CN113687610B - 一种gan-cnn电力监测系统终端信息防护法方法 - Google Patents
一种gan-cnn电力监测系统终端信息防护法方法 Download PDFInfo
- Publication number
- CN113687610B CN113687610B CN202110855835.5A CN202110855835A CN113687610B CN 113687610 B CN113687610 B CN 113687610B CN 202110855835 A CN202110855835 A CN 202110855835A CN 113687610 B CN113687610 B CN 113687610B
- Authority
- CN
- China
- Prior art keywords
- sample
- value
- cnn
- characteristic
- power
- 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
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
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
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fj，具体计算如下
式中，fj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fj为值为时域功耗小于Pj的所有功率信息集合，Pj为功率的下限，如果j的值介于1到N的之间，则fj的值为介于tj-1和tj之间的值，Hh为功率的上限；N为特征的个数，其中tj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，yj表示第j个样本的标签，其中正样本为1，负样本为-1，xj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
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fj，具体计算如下
式中，fj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fj为值为时域功耗小于Pj的所有功率信息集合，Pj为功率的下限，如果j的值介于1到N的之间，则fj的值为介于tj-1和tj之间的值，Hh为功率的上限；N为特征的个数，其中tj的定义如下：
②利用公式(1),将N＝102，Pj＝0.04A,Hh＝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，yj表示第j个样本的标签，其中正样本为1，负样本为-1，xj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。
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 Adversarial,GAN)和对抗-卷积神经网络(Generative Adversarial Network-Convolutional NeuralNetworks 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 (10)
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，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fj，具体计算如下
式中，fj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fj为值为时域功耗小于Pj的所有功率信息集合，Pj为功率的下限，如果j的值介于1到N的之间，则fj的值为介于tj-1和tj之间的值，Hh为功率的上限；N为特征的个数，其中tj的定义如下：
其中Hj是特征第j个特征的功率值；
②利用公式(1),得到M维原始特征；
步骤3：利用编码算法，对所提取的特征进行筛选，具体表示如下
式中，M为特征的维度，yj表示第j个样本的标签，其中正样本为1，负样本为-1，xj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：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。
3.根据权利要求2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。
4.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。
5.根据权利要求4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。
6.根据权利要求1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。
7.根据权利要求1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。
8.根据权利要求1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。
9.根据权利要求5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。
10.根据权利要求9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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110855835.5A CN113687610B (zh) | 2021-07-28 | 2021-07-28 | 一种gan-cnn电力监测系统终端信息防护法方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110855835.5A CN113687610B (zh) | 2021-07-28 | 2021-07-28 | 一种gan-cnn电力监测系统终端信息防护法方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113687610A CN113687610A (zh) | 2021-11-23 |
| CN113687610B true CN113687610B (zh) | 2023-03-24 |
Family
ID=78578068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110855835.5A Active CN113687610B (zh) | 2021-07-28 | 2021-07-28 | 一种gan-cnn电力监测系统终端信息防护法方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113687610B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358970A (zh) * | 2021-12-21 | 2022-04-15 | 南京千智电气科技有限公司 | 一种源网荷储智能控制终端安全监测方法 |
| CN115761299B (zh) * | 2022-10-09 | 2023-08-29 | 国网江苏省电力有限公司电力科学研究院 | 低压分布式电源安全异常感知方法、装置、存储器及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110534101A (zh) * | 2019-08-27 | 2019-12-03 | 华中师范大学 | 一种基于多模融合深度特征的移动设备源识别方法及系统 |
| CN112446429A (zh) * | 2020-11-27 | 2021-03-05 | 广东电网有限责任公司肇庆供电局 | 一种基于cgan的巡检图像数据小样本扩充方法 |
| CN113159225A (zh) * | 2021-05-17 | 2021-07-23 | 中国石油大学(华东) | 多变量工业过程故障分类方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110320162B (zh) * | 2019-05-20 | 2021-04-23 | 广东省智能制造研究所 | 一种基于生成对抗网络的半监督高光谱数据定量分析方法 |
| CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
| CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及系统 |
| CN111415728A (zh) * | 2019-11-25 | 2020-07-14 | 刘雷 | 基于cnn和gan的ct图像数据自动分类方法及设备 |
| CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
-
2021
- 2021-07-28 CN CN202110855835.5A patent/CN113687610B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110534101A (zh) * | 2019-08-27 | 2019-12-03 | 华中师范大学 | 一种基于多模融合深度特征的移动设备源识别方法及系统 |
| CN112446429A (zh) * | 2020-11-27 | 2021-03-05 | 广东电网有限责任公司肇庆供电局 | 一种基于cgan的巡检图像数据小样本扩充方法 |
| CN113159225A (zh) * | 2021-05-17 | 2021-07-23 | 中国石油大学(华东) | 多变量工业过程故障分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113687610A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN111710150A (zh) | 一种基于对抗自编码网络的异常用电数据检测方法 | |
| CN116699297B (zh) | 充电桩检测系统及其方法 | |
| CN113887912B (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
| CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
| CN114615010A (zh) | 一种基于深度学习的边缘服务器端入侵防御系统设计方法 | |
| CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN117077731A (zh) | 一种多设备协同的配电物联网异常检测方法和系统 | |
| CN116506210A (zh) | 基于流量特征融合的网络入侵检测方法及系统 | |
| CN115062706A (zh) | 森林火灾监测方法及装置、存储介质、电子设备 | |
| CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
| CN117951576A (zh) | 基于Transformer时序多模态特征的电力系统恶意流量检测方法 | |
| CN117171548A (zh) | 一种基于电网大数据的网络安全态势智能预测方法 | |
| CN113905405B (zh) | 一种电力无线接入专网异常流量检测方法 | |
| CN116189299A (zh) | 一种适用于边缘终端的煤矿井下人体动作识别方法 | |
| CN115329082A (zh) | 基于深度混合神经网络的日志序列异常检测方法 | |
| CN115175192A (zh) | 一种基于图神经网络的车联网入侵检测方法 | |
| CN114925740A (zh) | 一种基于对抗性域适应的工控入侵检测系统构建方法 | |
| Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network | |
| CN113328986A (zh) | 基于卷积神经网络与lstm结合的网络流量异常检测方法 | |
| Chen et al. | Network intrusion detection based on subspace clustering and BP neural network | |
| Dong et al. | The research on user short-term electricity load forecasting for judging electric theft | |
| Cheng et al. | Fingerprint Recognition and Classification of IoT Devices Based on Z-Wave | |
| Xia et al. | Smart substation network fault classification based on a hybrid optimization algorithm |
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 |