检测将成为解决这一问题的重要手段。文章提出一种基于深度非对称稀疏自编码器(deep nonsymmetric sparse autoencoder,DNSAE)和随机森林(random forest,RF)的网络入侵检测模型,在保证准确率的同时,实现更快速高效的识别。首先由DNSAE对网络流量数据进行特征提取,再将得到的抽象特征数据训练随机森林。实验结果表明,与深度信念网络(deep belief network,DBN)和堆叠非对称自编码器(stacked nonsymmetric deep autoencoder,S-NDAE)相比,此模型具备更高的检测效率。