CN113240005A - 基于静态网络表示的电力系统复杂网络虚假数据检测方法 - Google Patents
基于静态网络表示的电力系统复杂网络虚假数据检测方法 Download PDFInfo
- Publication number
- CN113240005A CN113240005A CN202110513943.4A CN202110513943A CN113240005A CN 113240005 A CN113240005 A CN 113240005A CN 202110513943 A CN202110513943 A CN 202110513943A CN 113240005 A CN113240005 A CN 113240005A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- power system
- complex network
- network model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000003068 static effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013256 coordination polymer Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种用静态网络表示电力系统复杂网络进行虚假数据检测的方法。该方法首先对电力系统复杂网络进行建模,在采集数据并完成数据处理后,根据电压等级不同进行层次区域划分;其次,对于节点类型和线路权重进行考虑,建立加权网络;再次,考虑潮流方向,确保复杂网络理论对于电力网络建模方向上面的正确性,分别建立加权有功网络和加权无功网络,并计算节点的出度和入度;最后,采用node2vec与struc2vec相结合的方法,提取节点特征,获得节点相似性,检测出虚假数据。通过node2vec与struc2vec相结合的方法,即考虑了节点的自身属性,同时考虑了节点的结构,能够使检测结果更加全面,检测正确率更高。
Description
技术领域
本申请涉及电力系统复杂网络中虚假数据检测的技术领域,具体涉及一种基于复杂网络建模和节点相似性的方法。
背景技术
攻击者在掌握完整系统拓扑信息时发动的攻击成功率最高且破坏力最大,但在现实的攻击场景中,由于对控制中心的严格保护,攻击者很难获得系统拓扑结构的全部信息,大多数的攻击者只能通过获得的本地局部的拓扑信息来发动攻击,局部信息掌握情况下的攻击更符合实际。
现有的基于机器学习的虚假数据注入攻击(False Data Injection Attack,FDIA)检测技术大多为监督学习方法,需要特定系统的先验知识和大量的历史样本数据,由于虚假注入攻击可以绕过不良数据检测,在历史数据中可能已经存在了被污染的数据。
复杂网络理论已经应用到多个领域的异常检测中,其中包括特性识别,连锁故障演化过程及预测、关键节点或线路识别、脆弱性识别评估等。但在电力系统领域的异常检测还未见报道。
发明内容
复杂网络理论应用到不同领域,需要根据领域特点进行有针对性的研究,电力系统除了具有复杂网络特性外,还有其自身的电网络特点。在电力系统复杂网络中,绝大部分电网节点并未受到虚假数据注入攻击,其数据是正常的。电网节点之间在结构和属性上存在着关联性和相似性,这些未被攻击的节点结构和属性可作为异常数据检测的参考。
为了克服现有技术的不足,本发明的目的是提出一种基于静态网络表示的电力系统复杂网络虚假数据检测方法。
为实现上述目的,本发明所采用的解决方案为:
一种基于静态网络表示的电力系统复杂网络虚假数据检测方法,其包括以下步骤:
步骤1:建立电力系统复杂网络模型;
步骤2:对所述步骤1中的电力系统复杂网络模型计算与线路容量CP、线路电阻R和线路电抗X有关的边的权重ω,构造所述电力系统复杂网络模型的加权网络;根据线路潮流方向,分解所述电力系统复杂网络模型的有向网络,获得所述电力系统复杂网络模型的有功有向网络和无功有向网络,计算所述电力系统复杂网络模型的有功有向网络的出入度矩阵AP和无功有向网络的出入度矩阵AQ;
步骤3:根据所述步骤2中获得的电力系统复杂网络模型的加权网络、有功有向网络的出入度矩阵AP和无功有向网络的出入度矩阵AQ,采用node2vec和struc2vec相结合的方法提取电力系统复杂网络模型的节点特征,获得有功网络的节点相似度Pis和无功网络的节点相似度Qis,具体包括以下步骤:
步骤31:采用node2vec方法提取电力系统复杂网络模型的节点特征,所述采用node2vec方法提取的电力系统复杂网络模型的节点特征包括:节点固有属性集合VP、节点的出度A(out)和节点的入度A(in);
步骤32:采用struc2vec方法提取电力系统复杂网络模型的节点特征,所述采用struc2vec方法提取的电力系统复杂网络模型的节点特征包括边的权重ω;
步骤33:采用node2vec和struc2vec相结合的方法,利用所述步骤31和步骤32中提取的电力系统复杂网络模型的节点特征表示属性图GS:
GS=(V,E,F)
V={v1,v2,...,vi,...,vn}
F={f1,f2,...,fi,...,fr}
式中:V为节点组成的集合;vi为第i个节点;n为节点的个数;E为节点i到节点j之间的共有m条边组成的边集集合;F为结构或属性组成的集合;fi为第i个结构或属性;r为结构或属性的个数;
步骤34:对所述步骤33中的属性图GS引入负熵加权法,获得向量参数的特定属性权重向量,通过最小化目标函数求得各个属性子空间权重向量:
ρi=(ρ1,ρ2,...,ρr)T
式中:ρi为第i个节点空间的节点自身属性和结构权重向量;
步骤35:计算节点的相似性度量,所述节点的相似性度量包括有功网络的节点相似度Pis和无功网络的节点相似度Qis;
步骤4:根据所述步骤35中获得的电力系统复杂网络模型的节点的相似性度量,检测虚假数据。
可优选的是,电力系统复杂网络模型的建立,具体包括以下步骤:
步骤11:采集数据,建立数据间联系,获得融合的数据;
步骤12:对所述步骤11中获得的融合的数据,根据电压等级,进行层次区域划分,完成电力系统复杂网络模型的建立。
可优选的是,与线路容量CP、线路电阻R和线路电抗X有关的边的权重ω为:
式中:ωij为节点i到节点j的边的权重;CPij为节点i到节点j的线路容量;Rij为节点i到节点j的线路电阻;Xij为节点i到节点j的线路电抗。
进一步,电力系统复杂网络模型的有功有向网络的出入度矩阵AP和无功有向网络的出入度矩阵AQ分别为:
AP=[AP (out),AP (in)]
AQ=[AQ (out),AQ (in)]
式中:AP (out)为有功有向网络的节点出度矩阵;AP (in)为有功有向网络的节点入度矩阵;AQ (out)为无功有向网络的节点出度矩阵;AQ (in)为无功有向网络的节点入度矩阵。
更进一步,线路潮流方向包括有功潮流方向和无功潮流方向。
与现有技术相比,本发明的有益效果在于:
针对电力系统复杂网络虚假数据检测的问题,提出了一种基于静态网络表示的电力系统复杂网络的虚假数据检测方法。通过建立电力系统复杂网络模型,采用node2vec和struc2vec算法融合的方式检测虚假数据,传统的node2vec算法重点对节点的自身属性相似进行刻画,仅仅考虑了相邻节点的相似性,而忽略了在电力系统复杂网络中存在大量的远距离相似节点的问题;而struc2vec算法强调全局相似性,可以在全网络中挖掘相似节点,但局部结构考虑较少;通过node2vec和struc2vec算法融合的方式检测虚假数据,一方面弥补了node2vec仅考虑相邻节点的相似性,而忽略了在电力系统复杂网络中存在大量的远距离相似节点的问题;另一方面也弥补了struc2vec算法重点对节点的结构进行刻画,而忽略了节点自身属性的相似性的问题。通过node2vec和struc2vec算法融合的方式综合考虑节点自身的属性和节点结构,实现对现有技术中难以检测出的虚假数据进行更全面的检测,并且虚假数据检测的正确率更高。
附图说明
图1为本发明实施例的电力系统复杂网络示例;
图2为本发明实施例的静态网络表示的电力系统复杂网络虚假数据检测方案;
图3为本发明实施例的对电力系统复杂网络检测虚假数据的设计流程图;
图4为本发明实施例的39机组算例统计对比。
具体实施方式
以下,参照附图对本发明的实施方式进行说明。
本发明实施例提供了一种基于静态网络表示的电力系统复杂网络的虚假数据检测方法,图3为本实施例的对电力系统复杂网络检测虚假数据的设计流程图,具体步骤包括:
步骤1:运用电力系统复杂网络建模方案,进行网络的加权表示,具体过程如下:
对电力系统网络进行简化处理,如图1所示本发明实施例的电力系统复杂网络示例。提取电力系统数据,进行处理;具体处理方法为:把电力系统节点的自身属性转化为节点,把电力系统中的输电线路转化为边,对节点和边进行融合,建立数据之间的联系,完成电力系统复杂网络建模。
常规复杂网络计算节点相似性不考虑方向和权重,然而电力系统的潮流方向对节点相似性影响较大,因此,在计算边的权重时将考虑线路容量和线路阻抗的影响,此时边的权重的计算公式如下:
式中,ωij为节点i到节点j的边的权重,CPij节点i到节点j的线路容量,Rij为节点i到节点j的线路电阻,Xij为节点i到节点j的线路电抗;
步骤2:进行加权有向网络的方向表示,具体过程如下:
电力系统潮流方向包括有功潮流方向和无功潮流方向,因此,根据线路潮流的方向,将电力系统有向网络分解为有功有向网络和无功有向网络。针对有功有向网络和无功有向网络分别计算节点的出度和入度。有功有向网络和无功有向网络的节点出入度矩阵分别为:
AP=[AP (out),AP (in)] (2)
AQ=[AQ (out),AQ (in)] (3)
式中,AP (out)为有功有向网络的节点出度矩阵,AP (in)为有功有向网络的节点入度矩阵,AQ (out)为无功有向网络的节点出度矩阵,AQ (in)为无功有向网络的节点入度矩阵。
步骤3:传统的node2vec仅考虑了相邻节点的相似性,但在电力系统复杂网络中存在大量的远距离相似节点,因此,采用struc2vec与node2vec结合的方法提取节点特征,如图2所示本发明实施例的静态网络表示的电力系统复杂网络虚假数据检测方案。
设GS是属性图,其中:
GS=(V,E,F) (4)
V={v1,v2,...,vi,...,vn} (5)
F={f1,f2,...,fi,...,fr} (6)
V为节点组成的集合;vi为第i个节点;n为节点的个数;E为节点i到节点j之间的共有m条边组成的边集集合;F为结构或属性组成的集合;fi为第i个结构或属性;r为结构或属性的个数;
步骤3-1:采用node2vec算法提取节点特征
node2vec是一种有偏游走,针对于某一节点的相邻的局部节点进行相似性刻画,即重点对节点的自身属性相似进行较好地刻画,不仅包括节点固有属性集合VP,也考虑节点的出度和入度;
步骤3-2:采用struc2vec算法提取节点特征
struc2vec通过对全局存在的潜在网络结构进行表示,挖掘在全局结构上不相邻却有相同结构角色的节点,重点对节点的结构进行刻画,但忽略了节点自身属性的相似性。引入电力系统边的权重,考虑了边属性,通过判断有相同结构属性的节点来刻画结构属性的相似性。
步骤3-3:结合node2vec和struc2vec算法
为了更好地融合节点的自身属性和节点的结构,使用node2vec和struc2vec结合的算法。利用属性图GS中的F中的节点自身属性和结构表示,引入负熵加权法确定每一个向量参数都有的特定属性权重向量,通过最小化目标函数求得各个属性子空间权重向量:
ρi=(ρ1,ρ2,...,ρr)T (7)
其中:ρi表示第i个节点空间的节点自身属性和结构权重向量。
通过把node2vec和struc2vec模型的融合,弥补不足,同时也获得节点的相似性度量。但由于节点间有功功率和无功功率潮流方向的不同,需要把它们区分开来,分别建立有功网络的节点相似度Pis和无功网络的节点相似度Qis。把集合F所包含的属性和权重向量ρi的序列对应起来。有功网络的节点相似度Pis和无功网络的节点相似度Qis如下:
提供一具体实施例,说明采用本申请提出的node2vec和struc2vec算法融合的方法检测虚假数据,由图4所示本发明实施例的39机组算例统计对比结果可知,相对于状态估计检测算法的结果难以检测出虚假数据,而用了node2vec算法和struc2vec算法可知,该方法对检测虚假数据效果更显著,检测正确率更高。
本发明提供一种基于电力系统复杂网络的静态网络表示的检测问题,基于sruc2vec与node2vec相结合的方法。第一阶段对电力系统复杂网络进行处理,电力的线路的数据作为拓扑的边的权重进行加权;第二阶段,把发电机,变压器,负荷简化成节点,把节点的一些自身属性融合为节点的属性,同时对于一些潮流对节点的流入和流出,进行分类处理,建立出度和入度矩阵,得到加权有向图,针对线路上的有功功率和无功功率,建立有功有向图和无功有向图;第三阶段,根据建立的加权有向图,node2vec是基于Deep Walk发展的方法,主要表示邻近节点的相似性。区别于node2vec,struc2vec强调全局相似性,可以在全网络中挖掘相似节点,但局部结构考虑较少。利用sruc2vec与node2vec相结合的方法,弥补了不足,根据节点的相似度进行融合,最终检测出虚假数据。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种基于静态网络表示的电力系统复杂网络虚假数据检测方法,其特征在于,其包括以下步骤:
步骤1:建立电力系统复杂网络模型;
步骤2:对所述步骤1中的电力系统复杂网络模型计算与线路容量CP、线路电阻R和线路电抗X有关的边的权重ω,构造所述电力系统复杂网络模型的加权网络;根据线路潮流方向,分解所述电力系统复杂网络模型的有向网络,获得所述电力系统复杂网络模型的有功有向网络和无功有向网络,计算所述电力系统复杂网络模型的有功有向网络的出入度矩阵AP和无功有向网络的出入度矩阵AQ;
步骤3:根据所述步骤2中获得的电力系统复杂网络模型的加权网络、有功有向网络的出入度矩阵AP和无功有向网络的出入度矩阵AQ,采用node2vec和struc2vec相结合的方法提取电力系统复杂网络模型的节点特征,获得有功网络的节点相似度Pis和无功网络的节点相似度Qis,具体包括以下步骤:
步骤31:采用node2vec方法提取电力系统复杂网络模型的节点特征,所述采用node2vec方法提取的电力系统复杂网络模型的节点特征包括:节点固有属性集合VP、节点的出度A(out)和节点的入度A(in);
步骤32:采用struc2vec方法提取电力系统复杂网络模型的节点特征,所述采用struc2vec方法提取的电力系统复杂网络模型的节点特征包括边的权重ω;
步骤33:采用node2vec和struc2vec相结合的方法,利用所述步骤31和步骤32中提取的电力系统复杂网络模型的节点特征表示属性图GS:
GS=(V,E,F)
V={v1,v2,...,vi,...,vn}
F={f1,f2,...,fi,...,fr}
式中:V为节点组成的集合;vi为第i个节点;n为节点的个数;E为节点i到节点j之间的共有m条边组成的边集集合;F为结构或属性组成的集合;fi为第i个结构或属性;r为结构或属性的个数;
步骤34:对所述步骤33中的属性图GS引入负熵加权法,获得向量参数的特定属性权重向量,通过最小化目标函数求得各个属性子空间权重向量:
ρi=(ρ1,ρ2,...,ρr)T
式中:ρi为第i个节点空间的节点自身属性和结构权重向量;
步骤35:计算节点的相似性度量,所述节点的相似性度量包括有功网络的节点相似度Pis和无功网络的节点相似度Qis;
步骤4:根据所述步骤35中获得的电力系统复杂网络模型的节点的相似性度量,检测虚假数据。
3.根据权利要求1所述的基于静态网络表示的电力系统复杂网络虚假数据检测方法,其特征在于,建立所述步骤1中电力系统复杂网络模型,具体包括以下步骤:
步骤11:采集数据,建立数据间联系,获得融合的数据;
步骤12:对所述步骤11中获得的融合的数据,根据电压等级,进行层次区域划分,完成电力系统复杂网络模型的建立。
4.根据权利要求1所述的基于静态网络表示的电力系统复杂网络虚假数据检测方法,其特征在于,所述步骤2中电力系统复杂网络模型的有功有向网络的出入度矩阵AP和无功有向网络的出入度矩阵AQ分别为:
AP=[AP (out),AP (in)]
AQ=[AQ (out),AQ (in)]
式中:AP (out)为有功有向网络的节点出度矩阵;AP (in)为有功有向网络的节点入度矩阵;AQ (out)为无功有向网络的节点出度矩阵;AQ (in)为无功有向网络的节点入度矩阵。
5.根据权利要求1所述的基于静态网络表示的电力系统复杂网络虚假数据检测方法,其特征在于,所述步骤2中的线路潮流方向包括有功潮流方向和无功潮流方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513943.4A CN113240005B (zh) | 2021-05-11 | 2021-05-11 | 基于静态网络表示的电力系统复杂网络虚假数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513943.4A CN113240005B (zh) | 2021-05-11 | 2021-05-11 | 基于静态网络表示的电力系统复杂网络虚假数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240005A true CN113240005A (zh) | 2021-08-10 |
CN113240005B CN113240005B (zh) | 2022-09-20 |
Family
ID=77133562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513943.4A Active CN113240005B (zh) | 2021-05-11 | 2021-05-11 | 基于静态网络表示的电力系统复杂网络虚假数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240005B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117117876A (zh) * | 2023-10-25 | 2023-11-24 | 国网浙江省电力有限公司宁波供电公司 | 电网全要素资源协调控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106451567A (zh) * | 2016-10-14 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种分布式电源集群动态划分的方法及系统 |
US20190113549A1 (en) * | 2017-10-13 | 2019-04-18 | Nec Laboratories America, Inc. | Detection of false data injection attacks in power systems using multiplex invariant networks and domain knowledge |
CN111008447A (zh) * | 2019-12-21 | 2020-04-14 | 杭州师范大学 | 一种基于图嵌入法的链路预测方法 |
CN111988303A (zh) * | 2020-08-17 | 2020-11-24 | 南京邮电大学 | 适用于电力系统负荷频率控制的虚假数据注入攻击检测方法 |
CN112311608A (zh) * | 2020-11-25 | 2021-02-02 | 中国人民解放军66136部队 | 一种多层异质网络空间节点表征方法 |
-
2021
- 2021-05-11 CN CN202110513943.4A patent/CN113240005B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106451567A (zh) * | 2016-10-14 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种分布式电源集群动态划分的方法及系统 |
US20190113549A1 (en) * | 2017-10-13 | 2019-04-18 | Nec Laboratories America, Inc. | Detection of false data injection attacks in power systems using multiplex invariant networks and domain knowledge |
CN111008447A (zh) * | 2019-12-21 | 2020-04-14 | 杭州师范大学 | 一种基于图嵌入法的链路预测方法 |
CN111988303A (zh) * | 2020-08-17 | 2020-11-24 | 南京邮电大学 | 适用于电力系统负荷频率控制的虚假数据注入攻击检测方法 |
CN112311608A (zh) * | 2020-11-25 | 2021-02-02 | 中国人民解放军66136部队 | 一种多层异质网络空间节点表征方法 |
Non-Patent Citations (3)
Title |
---|
SHAWN GU,TIJANA MILENKOVIC: "Graphlets versus node2vec and struc2vec in the task of network alignment", 《ARXIV:1805.04222V2》 * |
吴晨程等: "基于图嵌入法的时序网络链路预测研究", 《杭州师范大学学报(自然科学版)》 * |
潘晓,马昂,郭景峰,吴雷,刘风阳: "基于时间序列的轨迹数据相似性度量方法研究及应用综述", 《燕山大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117117876A (zh) * | 2023-10-25 | 2023-11-24 | 国网浙江省电力有限公司宁波供电公司 | 电网全要素资源协调控制方法及系统 |
CN117117876B (zh) * | 2023-10-25 | 2024-01-09 | 国网浙江省电力有限公司宁波供电公司 | 电网全要素资源协调控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113240005B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | Detection of false data injection attacks in smart grid utilizing ELM-based OCON framework | |
Mohammadpourfard et al. | A statistical unsupervised method against false data injection attacks: A visualization-based approach | |
Vilalta et al. | Predicting rare events in temporal domains | |
CN109767352B (zh) | 一种电力信息物理融合系统安全态势评估方法 | |
CN103870751A (zh) | 入侵检测方法及系统 | |
US20240028744A1 (en) | Dynamic network risk predicting method based on a graph neural network | |
CN113240005B (zh) | 基于静态网络表示的电力系统复杂网络虚假数据检测方法 | |
Chadha et al. | Hybrid genetic fuzzy rule based inference engine to detect intrusion in networks | |
Haque et al. | A survey of machine learning-based cyber-physical attack generation, detection, and mitigation in smart-grid | |
CN112685272B (zh) | 一种具备可解释性的用户行为异常检测方法 | |
Jiang et al. | RBF-based real-time hierarchical intrusion detection systems | |
CN116545733A (zh) | 一种电网入侵检测方法及系统 | |
CN115225373B (zh) | 一种信息不完备条件下的网络空间安全态势表达方法及装置 | |
Patole et al. | Self organizing maps to build intrusion detection system | |
CN112183820A (zh) | 基于线性规划的有向网络链路预测方法 | |
CN112804197B (zh) | 基于数据还原的电力网络恶意攻击检测方法及系统 | |
Raghuvamsi et al. | A review on distribution system state estimation uncertainty issues using deep learning approaches | |
Mohammadi et al. | A review of cyber–resilient smart grid | |
Olaru et al. | Data mining tools and application in power system engineering | |
CN114548569A (zh) | 异质社交网络中缺失链路预测方法、系统和存储介质 | |
CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
CN113507430A (zh) | 电力系统信息物理协同攻击检测方法及系统 | |
Qader et al. | Fault classification system for computer networks using fuzzy probabilistic neural network classifier (fpnnc) | |
Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network | |
CN113591937B (zh) | 一种基于局部距离编码的电力系统关键节点识别方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221223 Address after: No.246, West Street, Ganzhou District, Zhangye City, Gansu Province Patentee after: ZHANGYE POWER SUPPLY COMPANY OF STATE GRID GANSU ELECTRIC POWER CO. Address before: 066004 No. 438 west section of Hebei Avenue, seaport District, Hebei, Qinhuangdao Patentee before: Yanshan University |
|
TR01 | Transfer of patent right |