CN105867347B - 一种基于机器学习技术的跨空间级联故障检测方法 - Google Patents
一种基于机器学习技术的跨空间级联故障检测方法 Download PDFInfo
- Publication number
- CN105867347B CN105867347B CN201610188061.4A CN201610188061A CN105867347B CN 105867347 B CN105867347 B CN 105867347B CN 201610188061 A CN201610188061 A CN 201610188061A CN 105867347 B CN105867347 B CN 105867347B
- Authority
- CN
- China
- Prior art keywords
- information
- fault
- space
- threat
- working state
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013499 data model Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 230000001681 protective effect Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 8
- 239000000523 sample Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication 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
- 238000013480 data collection Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于机器学习技术的跨空间级联故障检测方法,所述方法包括:通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型;基于所述数据模型,输入当前信息空间元件的工作状态参数,获取信息威胁故障检测结果;根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障。本发明提供的方法,能够明确由信息威胁引发的跨空间级联故障成因基础上,通过机器学习技术对大量检测数据的训练得到检测模型,进而利用该模型实现快速、准确的跨空间级联故障早期告警,以辅助决策人员采取合理的防护措施。
Description
技术领域
本发明涉及网络信息安全技术领域,具体涉及一种基于机器学习技术的跨空间级联故障检测方法。
背景技术
近年来第三次工业革命、“互联网+”、大数据等新颖技术和概念的不断涌现,极大的改变了能源行业的传统工作模式,越来越多信息设备及系统在能源行业取得大规模应用,现代物理能量系统正在变得更加智能化、分布化、互动化,如当前大量间歇性、分布式、可再生能源广泛接入电力系统。未来的能源供应方式将实现信息空间与物理能量系统的深度融合与智能化协同工作。但物理能量系统的安全问题不容忽视,特别是近几年发生的“北美8.14大停电”、伊朗震网病毒事件、乌克兰电网遭恶意攻击停运等事故表明物理能量系统的故障类型已经由原先的单一物理故障演化为跨空间级联故障。跨空间级联故障将是未来干扰能量物理系统正常工作的重要因素,特别是由信息威胁引发的跨空间级联故障的源头在信息空间,故障的最终影响点在电力系统,其产生和传播过程跨越了信息空间和电力系统,其危害性比传统物理能量系统的故障更高。因此研究针对跨空间级联故障的检测方法,具有极强的理论意义和实际价值。
现有的能源互联网、电力信息物理系统等业务场景中的威胁检测方法主要是从信息威胁和物理能量故障两个层面分别独立进行,两者之间相互独立缺少联系,缺少针对由信息威胁引发的跨空间级联故障的检测技术。信息威胁的检测以入侵检测技术为主,入侵检测是对入侵行为的检测,入侵检测系统通过收集网络及计算机系统内所有关键节点的信息,检查网络或系统中是否存在违反安全策略行为及被攻击迹象。入侵检测的数据来源是各种网络安全设备(如防火墙、IDS、IPS等)的日志,这些设备会实时的记录每个时间监测点目标网络的活动情况以便分析目标网络的运行情况。物理能量系统故障的检测技术以潮流仿真计算和二次设备监控为主:一方面,通过二次设备实时测量系统的运行状态参数,一旦发生异常,则保护装置动作切除故障并报警;另一方面,依据实时采集的系统运行参数,调度中心对系统未来时段的运行状况进行潮流仿真,以发现安全隐患,并提前采取相应的安全措施消除隐患。
发明内容
本发明提供一种基于机器学习技术的跨空间级联故障检测方法,其目的是明确由信息威胁引发的跨空间级联故障成因基础上,通过机器学习技术对大量检测数据的训练得到检测模型,进而利用该模型实现快速、准确的跨空间级联故障早期告警,以辅助决策人员采取合理的防护措施。
本发明的目的是采用下述技术方案实现的:
一种基于机器学习技术的跨空间级联故障检测方法,其改进之处在于,包括:
通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型;
基于所述数据模型,输入当前信息空间元件的工作状态参数,获取信息威胁故障检测结果;
根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障。
优选的,所述信息元件包括:网络设备、信息设备和信息系统,所述信息空间元件的工作状态参数包括:网络报文的类型、长度、源地址、目的地址、当前的网络流量、信息设备当前的工作状态。
优选的,所述通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型,包括:
采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数,并进行数据预处理;
将所述信息空间元件的工作状态参数作为机器学习技术的输入量,将所述信息空间元件的工作状态参数对应的信息威胁故障次数作为机器学习技术的输出量;
将所述p个训练样本分别输入至s个分类器进行训练,获取s个所述信息空间元件的工作状态参数与信息威胁故障次数的映射关系yt=f(xt);
利用决策机设置所述s个分类器的检测权重{q1,q2,…,qs},获取所述信息空间元件的工作状态参数与信息威胁故障次数的数据模型。
进一步的,所述s个分类器能够选择相同或不同的机器学习技术,其中,所述机器学习技术包括:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法等算法,所述s个分类器能够选择相同或不同的训练参数优化算法,其中,所述训练参数优化算法包括:粒子群优化算法、遗传算法、蚁群优化算法和鱼群优化算法。
进一步的,所述采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数,并进行数据预处理,包括:
对所述采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数数据进行遗漏数据补充、冗余数据剔除、非数值型数据量化及数据归一化操作。
优选的,所述根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障,包括:
若所述信息威胁故障检测结果为拒绝服务类攻击、信息元件可靠性故障或利用型攻击,则电力信息物理系统存在所述跨空间级联故障。
本发明的有益效果:
本发明提供的一种基于机器学习技术的跨空间级联故障检测方法,提出基于机器学习技术的检测方法技术思路及其部署位置,并利用机器学习技术对检测数据进行训练,生成检测模型,将实时检测数据输入检测模型以完成在线检测,最终依据检测结果实现对跨空间级联故障的在线检测,该方法填补了目前在信息空间与能量物理系统紧密融合、协同工作的业务场景中缺少由信息威胁引发的跨空间级联故障检测方法的技术空白,有效提升了对实时发生的各类跨空间级联故障的辨识能力,加强了针对各类跨空间级联故障防护的目的性,有助于从整体层面改善能源业务场景的运行状况,保障其安全稳定运行。
附图说明
图1是本发明一种基于机器学习技术的跨空间级联故障检测方法的流程图;
图2是本发明实施例中数据采集应用场景示意图;
图3是本发明实施例中智能变电站内部结构示意图;
图4是本发明实施例中数据模型框架示意图;
图5是本发明实施例中由信息威胁引发的跨空间连锁故障过程示意图;
图6是本发明实施中跨空间级联故障类别示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种基于机器学习技术的跨空间级联故障检测方法,如图1所示,包括:
通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型;
基于所述数据模型,输入当前信息空间元件的工作状态参数,获取信息威胁故障检测结果;
根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障。
其中,所述信息元件包括:网络设备、信息设备和信息系统,所述信息空间元件的工作状态参数包括:网络报文的类型、长度、源地址、目的地址、当前的网络流量、信息设备当前的工作状态。
具体的,所述通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型,包括:
采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数,并进行数据预处理;
其中,如图2所示,数据采集设备(探针)和检测装置(检测模型)的部署位置为能源互联网、电力信息物理系统等典型业务场景的控制网络,即将数据采集设备与检测装置部署在信息空间与物理能量系统的空间边界处,例如,如图3所示,以电力信息物理系统中的智能变电站为例进行说明,因智能变电站遵守IEC61850通信规约,其内部构造符合站控层、间隔层、过程层、站控层网络、过程层网络的“三层两网”结构,故检测装置和数据采集装置应部署在站控层网络中,以实现对站控层和间隔层中信息威胁的实时监控;
将所述信息空间元件的工作状态参数作为机器学习技术的输入量,将所述信息空间元件的工作状态参数对应的信息威胁故障次数作为机器学习技术的输出量;
例如:取部分信息元件的工作状态参数做为输入向量,如网络报文类型x1、网络报文长度x2、网络报文的连接时间x3、网络报文的源地址x4和目的地址x5等,则输入向量为t为时间标号,选择由拒绝服务攻击引发的电力一次设备拒动y1、由恶意攻击引发的电力一次设备拒动y2、由恶意攻击引发的电力一次设备误动y3做为输出向量,输出向量为
例如,根据ECPS的工作状况历史统计构建输入向量与输出向量之间的二元组做为支持向量机的训练样本集,训练样本集中以时间标号t做为样本的划分依据,每条样本均记录了在t时刻输入向量和输出向量的统计值,样本的记录格式为再例如,某条样本为{11,0,0,0,0,0,0,0,0},则表明在第11时刻,ECPS中没有网络报文也没有信息威胁故障。
将所述p个训练样本分别输入至s个分类器进行训练,获取s个所述信息空间元件的工作状态参数与信息威胁故障次数的映射关系yt=f(xt);
利用决策机设置所述s个分类器的检测权重{q1,q2,…,qs},获取所述信息空间元件的工作状态参数与信息威胁故障次数的数据模型,其中,各个分类器均有自己专属的函数映射关系并以函数映射关系做为自己的检测规则,决策机将各个分类器的检测规则综合成检测规则库并对各个分类器赋以检测权重,决策机对各个分类器的检测结果进行加权计算,如图4所示;
其中,所述s个分类器能够选择相同或不同的机器学习技术,其中,所述机器学习技术包括:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法等算法,所述s个分类器能够选择相同或不同的训练参数优化算法,其中,所述训练参数优化算法包括:粒子群优化算法、遗传算法、蚁群优化算法和鱼群优化算法。
所述采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数,并进行数据预处理,包括:
对所述采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数数据进行遗漏数据补充、冗余数据剔除、非数值型数据量化及数据归一化操作。
所述根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障,包括:
若所述信息威胁故障检测结果为拒绝服务类攻击、信息元件可靠性故障或利用型攻击,则电力信息物理系统存在所述跨空间级联故障;
其中,所述跨空间级联故障的形成过程,如图5所示,信息元件因遭受信息攻击或可靠性故障而导致工作异常,并将导致与之连接的电力二次设备出现异常(或以隐性故障形态存在),如信息攻击会引发继电保护装置拒动、变电站监测控制装置误动、自动电压控制装置下发错误指令等电力二次设备故障。进而电力二次设备异常工作后将有可能诱使电力一次设备出现故障,即发生电力系统扰动,从而使信息安全风险的破坏作用从信息空间向电力系统投影。
故信息攻击、软件系统或硬件可靠性故障、电力二次设备故障和电力系统扰动之间存在明显的因果逻辑关系,正是由于信息空间与电力系统的紧密耦合,它们在ECPS中顺序爆发形成了跨空间级联故障,电力二次设备对跨空间级联故障的产生起到了重要的作用:其做为ECPS内部的空间联动接口,将离散时空特性的信息空间与连续时空特性的电力系统紧密耦合起来,实现了离散信息流与连续能量流之间的交互,同时原本孤立于信息空间的安全风险有可能借助于电力二次设备将其危害扩散到电力系统中,诱发电力系统扰动,进而影响电力系统稳定运行。
需要特别说明的是,不是所有的信息安全风险均可引发电力系统扰动,同理也不是所有的电力系统扰动均可由信息安全风险引发。如信息收集类攻击为拒绝服务类和利用型攻击的前提,在电力企业内外网安全隔离条件下假消息攻击难以直接引发电力二次设备故障,风电场风速变化和日照强度变化等系统扰动不会因网络攻击产生,跨空间级联故障中不包括上述安全风险。如图6所示,每一条由信息攻击或信息元件可靠性故障出发并至电力系统扰动结束的路径均为一种跨空间级联故障,其中,由于信息元件因可靠性出现故障后会导致无法正常工作,其对二次设备的危害等同于拒绝服务类攻击,故在图6中将信息元件可靠性与拒绝服务类攻击进行合并。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于机器学习技术的跨空间级联故障检测方法,其特征在于,所述方法包括:
通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型;
基于所述数据模型,输入当前信息空间元件的工作状态参数,获取信息威胁故障检测结果;
根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障;
所述通过机器学习技术构建信息空间元件的工作状态参数与信息威胁故障次数的数据模型,包括:
采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数,并进行数据预处理;
将所述信息空间元件的工作状态参数作为机器学习技术的输入量,将所述信息空间元件的工作状态参数对应的信息威胁故障次数作为机器学习技术的输出量;
将p个同一时刻的信息空间元件的工作状态参数集合及其对应的信息威胁故障次数集合组成p个训练样本,其中,n为所述信息空间元件的工作状态参数类别总数,m为所述信息威胁故障类别总数,p为正整数,t为时间标识;
将所述p个训练样本分别输入至s个分类器进行训练,获取s个所述信息空间元件的工作状态参数与信息威胁故障次数的映射关系yt=f(xt);
利用决策机设置所述s个分类器的检测权重{q1,q2,...,qs},获取所述信息空间元件的工作状态参数与信息威胁故障次数的数据模型。
2.如权利要求1所述的方法,其特征在于,所述信息空间元件包括:网络设备、信息设备和信息系统,所述信息空间元件的工作状态参数包括:网络报文的类型、长度、源地址、目的地址、当前的网络流量、信息设备当前的工作状态。
3.如权利要求1所述的方法,其特征在于,所述s个分类器能够选择相同或不同的机器学习技术,其中,所述机器学习技术包括:支持向量机及其改进算法、神经网络及其改进算法、聚类算法、极端学习机及其改进算法、集成学习算法及其改进算法和深度学习算法及其改进算法,所述s个分类器能够选择相同或不同的训练参数优化算法,其中,所述训练参数优化算法包括:粒子群优化算法、遗传算法、蚁群优化算法和鱼群优化算法。
4.如权利要求3所述的方法,其特征在于,所述采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数,并进行数据预处理,包括:
对所述采集所述信息空间元件的工作状态参数及其对应的信息威胁故障次数数据进行遗漏数据补充、冗余数据剔除、非数值型数据量化及数据归一化操作。
5.如权利要求1所述的方法,其特征在于,所述根据所述信息威胁故障检测结果确定电力信息物理系统是否存在所述跨空间级联故障,包括:
若所述信息威胁故障检测结果为拒绝服务类攻击、信息元件可靠性故障或利用型攻击,则电力信息物理系统存在所述跨空间级联故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188061.4A CN105867347B (zh) | 2016-03-29 | 2016-03-29 | 一种基于机器学习技术的跨空间级联故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610188061.4A CN105867347B (zh) | 2016-03-29 | 2016-03-29 | 一种基于机器学习技术的跨空间级联故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105867347A CN105867347A (zh) | 2016-08-17 |
CN105867347B true CN105867347B (zh) | 2020-01-17 |
Family
ID=56626350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610188061.4A Active CN105867347B (zh) | 2016-03-29 | 2016-03-29 | 一种基于机器学习技术的跨空间级联故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105867347B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229269A (zh) * | 2017-05-26 | 2017-10-03 | 重庆工商大学 | 一种深度信念网络的风力发电机齿轮箱故障诊断方法 |
CN108268359A (zh) * | 2017-12-30 | 2018-07-10 | 浙江中睿低碳科技有限公司 | 基于深度学习的空压站的优化方法 |
CN108446864B (zh) * | 2018-04-10 | 2022-03-29 | 广州新科佳都科技有限公司 | 基于大数据分析的轨道交通设备的故障预警系统及方法 |
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 |
CN110458387A (zh) * | 2019-06-27 | 2019-11-15 | 广东电网有限责任公司信息中心 | 一种基于机器学习技术的智能电网信息管理方法及系统 |
CN110825070A (zh) * | 2019-11-19 | 2020-02-21 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于飞机机电系统的级联故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63151155A (ja) * | 1986-12-15 | 1988-06-23 | Nippon Telegr & Teleph Corp <Ntt> | 空間分割形スイツチの障害検出方式 |
CN101299152A (zh) * | 2007-11-08 | 2008-11-05 | 国网南京自动化研究院 | 大电网相继故障及异地连锁故障的在线控制方法 |
CN102254177A (zh) * | 2011-04-22 | 2011-11-23 | 哈尔滨工程大学 | 一种不均衡数据svm轴承故障检测方法 |
CN103279808A (zh) * | 2013-05-06 | 2013-09-04 | 国家电网公司 | 恶劣天气下的电力系统线路状态转移概率预测分析方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN105117840A (zh) * | 2015-08-20 | 2015-12-02 | 国网智能电网研究院 | 一种考虑信息系统作用的电力系统风险评估方法 |
CN105162091A (zh) * | 2015-08-20 | 2015-12-16 | 国网智能电网研究院 | 一种考虑信息系统风险的电力系统连锁故障风险评估方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07112180B2 (ja) * | 1987-12-10 | 1995-11-29 | 富士通株式会社 | 回線障害情報転送方法 |
JP2003248590A (ja) * | 2002-02-22 | 2003-09-05 | Hitachi Ltd | 結果不正検出方法およびシステム |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN102403798A (zh) * | 2011-10-31 | 2012-04-04 | 广东电网公司江门供电局 | 基于gis的智能台区自动化监控方法及系统 |
CN103151774B (zh) * | 2013-01-30 | 2015-09-02 | 武汉大学 | 一种小世界电网连锁故障抑制方法 |
CN104638762B (zh) * | 2015-01-19 | 2017-04-26 | 浙江工商大学 | 一种检测智能电网中非法数据注入内部攻击的方法及系统 |
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
-
2016
- 2016-03-29 CN CN201610188061.4A patent/CN105867347B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63151155A (ja) * | 1986-12-15 | 1988-06-23 | Nippon Telegr & Teleph Corp <Ntt> | 空間分割形スイツチの障害検出方式 |
CN101299152A (zh) * | 2007-11-08 | 2008-11-05 | 国网南京自动化研究院 | 大电网相继故障及异地连锁故障的在线控制方法 |
CN102254177A (zh) * | 2011-04-22 | 2011-11-23 | 哈尔滨工程大学 | 一种不均衡数据svm轴承故障检测方法 |
CN103279808A (zh) * | 2013-05-06 | 2013-09-04 | 国家电网公司 | 恶劣天气下的电力系统线路状态转移概率预测分析方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN105117840A (zh) * | 2015-08-20 | 2015-12-02 | 国网智能电网研究院 | 一种考虑信息系统作用的电力系统风险评估方法 |
CN105162091A (zh) * | 2015-08-20 | 2015-12-16 | 国网智能电网研究院 | 一种考虑信息系统风险的电力系统连锁故障风险评估方法 |
Non-Patent Citations (1)
Title |
---|
复杂网络上级联故障的建模研究;丁琳;《中国博士学位论文全文数据库 基础科学辑》;20131015(第10期);第A002-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105867347A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105867347B (zh) | 一种基于机器学习技术的跨空间级联故障检测方法 | |
CN107241224B (zh) | 一种变电站的网络风险监测方法及系统 | |
WO2015043441A1 (zh) | 基于多场景分析的智能告警推理方法 | |
CN103049826B (zh) | 电网运行维护自动化系统 | |
CN108063753A (zh) | 一种信息安全监测方法及系统 | |
CN114584405B (zh) | 一种电力终端安全防护方法及系统 | |
CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN110247800B (zh) | 一种智能变电站交换机在线监测系统 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN109391613A (zh) | 一种基于scd解析的智能变电站安全审计方法 | |
CN105262210A (zh) | 一种变电站网络安全性分析预警系统和方法 | |
CN104657913A (zh) | 一种基于全数据模型的智能告警系统 | |
CN110493031A (zh) | 一种变电站控制系统网络设备状态在线监测方法 | |
Rawat et al. | A dominance based rough set classification system for fault diagnosis in electrical smart grid environments | |
CN111935189B (zh) | 工控终端策略控制系统及工控终端策略控制方法 | |
CN110493180A (zh) | 一种变电站网络通信流量实时分析方法 | |
CN106130986B (zh) | 一种基于自动化决策的风电场主动安全防御方法 | |
Mavridou et al. | A situational awareness architecture for the smart grid | |
Naderi et al. | Toward detecting cyberattacks targeting modern power grids: A deep learning framework | |
Zuo et al. | Power information network intrusion detection based on data mining algorithm | |
CN108288875A (zh) | 一种基于多源数据开放与校验分析的继电保护智能告警方法与系统 | |
Kummerow et al. | Cyber-physical data stream assessment incorporating Digital Twins in future power systems | |
CN116956148A (zh) | 一种电力系统数据交互安全威胁信息分析方法 | |
Liu et al. | Artificial intelligence and computational intelligence: a challenge for power system engineers | |
Lai et al. | An active security defense strategy for wind farm based on automated decision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |