CN111027058A - 一种电力***检测数据攻击的方法、计算机设备和存储介质 - Google Patents
一种电力***检测数据攻击的方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111027058A CN111027058A CN201911097514.2A CN201911097514A CN111027058A CN 111027058 A CN111027058 A CN 111027058A CN 201911097514 A CN201911097514 A CN 201911097514A CN 111027058 A CN111027058 A CN 111027058A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- time
- value
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 230000015654 memory Effects 0.000 claims abstract description 65
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 210000004027 cell Anatomy 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000001343 mnemonic effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力***检测数据攻击的方法、计算机设备和存储介质,包括:获取数据驱动电力***历史量测数据并对其进行归一化预处理;时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。实施本发明,攻击检测的准确率更高、检测的时间间隔合理、检测的泛化性能更好,检测器能够识别虚假数据,从而采取有效及时的措施。
Description
技术领域
本发明属于电力监测领域,涉及一种电力***检测数据攻击的方法、计算机设备和存储介质。
背景技术
目前,随着第三次工业革命的基本完成与能源工业***物联网3.0的逐步推进,泛在电力物联网与坚强智能电网组成的能源互联网逐渐在电力***领域得到深入研究与应用。作为能源互联网重要组成部分的电力信息物理融合***的组成与运作机理趋于复杂,新一代能源电力***代表一次设备的能量流与代表二次设备的信息流紧密耦合且高效率相互作用。因此,电力***的量测信息容易受到攻击篡改,从而使电力***信息安全风险增大。针对电力***中可能发生的信息攻击的特性与后果进行相关探究,并初步构建风险感知机对量测数据进行异常检测,可以降低电力***信息攻击的风险与损失,为新一代能源互联网发展的规划设计、安全稳定、调度分配、紧急控制提供相应参考。
国内外相关电力部门大多采用EMS/SCADA***基于状态估计与坏数据识别(BadData Detection,BDD)来对相量同步量测单元(Phasor Measurement Unit,PMU)、远方终端(Remote Terminal Unit,RTU)等量测单元上传至调控中心的不良数据进行检测识别并随之剔除。具体地,电力***基于状态估计的不良数据的实用检测方法多为最小二乘法与基于卡尔曼滤波的递推状态估计法,并未考虑篡改攻击等外来网络攻击的特点。同时,网络攻击者掌握实际电力***拓扑数据时可以构造并注入虚假数据(False Data InjectionAttack,FDIA)以成功绕过BDD,虚假数据使电力***错误决策从而逐步失稳,最终造成大停电事故。总之,仅依靠传统的状态估计检测不良数据在新一代泛在电力物联网信息***中无法充分保障网络安全。
现有技术中,基于神经网络、基于模糊理论与聚类分析、基于间歇统计、基于支持向量机、基于贝叶斯网络等检测异常数据新方法被相关研究者提出。上述方法在一定程度上能成功辨识不良数据,但大部分只考虑了量测数据的空间关联性或时间关联性,未充分挖电力***数据的复杂时空特性,其监测水准仍待进一步提升。同时,为了提升框架的检测性能,深度学习框架的构建使上述大部分方法在训练时消耗大量计算机资源,收敛时间增加,其监测的实时性与实用性无法得到充分保障。量测单元上传至控制中心的数据普遍具有时空关联性,时间关联性指同一量测值在时间上的变化特性,而空间关联性指同一时间段内全网或某区域多个量测值关联性。
发明内容
本发明实施例所要解决的技术问题在于,提供一种电力***检测数据攻击的方法、计算机设备和存储介质,解决现有技术中没有基于时空关联性的检测器架构,检测准确度低,识别虚假数据的成功率差,无法有效保护电力***信息安全的问题。
本发明的一方面,提供一种电力***检测数据攻击的方法,其包括如下步骤:
步骤S1,获取数据驱动电力***历史量测数据并对其进行归一化预处理;
步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;
步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
进一步,在步骤S1中,所述进行预处理与归一化操作具体过程包括:
步骤S11,将保存在本地的历史原始PMU/RTU量测数据读取到检测器的存储器中,按照不同区域、不同量测单元与不同调度单位进行预处理;
步骤S12,将PMU数据分类为电压幅值、电压相位、电流幅值和电流相位,当检测器同时对电力***某区域的m个量测单元进行训练学习,采样时间序列长度为T,一个量测单元量测参数个数为n,数据的维度为d=m×n,数据集用下公式进行表示为:
检测器数据挖掘将时间段的数据重塑为一个时间片段值,最终获得的数据表示为:
进一步,在步骤S11中,所述预处理根据以下公式进行归一预处理:
其中,yscaler为归一化之后的量测值,分布于ymin到ymax之间,ymin为归一化后值的最小值,ymax为归一化后的最大值,xmin为实际量测值的最小值,xmax为实际量测值的最大值,而x表示该次归一化处理的实际量测值。
进一步,在步骤S2中,根据以下公式进行卷积神经网络抓取数据空间特征:
其中,为输入的量测数据,为第一层卷积层的第j个特征图的卷积核,M为卷积过程中每次滑动时所选取的矩阵块值,b表示偏置矩阵参数,down(.)为池化函数,βj表示可训练的标量,Q2表示池化过程中的池化块的大小,Flatten为一维化函数,ReLU函数为常见的修正线性激活函数,w(n)是神经网络误差反向传播时模型需要不断调整的参数。
进一步,在步骤S3中,根据依以下公式进行长短时记忆神经网络抓取数据时间特征:
ft=σ(Wxfxt+Whfht-1+bf)
it=σ(Wxixt+Whiht-1+bi)
ot=σ(Wxoxt+Whoht-1+bo)
ht=ottanh(ct)
其中,ft为遗忘门的遗忘系数,σ为sigmoid激活函数,W为权重矩阵,xt为当前时刻的输入值,ht-1为上一时刻的元胞隐藏层的输出值,b为偏置矩阵,it为输入门的权重值系数,为新输入元胞的状态值,tanh为激活函数,ct为更新后当前状态的元胞状态,ct-1为上一时刻的元胞的状态值,ot为输出门的权重系数值,ht为隐藏层的输出值。
进一步,在步骤S4中,所述设置Dropout层、批量标准化层的具体过程为,在当检测器对数据进行训练并拟合时,按概率随机断开神经元之间的连接使得检测器不过多学习到训练集特有的局部特征;
通过正则化规范方法把每个神经元的输入值的分布强行处理为均值为0方差为1的标准正态分布,根据以下公式调整每个神经元的输入与输出反馈:
y(k)=γ(k)x(k)+β(k)
其中,为第k个被标准化之后的神经网络输入数据值,x(k)为原始的输入数据值,E[.]为求其输入数据的均值,Var[.]为求其输入数据值的方差值,y(k)为输入数据对应的神经网络输出值,γ为神经网络训练时的权值参数,β为神经网络训练时的权值偏置。
进一步,在步骤S4中,所述长短时记忆神经网络的输出层设置注意力机制具体根据以下公式:
hi=oitanh(ci)=f1(xi,hi-1)tanh(f2(xi,hi-1))=f(xi,hi-1)
eti=vTtanh(Whhi+Wsst-1+b)
其中,hi为i时刻长短时记忆神经网络网络隐藏层输出值,oi为长短时记忆神经网络网络的输出门的权重系数值,ci为长短时记忆神经网络元胞当前状态,αti为当前的输出st对数据值所分配的权值系数,st为基于注意力机制的输出向量值。
进一步,在步骤S5中,所述长短时记忆神经网络的输出层设置支持向量机分类器具体过程为,输出层设置支持向量机分类器对是否发生量测数据网络攻击进行决策,其具体如下列公式所示:
f(x)=ωTx+b
相应的,本发明提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下的步骤:
获取数据驱动电力***历史量测数据并对其进行归一化预处理;
时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;
进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
相应地,本发明的又一方面还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下的步骤;
获取数据驱动电力***历史量测数据并对其进行归一化预处理;
时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;
进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
实施本发明实施例,具有如下有益效果:
本发明实施例提供一种电力***检测数据攻击的方法、计算机设备和存储介质,融合了卷积神经网络有效提取量测数据空间特征、长短时记忆神经网络长短时记忆神经网络适用于长时间序列数据特征学习,利用支持向量机分类器的分类性能提升了检测器的泛化性能与鲁棒性;
在离线学习中验证了本文提出的检测器相较于其他学习器而言拥有更好的学习性能,即攻击检测的准确率更高、检测的时间间隔合理、检测的泛化性能更好,能够运用于电力***量测信息攻击检测中,具有较好的应用前景;
利用量测数据的复杂时空特性对攻击检测器进行训练可以有效保障电力***信息安全,检测器能够识别虚假数据,从而采取有效及时的措施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种电力***检测数据攻击的方法的主流程示意图。
图2为本发明实施例中卷积神经网络提取数据空间特征过程的示意图。
图3为本发明实施例提供的长短时记忆神经网络单个神经元的结构图。
图4本发明实施例提供的基于注意力机制的长短时记忆神经网络模型的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,示出了本发明提供的一种电力***检测数据攻击的方法的一个实施例的主流程示意图,在本实施例中,所述方法包括如下步骤:
步骤S1,获取数据驱动电力***历史量测数据并对其进行归一化预处理;
具体实施例中,所述进行预处理与归一化操作具体过程包括:
步骤S11,将保存在本地的历史原始PMU/RTU量测数据读取到检测器的存储器中,按照不同区域、不同量测单元与不同调度单位进行预处理,其中包括对不同基准功率、电压等级的折算及数据格式的统一化等;
具体的,所述预处理根据以下公式进行归一预处理:
其中,yscaler为归一化之后的量测值,分布于ymin到ymax之间,ymin为归一化后值的最小值,ymax为归一化后的最大值,xmin为实际量测值的最小值,xmax为实际量测值的最大值,而x表示该次归一化处理的实际量测值。
步骤S12,量测数据在预处理中按照一定的规律进行排列,将PMU数据分类为电压幅值、电压相位、电流幅值和电流相位,当检测器同时对电力***某区域的m个量测单元进行训练学习,采样时间序列长度为T,一个量测单元量测参数个数为n,数据的维度为d=m×n,数据集用下公式进行表示为:
检测器数据挖掘将时间段的数据重塑为一个时间片段值,最终获得的数据表示为:
步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征,通过训练使卷积神经网络将空间特征值有效提取出来,方便后续步骤中进行时间序列的学习预测;
具体实施例中,根据以下公式进行卷积神经网络抓取数据空间特征:
其中,为输入的量测数据,为第一层卷积层的第j个特征图的卷积核,M为卷积过程中每次滑动时所选取的矩阵块值,b表示偏置矩阵参数,down(.)为池化函数,βj表示可训练的标量,Q2表示池化过程中的池化块的大小,Flatten为一维化函数,ReLU函数为常见的修正线性激活函数,w(n)是神经网络误差反向传播时模型需要不断调整的参数;
卷积神经网络出现后很好地解决了多层感知机神经网络的问题,通过将多层感知机的神经元全连接改为局部连接,有效降低了网络的复杂程度,减少了学习过程中参数的调节环节,解决了过拟合的问题;卷积神经网络的网络模型可以根据实际训练数据而逐步调整,大多数由输入层、输出层与多个卷积层、池化层、全连接层组成,如图2所示,输入层提取相应数据后卷积层数据特征进行多次抓取并保留多个特征图,为了减小数据维度池化层对卷积层特征图进行池化汇总,往复几次后通过全连接层将相应结果输出为一维的特征向量,输出层一般采用softmax函数用于多分类。
步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
具体实施例中,如图3所示,根据依以下公式进行长短时记忆神经网络抓取数据时间特征:
ft=σ(Wxfxt+Whfht-1+bf)
it=σ(Wxixt+Whiht-1+bi)
ot=σ(Wxoxt+Whoht-1+bo)
ht=ottanh(ct)
其中,输入门由新输入元胞状态值与输入门权重值it两部分组成,两者皆由当前时刻输入值xt、上一时刻元胞隐藏层输出ht-1、权重矩阵W与偏置b组成,W为权重矩阵,xt为当前时刻的输入值,ht-1为上一时刻的元胞隐藏层的输出值,b为偏置矩阵,为新输入元胞的状态值,决定t时刻输入数据的数值,it为输入门的权重值系数,则决定是否让该数据流入元胞中,前者一般使用tanh作为激活函数,后者则使用sigmoid函数;
遗忘门由遗忘系数ft组成,其组成同上述类似,作为长短时记忆神经网络网络的重要组成部分,遗忘门通过把控上一时刻元胞状态值ct-1流入的权重值来调节误差梯度,避免了梯度***与梯度消失;元胞新状态值为ct,其由上一时刻元胞值与新输入元胞值通过权重分配而组成,当输入门的权重为0时任何数据无法进入元胞,当遗忘门的数值为0时表示元胞丢弃了历史序列数据信息;
输出门由输出门权重值ot与隐藏层输出ht组成,同理,当输出门权重值为0时,任何数据都无法输出;当输入门和输出门都被关闭时数据值便被锁定在该元胞中,这样可以使该数据值不会增加或减少,也不会对当前的输出造成影响。
具体的,长短时记忆神经网络网络能够有效抓取到大量离线时间序列量测值的时间特性,也能够不因为新的数据加入而遗忘历史数据的变化趋势;长短时记忆神经网络网络通过输入历史时刻序列预测下一时刻的数据值,历史时刻序列的长度称为lookback;因此,长短时记忆神经网络网络经过设置合适的lookback数值与有效训练后输出预测值与真实值进行比对,从而可以及时辨识出在时间维度上的异常数据并迅速预警。
步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
具体实施例中,所述设置Dropout层、批量标准化层的具体过程为,在当检测器对数据进行训练并拟合时,按概率随机断开神经元之间的连接使得检测器不过多学习到训练集特有的局部特征;
通过正则化规范方法把每个神经元的输入值的分布强行处理为均值为0方差为1的标准正态分布,有效防止激活输入值随着网络深度加深或者在训练过程中分布逐渐发生偏移或者变动而靠近非线性函数(激活函数)的饱和区,而神经元的输入值进入饱和区后模型的收敛过程将会变得十分困难。因此,批量标准化能有效解决由于网络深度加深而导致调参、训练和收敛困难的难题,根据以下公式调整每个神经元的输入与输出反馈:
y(k)=γ(k)x(k)+β(k)
其中,为第k个被标准化之后的神经网络输入数据值,x(k)为原始的输入数据值,E[.]为求其输入数据的均值,Var[.]为求其输入数据值的方差值,y(k)为输入数据对应的神经网络输出值,γ为神经网络训练时的权值参数,β为神经网络训练时的权值偏置;
具体的,如图4所示,为了减少检测器学习时的计算机资源消耗并提高检测器的检测准确率,所述长短时记忆神经网络的输出层设置注意力机制具体根据以下公式:
hi=oitanh(ci)=f1(xi,hi-1)tanh(f2(xi,hi-1))=f(xi,hi-1)
eti=vTtanh(Whhi+Wsst-1+b)
其中,hi为i时刻长短时记忆神经网络网络隐藏层输出值,oi为长短时记忆神经网络网络的输出门的权重系数值,ci为长短时记忆神经网络元胞当前状态,其由当前的输入数据xi与上一时刻的隐藏层输出hi-1决定,αti为当前的输出st对数据值所分配的权值系数,即注意力权重,该值越大代表输出对输αti入数据的权重值越大,eti为学习的权重值,分别由学习参数矩阵转置v、系数矩阵W与偏置矩阵b所决定,参数皆在学习过程中收敛并确定,最终该矩阵块值输出st为基于注意力机制的输出向量值,其对不同时刻的长短时记忆神经网络元胞输出值分别赋予不同的权值并求和。
具体的,长短时记忆神经网络网络在训练数据时每个子网单元需要4个线性MLP层,消耗大量带宽与计算机资源,当对大规模电力***历史量测数据进行学习时由于数据的维度与序列长度的***式增长导致其模型训练困难;基于注意力机制的模型可以使网络当前输出聚焦至重要的隐藏层输出ht,能够有效降低训练时的硬件需求,如图4为基于注意力机制的长短时记忆神经网络网络。
hi=oitanh(ci)=f1(xi,hi-1)tanh(f2(xi,hi-1))=f(xi,hi-1)
因此在T时间里,长短时记忆神经网络隐藏层输出为H=[h1,h2,...,ht,...,hT],则注意力机制可以简单地用向量α表示,而经过注意力聚焦后的状态向量可以用s表示,则有下列的公式表述:
α=softmax(wTtanh(H))
s=HαT
其中,wT为学习参数,为了更清楚地表示注意力机制的注意力转移的过程,上述也可以写成:
eti=vTtanh(Whhi+Wsst-1+b)
步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果,进一步提高检测器检测性能;
具体实施例中,所述长短时记忆神经网络的输出层设置支持向量机分类器具体过程为,输出层设置支持向量机分类器对是否发生量测数据网络攻击进行决策,其具体如下列过程:
支持向量机是用于序列数据分类和回归分析的一种强大的监督学***面,这个超平面能够让分类结果最具鲁棒性,并且在测试集上的泛化性能更加优良。对于二维平面中训练集D的线性分离,其分类函数可以表示为:
D={(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}
f(x)=ωTx+b
其中,D为二维的待分类的数据值,x与y为该数据的两个维度的数据,ωT为法向量,b为位移项,f(x)函数为一个划分超平面,为分类画好了一条直线(二维数据);
数据D中的任意数据点到超平面f(x)的距离用以下公式表示:
其中,yi为数据的标签,对于二元分类的问题来说,yi可以设定为0和1,也可以设定为-1与1,上述公式即考虑yi=1或-1来寻找最大间隔以满足分类的条件。
相应地,本发明的又一方面还提供一种计算机设备,该计算机设备包括通过***总线连接的处理器、存储器、网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
本领域技术人员可以理解的是,上述计算机设备的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比上述情况中更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供的这种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下的步骤:
获取数据驱动电力***历史量测数据并对其进行归一化预处理;
时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;
进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
相应地,本发明的又一方面还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下的步骤;
获取数据驱动电力***历史量测数据并对其进行归一化预处理;
时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;
进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
可以理解的是,上述计算机设备以及计算机可读存储介质中涉及的各步骤的更多细节可以参考前述方法的限定,在此不再赘述。
其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
更多的细节,可以参照并结合前述对图1至图4的描述,在此不进行详述。
实施本发明实施例,具有如下有益效果:
本发明实施例提供一种电力***检测数据攻击的方法、计算机设备和存储介质,利用时空关联性的检测器框架对数据驱动电力***的量测数据进行异常辨识,从而及时避免信息***的故障扩散到能量***中来,进而最大限度地保持电力***的安全性与稳定性,本发明具有更高的可靠性与稳定性,这也对维持电力***的暂态、稳态稳定具有重要的间接意义;
融合了卷积神经网络与长短时记忆神经网络对量测数据的空间关联性与时间关联性进行数据挖掘,实验证明考虑时空关联性的框架比考虑单一空间关联性与时间关联性的方法的检测准确率高;同时,在长短时记忆神经网络的输出层加入注意力机制,有效减少了训练时的收敛时间与计算机资源;为了进一步提升检测器的性能,采用结构风险最小化的向量机分类器与长短时记忆神经网络的输出层相结合,框架的检测准确率进一步提升;在框架中加入适当的Dropout与批量标准化,有效地防止学习器在训练时陷入局部最优解与过拟合;
融合了卷积神经网络有效提取量测数据空间特征、长短时记忆神经网络长短时记忆神经网络适用于长时间序列数据特征学习,利用支持向量机分类器的分类性能提升了检测器的泛化性能与鲁棒性;
在离线学习中验证了本文提出的检测器相较于其他学习器而言拥有更好的学习性能,即攻击检测的准确率更高、检测的时间间隔合理、检测的泛化性能更好,能够运用于电力***量测信息攻击检测中,具有较好的应用前景;
利用量测数据的复杂时空特性对攻击检测器进行训练可以有效保障电力***信息安全,检测器能够识别虚假数据,从而采取有效及时的措施。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种电力***检测数据攻击的方法,其特征在于,包括如下步骤:
步骤S1,获取数据驱动电力***历史量测数据并对其进行归一化预处理;
步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征;
步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征;
步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层,同时长短时记忆神经网络的输出层设置注意力机制;
步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
2.如权利要求1所述的方法,其特征在于,在步骤S1中,所述进行预处理与归一化操作具体过程包括:
步骤S11,将保存在本地的历史原始PMU/RTU量测数据读取到检测器的存储器中,按照不同区域、不同量测单元与不同调度单位进行预处理;
步骤S12,将PMU数据分类为电压幅值、电压相位、电流幅值和电流相位,当检测器同时对电力***某区域的m个量测单元进行训练学习,采样时间序列长度为T,一个量测单元量测参数个数为n,数据的维度为d=m×n,数据集用下公式进行表示为:
检测器数据挖掘将时间段的数据重塑为一个时间片段值,最终获得的数据表示为:
5.如权利要求4所述的方法,其特征在于,在步骤S3中,根据依以下公式进行长短时记忆神经网络抓取数据时间特征:
ft=σ(Wxfxt+Whfht-1+bf)
it=σ(Wxixt+Whiht-1+bi)
ot=σ(Wxoxt+Whoht-1+bo)
ht=ottanh(ct)
6.如权利要求5所述的方法,其特征在于,在步骤S4中,所述设置Dropout 层、批量标准化层的具体过程为,在当检测器对数据进行训练并拟合时,按概率随机断开神经元之间的连接使得检测器不过多学习到训练集特有的局部特征;
通过正则化规范方法把每个神经元的输入值的分布强行处理为均值为0方差为1的标准正态分布,根据以下公式调整每个神经元的输入与输出反馈:
y(k)=γ(k)x(k)+β(k)
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097514.2A CN111027058B (zh) | 2019-11-12 | 2019-11-12 | 一种电力***检测数据攻击的方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097514.2A CN111027058B (zh) | 2019-11-12 | 2019-11-12 | 一种电力***检测数据攻击的方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027058A true CN111027058A (zh) | 2020-04-17 |
CN111027058B CN111027058B (zh) | 2023-10-27 |
Family
ID=70201368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911097514.2A Active CN111027058B (zh) | 2019-11-12 | 2019-11-12 | 一种电力***检测数据攻击的方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027058B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600393A (zh) * | 2020-06-18 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 变电站不同电压等级的电压量测数据归算方法及识别方法 |
CN111651337A (zh) * | 2020-05-07 | 2020-09-11 | 哈尔滨工业大学 | 一种sram存储器空间服役故障分类失效检测方法 |
CN111669384A (zh) * | 2020-05-29 | 2020-09-15 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量检测方法 |
CN111669385A (zh) * | 2020-05-29 | 2020-09-15 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量监测*** |
CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN112072708A (zh) * | 2020-07-27 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种提升电力***风电消纳水平的方法 |
CN112115184A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 时间序列数据的检测方法、装置、计算机设备及存储介质 |
CN112115999A (zh) * | 2020-09-15 | 2020-12-22 | 燕山大学 | 一种时空多尺度神经网络的风电机组故障诊断方法 |
CN112383518A (zh) * | 2020-10-30 | 2021-02-19 | 广东工业大学 | 一种僵尸网络检测方法及装置 |
CN112464848A (zh) * | 2020-12-07 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
CN112906673A (zh) * | 2021-04-09 | 2021-06-04 | 河北工业大学 | 一种基于注意力机制的下肢运动意图预测方法 |
CN112929381A (zh) * | 2021-02-26 | 2021-06-08 | 南方电网科学研究院有限责任公司 | 一种虚假注入数据的检测方法、装置设备和存储介质 |
CN112926646A (zh) * | 2021-02-22 | 2021-06-08 | 上海壁仞智能科技有限公司 | 数据批量标准化方法、计算设备和计算机可读存储介质 |
CN113177366A (zh) * | 2021-05-28 | 2021-07-27 | 华北电力大学 | 一种综合能源***规划方法、装置和终端设备 |
WO2021212377A1 (zh) * | 2020-04-22 | 2021-10-28 | 深圳市欢太数字科技有限公司 | 用户数据的危险属性确定方法、装置以及电子设备 |
CN113709089A (zh) * | 2020-09-03 | 2021-11-26 | 南宁玄鸟网络科技有限公司 | 一种物联网过滤非法数据***及方法 |
CN113765880A (zh) * | 2021-07-01 | 2021-12-07 | 电子科技大学 | 一种基于时空关联性的电力***网络攻击检测方法 |
CN115051834A (zh) * | 2022-05-11 | 2022-09-13 | 华北电力大学 | 一种基于STSA-transformer算法的新型电力***APT攻击检测方法 |
CN115086029A (zh) * | 2022-06-15 | 2022-09-20 | 河海大学 | 一种基于双通道时空特征融合的网络入侵检测方法 |
CN116915513A (zh) * | 2023-09-14 | 2023-10-20 | 国网江苏省电力有限公司常州供电分公司 | 虚假数据注入攻击检测方法及装置 |
CN117527450A (zh) * | 2024-01-05 | 2024-02-06 | 南京邮电大学 | 一种配电网虚假数据注入攻击检测方法、***及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
US20180288086A1 (en) * | 2017-04-03 | 2018-10-04 | Royal Bank Of Canada | Systems and methods for cyberbot network detection |
CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力***状态估计方法 |
CN110213244A (zh) * | 2019-05-15 | 2019-09-06 | 杭州电子科技大学 | 一种基于时空特征融合的网络入侵检测方法 |
-
2019
- 2019-11-12 CN CN201911097514.2A patent/CN111027058B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180288086A1 (en) * | 2017-04-03 | 2018-10-04 | Royal Bank Of Canada | Systems and methods for cyberbot network detection |
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力***状态估计方法 |
CN110213244A (zh) * | 2019-05-15 | 2019-09-06 | 杭州电子科技大学 | 一种基于时空特征融合的网络入侵检测方法 |
Non-Patent Citations (1)
Title |
---|
杨永娇 等: ""一种基于深度 Encoder-Decoder 神经网络的智能 电网数据服务器流量异常检测算法"" * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212377A1 (zh) * | 2020-04-22 | 2021-10-28 | 深圳市欢太数字科技有限公司 | 用户数据的危险属性确定方法、装置以及电子设备 |
CN111651337A (zh) * | 2020-05-07 | 2020-09-11 | 哈尔滨工业大学 | 一种sram存储器空间服役故障分类失效检测方法 |
CN111651337B (zh) * | 2020-05-07 | 2022-07-12 | 哈尔滨工业大学 | 一种sram存储器空间服役故障分类失效检测方法 |
CN111669384A (zh) * | 2020-05-29 | 2020-09-15 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量检测方法 |
CN111669385A (zh) * | 2020-05-29 | 2020-09-15 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量监测*** |
CN111669384B (zh) * | 2020-05-29 | 2021-11-23 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量检测方法 |
CN111600393A (zh) * | 2020-06-18 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 变电站不同电压等级的电压量测数据归算方法及识别方法 |
CN112072708A (zh) * | 2020-07-27 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种提升电力***风电消纳水平的方法 |
WO2021139251A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN113709089A (zh) * | 2020-09-03 | 2021-11-26 | 南宁玄鸟网络科技有限公司 | 一种物联网过滤非法数据***及方法 |
CN112115999A (zh) * | 2020-09-15 | 2020-12-22 | 燕山大学 | 一种时空多尺度神经网络的风电机组故障诊断方法 |
WO2021169361A1 (zh) * | 2020-09-18 | 2021-09-02 | 平安科技(深圳)有限公司 | 时间序列数据的检测方法、装置、计算机设备及存储介质 |
CN112115184A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 时间序列数据的检测方法、装置、计算机设备及存储介质 |
CN112383518A (zh) * | 2020-10-30 | 2021-02-19 | 广东工业大学 | 一种僵尸网络检测方法及装置 |
CN112464848B (zh) * | 2020-12-07 | 2023-04-07 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
CN112464848A (zh) * | 2020-12-07 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
CN112926646A (zh) * | 2021-02-22 | 2021-06-08 | 上海壁仞智能科技有限公司 | 数据批量标准化方法、计算设备和计算机可读存储介质 |
CN112926646B (zh) * | 2021-02-22 | 2023-07-04 | 上海壁仞智能科技有限公司 | 数据批量标准化方法、计算设备和计算机可读存储介质 |
CN112929381A (zh) * | 2021-02-26 | 2021-06-08 | 南方电网科学研究院有限责任公司 | 一种虚假注入数据的检测方法、装置设备和存储介质 |
CN112906673A (zh) * | 2021-04-09 | 2021-06-04 | 河北工业大学 | 一种基于注意力机制的下肢运动意图预测方法 |
CN113177366A (zh) * | 2021-05-28 | 2021-07-27 | 华北电力大学 | 一种综合能源***规划方法、装置和终端设备 |
CN113177366B (zh) * | 2021-05-28 | 2024-02-02 | 华北电力大学 | 一种综合能源***规划方法、装置和终端设备 |
CN113765880A (zh) * | 2021-07-01 | 2021-12-07 | 电子科技大学 | 一种基于时空关联性的电力***网络攻击检测方法 |
CN115051834A (zh) * | 2022-05-11 | 2022-09-13 | 华北电力大学 | 一种基于STSA-transformer算法的新型电力***APT攻击检测方法 |
CN115051834B (zh) * | 2022-05-11 | 2023-05-16 | 华北电力大学 | 一种基于STSA-transformer算法的新型电力***APT攻击检测方法 |
CN115086029A (zh) * | 2022-06-15 | 2022-09-20 | 河海大学 | 一种基于双通道时空特征融合的网络入侵检测方法 |
CN116915513A (zh) * | 2023-09-14 | 2023-10-20 | 国网江苏省电力有限公司常州供电分公司 | 虚假数据注入攻击检测方法及装置 |
CN116915513B (zh) * | 2023-09-14 | 2023-12-01 | 国网江苏省电力有限公司常州供电分公司 | 虚假数据注入攻击检测方法及装置 |
CN117527450A (zh) * | 2024-01-05 | 2024-02-06 | 南京邮电大学 | 一种配电网虚假数据注入攻击检测方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111027058B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027058B (zh) | 一种电力***检测数据攻击的方法、计算机设备和存储介质 | |
Shi et al. | Artificial intelligence techniques for stability analysis and control in smart grids: Methodologies, applications, challenges and future directions | |
Zhang et al. | Review on deep learning applications in frequency analysis and control of modern power system | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
Li et al. | Application of novel hybrid deep leaning model for cleaner production in a paper industrial wastewater treatment system | |
Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
CN116245033B (zh) | 人工智能驱动的电力***分析方法及智能软件平台 | |
Zhu et al. | Data/model jointly driven high-quality case generation for power system dynamic stability assessment | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及*** | |
Kumar et al. | Wind speed prediction using deep learning-LSTM and GRU | |
Wu et al. | Identification and correction of abnormal measurement data in power system based on graph convolutional network and gated recurrent unit | |
Beattie et al. | A robust and explainable data-driven anomaly detection approach for power electronics | |
Chen et al. | Distribution-aware graph representation learning for transient stability assessment of power system | |
Adhikari et al. | Real-Time Short-Term Voltage Stability Assessment using Temporal Convolutional Neural Network | |
Bento et al. | An Overview Of The Latest Machine Learning Trends In Short-Term Load Forecasting | |
Wang et al. | A locational false data injection attack detection method in smart grid based on adversarial variational autoencoders | |
Yuanyuan et al. | Artificial intelligence and learning techniques in intelligent fault diagnosis | |
Pei et al. | Data-driven measurement tampering detection considering spatial-temporal correlations | |
Zhu et al. | Power system short‐term voltage stability assessment based on improved CatBoost with consideration of model confidence | |
Chakrabarti et al. | A review on various artificial intelligence techniques used for transmission line fault location | |
Wang et al. | A svm transformer fault diagnosis method based on improved bp neural network and multi-parameter optimization | |
Wang et al. | Hierarchical FFT-LSTM-GCN based model for nuclear power plant fault diagnosis considering spatio-temporal features fusion | |
Yang et al. | Deep learning-based hybrid detection model for false data injection attacks in smart grid | |
Liu et al. | Adaptive robustness evaluation for complex system prognostics and health management software platform | |
Jie et al. | Investigation on Power System Dynamic Monitoring System Using Artificial Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |