CN113687610A - 一种gan-cnn电力监测系统终端信息防护法方法 - Google Patents

Abstract

本发明提出一种基于能源联网条件下的GAN‑CNN电力监测系统终端信息防护方法，用于克服现有电力信息系统的安全性差等缺陷，该方法利用数据采集模块对系统终端的边信通道信息进行采集，对所采集的数据进行特征提取，然后利用编码算法，对所提取的特征进行筛选；并采用GAN‑CNN数据模型，输入筛选后的特征，实行电力网络安全监测，判断电力监测系统终端设备是否处于异常状态。相对于传统技术而言，本文的技术普遍利用更高，效果明显，精确度更高、精度更准。

Description

一种GAN-CNN电力监测系统终端信息防护法方法

技术领域

本发明涉及电网领域，具体是一种基于能源联网条件下的GAN-CNN电力监测系统终端信息防护方法

背景技术

以电力为中心的城市能源互联网的发展为供电企业带来了前所未有的机遇。在互联网+和能源互联网不断推进建设的大背景下，基于以往电网运营强调的用户供电可靠性保障和供电质量保障，已无法及时了解客户的内部用电信息及需求，不能满足互联网时代客户的个性化需求。应用互联网技术，通过建设用户站集中监控系统，进而升级至能源管理互联网平台，可增加与用户的多样化交互，并根据电力用户的差异化需求，通过引导地区新能源发展，指导客户建立微电网，实现系统化、流程化的能源管理，通过多途径为用户提供个性化的整体能源解方案。

能源互联网技术还处于发展阶段，在恶意攻击、软件漏洞等方面存在较大的安全风险。因此本发明提出一种基于能源联网条件下的GAN-CNN电力监测系统终端信息防护方法从而克服现有电力信息系统的安全性差等缺陷。

发明内容

发明所要解决的技术问题是克服现有技术的缺陷，提出一种能克服现有电力系统较差的缺陷。

为实现上述目的，本方面提供如下技术方案：

一种基于能源联网条件下的GAN-CNN电力监测系统终端信息防护方法，所述方法包括以下步骤：

步骤1：数据采集：利用数据采集模块对电力监测系统终端的边信通道信息进行采集；

步骤2：对所采集的数据进行特征提取；

步骤3：利用编码算法，对所提取的特征进行筛选；

步骤4：采用GAN-CNN数据模型，输入筛选后的特征，实行电力网络安全监测，判断电力监测系统终端设备是否处于异常状态。

所述步骤2所述的特征提取包括：

①对采集的时序信号采用概率密度分布作为其特征，该特征可以捕捉到样本时序信息的模式，将特征定义为f_j，具体计算如下

式中，f_j为一个分段函数，k表示特征值，M表示特征的维度，对于其中第j个特征来说，如果j的值为1的话，则f_j为值为时域功耗小于P_j的所有功率信息集合，P_j为功率的上限，如果j的值介于1到N的之间，则f_j的值为介于t_j-1和t_j之间的值，H_h为功率的下限；N为特征的个数，其中t_j的定义如下：

②利用公式(1),得到M维原始特征。

所述M维原始特征的特征量包括：报文数、持续连续时间均值、固定协议类型时间均值、不同协议下报文数、错误分段数、不同协议下错误分段数、尝试登陆不成功次数均值、目标主机服务类型不同前提下非GUEST用户的登录次数；目标主机服务类型不同前提下用户成功登录次数。

所述原始特征的特征量通过matlab工具箱得到，表示在一定范围内电力通信终端设备的运行状态。

步骤3中利用编码算法的相关原理，对提取后的特征进行筛选，具体表示如下

式中，M为特征的维度，y_j表示第j个样本的标签，其中正样本为1，负样本为-1，x_j表示第j个样本，w表示为维数M的向量，b和λ均为常数。

步骤4中实行电力网络安全检测，具体包括：

①输入样本信息为n个特征样本X，且维度为m，在预测过程中需要得到第n+1个样本的值，为x⁽ⁿ⁺¹⁾，且输入规模为m×n，输出维度为m；其中特征样本由步骤3获得；

②采用GAN-CNN模型进行数据增强。

采用GAN-CNN模型进行数据增强包括以下步骤：

S1：生成网络G输入为样本数据X，网络中采用3个反卷积层对样本数据X进行采样；

S2：判别网络D采用卷积神经网络，卷积核与步幅大小均为4；

S3：卷积神经网络包含两个卷积层，判别网络D将提取的特征参数共享至卷积神经网络CNN的首个卷积层，其中CONV1卷积核大小为2，步幅大小均为2；CONV2卷积核大小为2，中间层使用Leaky ReLu函数作为激活函数，误差层实现费用数据与上一层输出值的均方误差，输出层无激活函数；

上述过程周而复始、循环往返，完成的GAN-CNN即可完成训练，得到计算模型的预测值

S4：计算模型的预测值

与x⁽ⁿ⁺¹⁾之前的误差

并设置阈值τ对状态进行监测，τ的选取满足如下表达式:

式中，如果误差大于τ，则为异常样本点，如果误差小于τ，则属于正常样本点；

S5：累计发现有三个异常样本点时，则发出报警，判断电力终端设备处于异常状态。

在所述步骤1中数据采集装置的型号为Keysight公司推出的U2541A。

在所述步骤2中的样本采用的是概率密度分布值。

步骤3只对系统终端正样本进行训练。

其中步骤S1中，生成网络G的反卷积层使用的传统的ReLU函数作为激励函数，卷积层与步幅值大小均为4。

其中步骤S2中，判别网络D的中间层使用传统的Leaky ReLu函数作为激活函数，输出层的输出为样本间的Wasserstein距离，无激活函数。

本发明的有益的技术效果包括：相对于传统技术而言，本文的技术普遍利用更高，效果明显，精确度更高、精度更准。

附图说明

图1本发明的电力监测系统终端信息防护方法流程图。

图2是不同分类器模型准确率对比示意图。

图3是加入新样本的不同分类器模型准确率对比示意图。

具体实施方式

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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

参见图1所示，本发明提出一种基于能源联网条件下的GAN-CNN电力监测系统终端信息防护法方法，包括以下步骤：

步骤1：数据采集：

对终端数据进行采集，利用数据采集模块对系统终端的边信通道信息进行采集，获得原始功耗数据；

其中采集器采用Keysight公司的推出的U2541A装置，可以满足一系列的要求。

步骤2：特征提取：

①对采集的时序信号，采用概率密度分布作为其特征，该特征具有较好的鲁棒性，可以捕捉到样本时序信息的模式，将特征定义为f_i，具体计算如下

式中，f_j为一个分段函数，k表示特征值，M表示特征的维度，对于其中第j个特征来说，如果j的值为1的话，则f_j为值为时域功耗小于P_j的所有功率信息集合，P为功率的上限，如果j的值介于1到N的之间，则f_j的值为介于t_j-1和t_j之间的值，H_h为功率的下限；N为特征的个数，其中t_j的定义如下：

②利用公式(1),将N＝102，P_j＝0.04A,H_h＝0.08A，得到102维的原始特征：

其中特征量包括：

报文数、持续连续时间均值、固定协议类型时间均值、不同协议下报文数、错误分段数、不同协议下错误分段数、尝试登陆不成功次数均值、非GUEST用户(目标主机服务类型不同前提下)登录次数；目标主机服务类型不同前提下用户成功登录次数。

上述特征一共得到102维的原始数据特征，在一定范围内电力监测系统终端设备的运行状态。

步骤3：利用编码算法的相关原理，对特征进行筛选，具体表示如下

式中，M为特征的维度，y_j表示第j个样本的标签，其中正样本为1，负样本为-1，x_j表示第j个样本，w表示为维数M的向量，b和λ均为常数。本发明只对系统终端正样本进行训练。

(4)实行电力终端网络安全方法，具体如下所示：

①输入样本信息为n个特征样本X，且维度为m，在预测过程中需要得到第n+1个样本的值，为x⁽ⁿ⁺¹⁾，且输入规模为m×n，输出维度为m

②采用GAN-CNN模型进行数据增强：

1)首先，生成网络G输入为样本数据X。网络中采用了3个反卷积层对样本数据X进行采样，其中反卷积层使用的传统的ReLU函数作为激励函数，卷积层与步幅值大小均为4；

2)判别网络D采用卷积神经网络，卷积核与步幅大小均为4。中间层使用传统的Leaky ReLu函数作为激活函数，输出层由于输出为样本间的Wasserstein距离，因此无激活函数；

3)CNN网络，判别网络D将提取的特征参数共享至CNN的首个卷积层，其中CONV1卷积核大小为2，步幅大小均为2。CONV2卷积核大小为2。中间层使用Leaky ReLu函数作为激活函数，误差层实现费用数据与上一层输出值的均方误差，因此输出层无激活函数。

上述过程周而复始、循环往返，完成的GAN-CNN即可完成训练，得到计算模型的预测值

4)计算模型的预测值

与x⁽ⁿ⁺¹⁾之前的误差

并设置阈值τ对状态进行监测，τ满足如下条件:

式中，如果误差大于τ，则为异常样本点。如果误差小于τ，则属于正常样本点。

5)累计发现有三个异常样本点时，则发出报警，判断电力终端设备处于异常状态。

在本发明的一个实施例中，所述方法对基于对抗卷积神经网络生成的数据进行计算，并通过指标进行衡量。所述的一种基于能源联网条件下的GAN-CNN电力监测系统终端信息防护包括以下步骤：

步骤1)对终端数据进行采集，生成数据集如表1所示；

表1

步骤2)以先验知识为依据，对10个类型的特征量进行特征提取。一共得到102维的原始数据特征，表示在一定范围内电力通信终端设备的运行状态。

步骤3)采用公式(3)利用编码算法的相关原理，对特征进行筛选。

步骤4)实行电力终端网络安全监测方法，对终端进行安全监测。

对基于对抗卷积神经网络生成的数据进行计算，并通过指标进行衡量：

指标的计算公式如下所示：

式中，Accuracy分别代表准确率

本发明将k近邻分类(k-nearest neighbor classification)算法、卷积神经网络(Convolutional Neural Networks,CNN)对抗神经网络(Generative AdversarialNetwork,GAN)和对抗-卷积神经网络(Generative Adversarial Network-ConvolutionalNeural Networks GAN-CNN)四种分类器进行对比。从图2中可以得出，本发明提出方法明显好与其他3种方法，其中KNN模型的准确率为0.783，CNN的准确率为0.872，GAN的准确率为0.843，本发明模型的正确率为0.932。由于通过特征工程来提升模型的泛化性能具有一定的局限性，因此KNN模型的性能最差。因此通过GAN-CNN的方法可以更好的挖掘电力报文样本的深层信息，所以模型取得了更好的准确率。

为了克服电力终端攻击样本小的问题，本发明采用对抗-卷积神经网络生成了更多的样本，根据生成样本数量的不同，根据表1分为小数据集的攻击样本、中等数据集的攻击样本和大数据集攻击样本。将原数据集加上新生成的数据集和原来的数据集采用不同的算法进行比较，如图3所示。

从图3中看出，加上新生成的样本，所有对比的模型准确率均有提升，其中本发明的方法依然是最高的，从0.915提高到了0.975,。再一次验证本发明所提方法的有效性，并且效果均好于其它3种方法。

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 (12)

1.一种基于能源联网条件下的GAN-CNN电力监测系统终端信息防护方法，其特征在于，所述方法包括以下步骤：

步骤1：数据采集：利用数据采集模块对电力监测系统终端的边信通道信息进行采集；

步骤2：对所采集的数据进行特征提取；

步骤3：利用编码算法，对所提取的特征进行筛选；

步骤4：采用GAN-CNN数据模型，输入筛选后的特征，实行电力网络安全监测，判断电力监测系统终端设备是否处于异常状态。

2.根据权利要求1所述的方法，其特征在于，所述步骤2所述的特征提取包括：

①对采集的时序信号采用概率密度分布作为其特征，该特征可以捕捉到样本时序信息的模式，将特征定义为f_j，具体计算如下

式中，f_j为一个分段函数，k表示特征值，M表示特征的维度，对于其中第j个特征来说，如果j的值为1的话，则f_j为值为时域功耗小于P_j的所有功率信息集合，P_j为功率的上限，如果j的值介于1到N的之间，则f_j的值为介于t_j-1和t_j之间的值，H_h为功率的下限；N为特征的个数，其中t_j的定义如下：

②利用公式(1),得到M维原始特征。

3.根据权利要求2所述的方法，其特征在于，所述M维原始特征的特征量包括：报文数、持续连续时间均值、固定协议类型时间均值、不同协议下报文数、错误分段数、不同协议下错误分段数、尝试登陆不成功次数均值、目标主机服务类型不同前提下非GUEST用户的登录次数；目标主机服务类型不同前提下用户成功登录次数。

4.根据权利要求3所述的方法，其特征在于，所述原始特征的特征量通过matlab工具箱得到，表示在一定范围内电力监测系统终端设备的运行状态。

5.根据权利要求2所述的方法，其特征在于，

步骤3中利用编码算法，对提取后的特征进行筛选，具体表示如下

式中，M为特征的维度，y_j表示第j个样本的标签，其中正样本为1，负样本为-1，x_j表示第j个样本，w表示为维数M的向量，b和λ均为常数。

6.根据权利要求1所述的方法，其特征在于，步骤4中实行电力网络安全检测，包括：

①输入样本信息为n个特征样本X，且维度为m，在预测过程中需要得到第n+1个样本的值，为x⁽ⁿ⁺¹⁾，且输入规模为m×n，输出维度为m；

②采用GAN-CNN模型进行数据增强。

7.根据权利要求6所述的方法，其特征在于，采用GAN-CNN模型进行数据增强包括以下步骤：

S1：生成网络G输入为样本数据X，网络中采用3个反卷积层对样本数据X进行采样；

S2：判别网络D采用卷积神经网络，卷积核与步幅大小均为4；

S3：卷积神经网络包含两个卷积层，判别网络D将提取的特征参数共享至卷积神经网络CNN的首个卷积层，其中CONV1卷积核大小为2，步幅大小均为2；CONV2卷积核大小为2，中间层使用Leaky ReLu函数作为激活函数，误差层实现费用数据与上一层输出值的均方误差，输出层无激活函数；

上述过程周而复始、循环往返，完成的GAN-CNN即可完成训练，得到计算模型的预测值

S4：计算模型的预测值

与x⁽ⁿ⁺¹⁾之前的误差

并设置阈值τ对状态进行监测，τ的选取满足如下表达式:

式中，如果误差大于τ，则为异常样本点，如果误差小于τ，则属于正常样本点；

S5：累计发现有三个异常样本点时，则发出报警，判断电力终端设备处于异常状态。

8.根据权利要求2所述的方法，其特征在于，在所述步骤1中数据采集装置的型号为Keysight公司推出的U2541A。

9.根据权利要求2所述的方法，其特征在于，在所述步骤2中的样本采用的是概率密度分布值。

10.根据权利要求3所述的方法，其特征在于：步骤3只对系统终端正样本进行训练。

11.根据权利要求7所述的方法，其特征在于，其中步骤S1中，生成网络G的反卷积层使用的传统的ReLU函数作为激励函数，卷积层与步幅值大小均为4。

12.根据权利要求7所述的方法，其特征在于，其中步骤S2中，判别网络D的中间层使用传统的Leaky ReLu函数作为激活函数，输出层的输出为样本间的Wasserstein距离，无激活函数。

Images