发明内容
为此,本发明所要解决的技术问题在于克服现有技术中安全风险评估方法存在评估效率与评估准确性低的问题。
为解决上述技术问题,本发明提供了一种电力计量数据安全风险评估方法,包括:
获取电力计量数据集,并计算所述电力计量数据集中每条电力计量数据的特征,得到第一特征向量集合;其中,所述电力计量数据的特征包括但不限于所述电力计量数据的平均值、方差、离群点数;
利用EXP3-聚类算法对所述第一特征向量集合进行聚类,输出电力计量数据簇集以及所述电力计量数据簇集中的电力计量数据簇对应的聚类权重;
将所述电力计量数据簇集中的电力计量数据簇分别输入至第一卷积神经网络中,得到所述电力计量数据簇集中每个电力计量数据簇的第二特征向量;
将所述第二特征向量与所述电力计量数据簇对应的聚类权重、预设安全风险评估上置信界组合得到第一目标特征向量,并将所述第一目标特征向量输入至第二卷积神经网络中,得到电力计量数据簇的安全风险评估上置信界向量;其中,安全风险评估上置信界为电力计量数据簇存在安全风险的概率上限;
将所述第二特征向量与所述电力计量数据簇对应的聚类权重、预设安全风险评估下置信界组合得到第二目标特征向量,并将所述第二目标特征向量输入至第三卷积神经网络中,得到电力计量数据簇的安全风险评估下置信界向量;其中,安全风险评估下置信界为电力计量数据簇存在安全风险的概率下限;
基于所述电力计量数据簇的安全风险评估上置信界向量与所述电力计量数据簇的安全风险评估下置信界向量计算电力计量数据簇安全风险评估结果。
在本发明的一个实施例中,所述利用EXP3-聚类算法对所述第一特征向量集合进行聚类,输出电力计量数据簇集以及所述电力计量数据簇集中的电力计量数据簇对应的聚类权重包括:
将所述第一特征向量集合中至少两个特征向量作为聚类中心向量,并将所述第一特征向量集合中聚类中心向量以外的第一特征向量划分为以所述聚类中心向量为中心的电力计量数据簇,得到电力计量数据簇集;
分别计算所述电力计量数据簇集中每个电力计量数据簇的误差平方和以及误差平方和权重,并基于所述每个电力计量数据簇的误差平方和以及误差平方和权重计算所述电力计量数据簇集的加权误差平方和;
判断所述加权误差平方和与加权误差平方和预设阈值的大小;
若所述加权误差平方和大于等于所述加权误差平方和预设阈值,则更新相对聚类收益;
其中,所述相对聚类收益的更新公式为:
,
其中,为更新前的相对聚类收益,为电力计量数据簇集中每个电力计量数据簇的误差平方和,为电力计量数据簇集的加权误差平方和,表示折中因子,[0,1],表示电力计量数据簇集中的电力计量数据簇数量;
计算所述电力计量数据簇集中各个电力计量数据簇之间的第一相关性,将第一相关性小于相关性预设阈值的电力计量数据簇合并为一个新的电力计量数据簇;
计算所述电力计量数据簇集中每个电力计量数据簇内的第二相关性,将第二相关性小于相关性预设阈值的电力计量数据簇分为两个新的电力计量数据簇;
基于所述新的电力计量数据簇得到新的电力计量数据簇集,并计算所述新的电力计量数据簇集的加权误差平方和,直到所述加权误差平方和小于所述加权误差平方和预设阈值;
输出当前电力计量数据簇集,并将当前电力计量数据簇集中的电力计量数据簇的误差平方和权重作为电力计量数据簇对应的聚类权重。
在本发明的一个实施例中,所述电力计量数据簇集中每个电力计量数据簇的误差平方和的计算公式为:
,
其中,为第个电力计量数据簇包含的第一特征向量个数,为第一特征向量,表示第个电力计量数据簇,表示第个电力计量数据簇的聚类中心向量,表示推理关系;
所述电力计量数据簇集中每个电力计量数据簇的误差平方和权重的计算公式为:
,
其中,为电力计量数据簇集包含的第一特征向量个数;
所述电力计量数据簇集的加权误差平方和的计算公式为:
。
在本发明的一个实施例中,所述电力计量数据簇的安全风险评估上置信界向量为:
,
其中,为电力计量数据簇存在第种安全风险的概率上置信界;
所述电力计量数据簇的安全风险评估下置信界向量为:
,
其中,为电力计量数据簇存在第种安全风险的概率下置信界;
所述电力计量数据簇安全风险评估结果为:
,
其中,为电力计量数据簇对应的第种安全风险的预设权重,表示电力计量数据簇存在的安全风险种类。
在本发明的一个实施例中,所述基于所述电力计量数据簇的安全风险评估上置信界向量与所述电力计量数据簇的安全风险评估下置信界向量计算电力计量数据簇安全风险评估结果后还包括:
将所述电力计量数据簇安全风险评估结果与电力计量数据安全风险预设阈值进行比较;
若所述电力计量数据簇安全风险评估结果大于等于所述电力计量数据安全风险预设阈值,则触发主动防御。
在本发明的一个实施例中,所述若所述电力计量数据簇安全风险评估结果大于等于所述电力计量数据安全风险预设阈值,则触发主动防御包括;
根据所述电力计量数据簇存在第种安全风险的概率上置信界与所述电力计量数据簇存在第种安全风险的概率下置信界计算所述电力计量数据簇存在第种安全风险的概率;
将所述电力计量数据簇存在第种安全风险的概率与电力计量数据第种安全风险主动防御预设阈值进行比较;
若所述电力计量数据簇存在第种安全风险的概率大于所述电力计量数据第种安全风险主动防御预设阈值,则利用电力计量数据簇第种安全风险主动防御方案进行防御,并将所述电力计量数据簇第种安全风险主动防御方案保存至电力计量数据安全风险主动防御方案库。
在本发明的一个实施例中,利用电力计量数据簇第种安全风险主动防御方案进行防御后还包括:
构建电力计量数据簇的安全风险评估上置信界目标向量和电力计量数据簇的安全风险评估下置信界目标向量;
基于所述电力计量数据簇的安全风险评估上置信界向量、所述电力计量数据簇的安全风险评估下置信界向量、所述电力计量数据簇的安全风险评估上置信界目标向量和所述电力计量数据簇的安全风险评估下置信界目标向量构建电力计量数据安全风险评估损失函数;
基于所述电力计量数据安全风险评估损失函数,采用梯度下降法调整所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络的参数。
在本发明的一个实施例中,所述电力计量数据簇的安全风险上置信界目标向量为:
,
其中,为电力计量数据簇存在第种安全风险的目标概率上置信界;
所述电力计量数据簇的安全风险评估下置信界目标向量为:
,
其中,为电力计量数据簇存在第种安全风险的目标概率下置信界;
所述电力计量数据安全风险评估损失函数为:
,
其中,表示电力计量数据簇存在的安全风险种类。
在本发明的一个实施例中,所述基于所述电力计量数据安全风险评估损失函数,采用梯度下降法调整所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络的参数包括:
根据所述电力计量数据安全风险评估损失函数调整所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络中的参数,其调整公式为:
,
其中,为调整后第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的参数,为当前第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的参数,为当前第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的学习速率;
,
其中,为调整后第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的学习速率,为电力计量数据安全风险评估次数,为第次电力计量数据安全风险评估时第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的学习速率,为梯度方向指示因子,若卷积神经网络参数在两次调整过程中梯度下降方向相同,则;若卷积神经网络参数在两次调整过程中梯度下降方向相反,则;为当前学习速率置信界;
,
其中,为调整后的学习速率置信界,为学习速率置信界调整因子。
在本发明的一个实施例中,调整所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络的参数后还包括:
根据所述电力计量数据簇的安全风险评估上置信界向量、所述电力计量数据簇的安全风险评估下置信界向量、所述电力计量数据簇的安全风险评估上置信界目标向量和所述电力计量数据簇的安全风险评估下置信界目标向量更新安全风险评估上置信界和安全风险评估下置信界,以便进行下一次电力计量数据安全风险评估;
其中,更新后的电力计量数据安全风险评估上置信界为:
,
更新后的电力计量数据安全风险评估下置信界为:
。
本发明还提供了一种电力计量数据安全风险评估装置,包括:
数据获取及特征计算模块,用于获取电力计量数据集,并计算所述电力计量数据集中每条电力计量数据的特征,得到第一特征向量集合;其中,所述电力计量数据的特征包括但不限于所述电力计量数据的平均值、方差、离群点数;
聚类模块,用于利用EXP3-聚类算法对所述第一特征向量集合进行聚类,输出电力计量数据簇集以及所述电力计量数据簇集中的电力计量数据簇对应的聚类权重;
第一特征提取模块,用于将所述电力计量数据簇集中的电力计量数据簇分别输入至第一卷积神经网络中,得到所述电力计量数据簇集中每个电力计量数据簇的第二特征向量;
第二特征提取模块,用于将所述第二特征向量与所述电力计量数据簇对应的聚类权重、预设安全风险评估上置信界组合得到第一目标特征向量,并将所述第一目标特征向量输入至第二卷积神经网络中,得到电力计量数据簇的安全风险评估上置信界向量;其中,安全风险评估上置信界为电力计量数据簇存在安全风险的概率上限;
第三特征提取模块,用于将所述第二特征向量与所述电力计量数据簇对应的聚类权重、预设安全风险评估下置信界组合得到第二目标特征向量,并将所述第二目标特征向量输入至第三卷积神经网络中,得到电力计量数据簇的安全风险评估下置信界向量;其中,安全风险评估下置信界为电力计量数据簇存在安全风险的概率下限;
计算模块,用于基于所述电力计量数据簇的安全风险评估上置信界向量与所述电力计量数据簇的安全风险评估下置信界向量计算电力计量数据簇安全风险评估结果。
本发明所述的电力计量数据安全风险评估方法包括:获取电力计量数据集并计算得到该数据集中每条电力计量数据的第一特征向量,组成第一特征向量集合;使用EXP3-聚类算法对该第一特征向量集合进行聚类分析得到电力计量数据簇集和聚类权重,降低了电力计量数据冗余,使得用于电力计量数据安全风险评估的数据特征更加明显,以此提高安全风险评估的效率和准确性;将电力计量数据簇集中的数据簇分别输入第一卷积神经网络得到对应的第二特征向量,并将该第二特征向量、聚类权重分别与安全风险评估上置信界和下置信界组合得到第一目标特征向量和第二目标特征向量,分别提取第一目标特征向量和第二目标特征向量的特征,得到安全风险评估上置信界向量和安全风险评估下置信界向量,并基于安全风险评估上置信界向量和安全风险评估下置信界向量得到电力计量数据簇的安全风险评估结果。通过设置安全风险评估上置信界和下置信界,充分考虑了电力计量数据存在安全风险的概率上下限,使得对电力计量数据进行安全风险评估时的依据更为丰富,提高了电力计量数据安全风险评估的准确性。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1
参照图1所示为本发明提供的电力计量数据安全风险评估方法流程图,包括:
S10:获取电力计量数据集,并计算电力计量数据集中每条电力计量数据的特征,得到第一特征向量集合。
具体地,本实施例中计算的电力计量数据的特征包括该电力计量数据的平均值、方差、离群点数等。
S20:利用EXP3-聚类算法对第一特征向量集合进行聚类,输出电力计量数据簇集以及所述电力计量数据簇集中的电力计量数据簇对应的聚类权重。
本发明通过EXP3-聚类算法对电力计量数据集进行预处理,能够降低电力计量数据冗余,使用于电力计量数据安全风险评估的数据特征更明显,有效提高电力计量数据安全风险评估的准确性和效率。
S30:将电力计量数据簇集中的电力计量数据簇分别输入至第一卷积神经网络中,得到电力计量数据簇集中每个电力计量数据簇的第二特征向量。
S40:将第二特征向量与电力计量数据簇对应的聚类权重、预设安全风险评估上置信界组合得到第一目标特征向量,并将第一目标特征向量输入至第二卷积神经网络中,得到电力计量数据簇的安全风险评估上置信界向量。
具体地,安全风险评估上置信界为电力计量数据簇存在安全风险的概率上限。
S50:将第二特征向量与电力计量数据簇对应的聚类权重、预设安全风险评估下置信界组合得到第二目标特征向量,并将第二目标特征向量输入至第三卷积神经网络中,得到电力计量数据簇的安全风险评估下置信界向量。
具体地,安全风险评估下置信界为电力计量数据簇存在安全风险的概率下限。
通过设置电力计量数据安全风险概率上下限,使得对电力计量数据进行安全风险评估时的依据更为充分,从而提高电力计量数据安全风险评估的准确性。
S60:基于电力计量数据簇的安全风险评估上置信界向量与电力计量数据簇的安全风险评估下置信界向量计算电力计量数据簇安全风险评估结果。
具体地,由于电力计量数据种类繁多,不同类型的电力计量数据,如电压、电流,具有相似的特征,若直接基于原始的电力计量数据进行安全风险评估,过多的冗余数据将会极大降低评估效率与准确性,因此,本申请针对这一问题,对获取的电力计量数据集进行了预处理。
具体地,步骤S10的具体实现方式为:
S100:获取电力计量数据集。
示例地,在本实施例中获取的电力计量数据集中共包含有M种电力计量数据。
S101:计算电力计量数据集中每条电力计量数据的特征,得到第一特征向量,基于每条电力计量数据的第一特征向量得到第一特征向量集合。
示例地,将每一条电力计量数据的第一特征向量定义为,中包含有该条电力计量数据的平均值、方差和离群点数等信息。
基于得到的第一特征向量集合,本申请使用EXP3-聚类算法对其进行了聚类分析。
具体地,步骤S20的具体实现方式为:
S200:将第一特征向量集合中至少两个特征向量作为聚类中心向量,并将第一特征向量集合中聚类中心向量以外的第一特征向量划分为以聚类中心向量为中心的电力计量数据簇,得到电力计量数据簇集。
示例地,在所有的第一特征向量中随机选取K个聚类中心向量,将其余第一特征向量随机划分为K个分别以为中心的电力计量数据簇,基于K个电力计量数据簇得到电力计量数据簇集。
S201:分别计算电力计量数据簇集中每个电力计量数据簇的误差平方和以及误差平方和权重,并基于每个电力计量数据簇的误差平方和以及误差平方和权重计算电力计量数据簇集的加权误差平方和。
具体地,电力计量数据簇集中每个电力计量数据簇的误差平方和的计算公式为:
,
其中,为第个电力计量数据簇包含的特征向量个数,为第一特征向量,表示第个电力计量数据簇,表示第个电力计量数据簇的聚类中心向量,表示推理关系。
可以用来衡量第个电力计量数据簇的特征聚合程度,取值越小则表示第个电力计量数据簇的特征聚合程度越高。
具体地,电力计量数据簇集中每个电力计量数据簇的误差平方和权重的计算公式为:
,
其中,表示折中因子,[0,1],为相对聚类收益,表示电力计量数据簇集中的电力计量数据簇数量,为电力计量数据簇集包含的特征向量个数。
具体地,电力计量数据簇集的加权误差平方和的计算公式为:
。
S202:判断加权误差平方和与加权误差平方和预设阈值的大小。
S203:若加权误差平方和大于等于加权误差平方和预设阈值,则更新相对聚类收益。
具体地,相对聚类收益的更新公式为:
,
其中,为更新前的相对聚类收益。
S204:计算电力计量数据簇集中各个电力计量数据簇之间的第一相关性,将第一相关性小于相关性预设阈值的电力计量数据簇合并为一个新的电力计量数据簇。
示例地,在本实施例中,各个电力计量数据簇之间的第一相关性可以根据两个数据簇的簇中心的距离得到,合并后的新的电力计量数据簇的簇中心为合并前的两个电力计量数据簇的簇中心平均值。
S205:计算电力计量数据簇集中每个电力计量数据簇内的第二相关性,将第二相关性小于相关性预设阈值的电力计量数据簇分为两个新的电力计量数据簇。
示例地,每个电力计量数据簇内的第二相关性可以根据数据簇内第一特征向量之间的距离得到,新生成的两个新的电力计量数据簇的簇中心分别为数据簇内随机的第一特征向量。
S206:基于新的电力计量数据簇得到新的电力计量数据簇集,并计算新的电力计量数据簇集的加权误差平方和,直到加权误差平方和小于加权误差平方和预设阈值。
S207:输出当前电力计量数据簇集,并将当前电力计量数据簇集中的电力计量数据簇的误差平方和权重作为电力计量数据簇对应的聚类权重。
可选地,在步骤S207之后本实施例还对最终的聚类结果进行了验证,其具体实现方式为:基于聚类结果,检测各个数据簇中的第一特征向量是否能够由簇中心经过推理得出,若可以,则表示该第一特征向量与簇中心具有较强的相关性,否则,则表示该第一特征向量与簇中心相关性较弱,判定该第一特征向量为离群点,并对离群点进行剔除,进一步降低了电力计量数据的冗余,从而提高对电力计量数据安全风险评估的准确性。
在对电力计量数据集进行预处理之后,本申请提出了基于双置信界的电力计量数据安全风险评估网络,如图2所示,该网络包括用于第二特征提取的第一卷积神经网络,用于将第二特征向量、聚类权重以及安全风险评估上置信界和下置信界进行拼接的特征拼接部分,用于对拼接后的第一目标特征向量进行特征提取的第二卷积神经网络,即图2中的安全风险评估上置信界通道,用于对拼接后的第二目标特征向量进行特征提取的第三卷积神经网络,即图2中的安全风险评估下置信界通道。
具体地,基于上述双置信界的电力计量数据安全风险评估网络,步骤S30、S40、S50和S60的具体实现方式为:
将电力计量数据簇集中的电力计量数据簇输入至第一卷积神经网络中,得到电力计量数据簇集中每个电力计量数据簇的第二特征向量。
示例地,将预处理后的电力计量数据簇集中每个电力计量数据簇输入至第一卷积神经网络中,得到该电力计量数据簇的第二特征向量。
将该第二特征向量与电力计量数据簇对应的聚类权重、预设安全风险评估上置信界组合得到第一目标特征向量,并将第一目标特征向量输入至第二卷积神经网络中,得到电力计量数据簇的安全风险评估上置信界向量。
示例地,第一目标特征向量表示为:
,
其中,为电力计量数据簇对应的聚类权重,为预设安全风险评估上置信界。
电力计量数据簇的安全风险评估上置信界向量为:
,
其中,为电力计量数据簇存在第种安全风险的概率上置信界。
将该第二特征向量与电力计量数据簇对应的聚类权重、预设安全风险评估下置信界组合得到第二目标特征向量,并将该第二目标特征向量输入至第三卷积神经网络中,得到电力计量数据簇的安全风险评估下置信界向量。
示例地,第二目标特征向量表示为:
,
其中,为预设安全风险评估下置信界。
电力计量数据簇的安全风险评估下置信界向量为:
,
其中,为电力计量数据簇存在第种安全风险的概率下置信界。
基于电力计量数据簇的安全风险评估上下置信界向量计算该电力计量数据簇的安全风险评估结果。
具体地,电力计量数据簇安全风险评估结果为:
,
其中,为电力计量数据簇对应的第种安全风险的预设权重,表示电力计量数据簇存在的安全风险种类。
本申请提出的电力计量数据安全风险评估方法通过使用EXP3-聚类算法对电力计量数据进行预处理,降低了电力计量数据冗余,使得进行安全风险评估时的电力计量数据特征更为明显;又提出了基于双置信界的电力计量数据安全风险评估网络,充分考虑了安全风险发生概率的上下限,有效地提高了电力计量数据安全风险评估的准确性。
实施例2
基于上述实施例1,本申请实施例中基于电力计量数据安全风险评估结果提出了一种主动防御方法,根据电力计量数据安全风险评估结果判断是否需要触发主动防御,其具体包括:
将电力计量数据簇安全风险评估结果与电力计量数据安全风险预设阈值进行比较。
若电力计量数据簇安全风险评估结果大于等于电力计量数据安全风险预设阈值,则触发主动防御。
示例地,电力计量数据安全风险预设阈值为,若,则不触发主动防御,若,则触发主动防御。
针对每一种电力计量数据簇存在的安全风险均有相应的安全风险防御方法,若采用遍历决策即每次都采用所有的安全风险防御方法进行主动防御,则会极大地降低主动防御效率,因此,本申请实施例提出了一种主动防御方法。
具体地,该主动防御方法包括:
步骤1:根据电力计量数据簇存在第种安全风险的概率上置信界与电力计量数据簇存在第种安全风险的概率下置信界计算电力计量数据簇存在第种安全风险的概率。
示例地,电力计量数据簇存在第种安全风险的概率上置信界为,电力计量数据簇存在第种安全风险的概率下置信界为,则电力计量数据簇存在第种安全风险的概率为。
步骤2:将电力计量数据簇存在第种安全风险的概率与电力计量数据第种安全风险主动防御预设阈值进行比较。
步骤3:若电力计量数据簇存在第种安全风险的概率大于电力计量数据第种安全风险主动防御预设阈值,则利用电力计量数据簇第种安全风险主动防御方案进行防御,并将电力计量数据簇第种安全风险主动防御方案保存至电力计量数据安全风险主动防御方案库。
示例地,电力计量数据第种安全风险主动防御预设阈值为,若,利用电力计量数据簇第种安全风险主动防御方案进行防御,并将电力计量数据簇第种安全风险主动防御方案保存至电力计量数据安全风险主动防御方案库。
采用这种方法,可以确定最终的联合主动防御方案库,并基于该方案库进行电力计量数据安全风险评估联合主动防御。
可选地,在本实施例中,针对电力计量数据安全风险进行主动防御后还包括根据防御结果调整基于双置信界的电力计量数据安全风险评估网络中第一卷积网络、第二卷积神经网络和第三卷积神经网络的参数,以将本次电力计量数据安全风险评估和主动防御结果反馈至下一次电力计量数据安全风险评估中,提高电力计量数据安全风险评估准确性和主动防御效果。
具体地,在根据电力计量数据安全风险评估结果进行主动防御后包括:
步骤4:构建电力计量数据簇的安全风险评估上置信界目标向量和电力计量数据簇的安全风险评估下置信界目标向量。
具体地,电力计量数据簇的安全风险上置信界目标向量为:
,
其中,为电力计量数据簇存在第种安全风险的目标概率上置信界。
电力计量数据簇的安全风险评估下置信界目标向量为:
,
其中,为电力计量数据簇存在第种安全风险的目标概率下置信界。
在本实施例中,电力计量数据簇的安全风险评估上置信界目标向量和电力计量数据簇的安全风险评估下置信界目标向量是根据主动防御的防御效果构建的,以将前一次电力计量数据安全风险评估及主动防御结果反馈至下一次电力计量数据安全风险评估及主动防御过程中。
步骤5:基于电力计量数据簇的安全风险评估上置信界向量、电力计量数据簇的安全风险评估下置信界向量、电力计量数据簇的安全风险评估上置信界目标向量和电力计量数据簇的安全风险评估下置信界目标向量构建电力计量数据安全风险评估损失函数。
具体地,电力计量数据安全风险评估损失函数为:
。
步骤6:基于电力计量数据安全风险评估损失函数,采用梯度下降法调整第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的参数。
具体地,其调整公式为:
,
其中,为调整后第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的参数,为当前第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的参数,为当前第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的学习速率。
,
其中,为调整后第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的学习速率,为电力计量数据安全风险评估次数,为第次电力计量数据安全风险评估时第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的学习速率,为梯度方向指示因子,若卷积神经网络参数在两次调整过程中梯度下降方向相同,则;若卷积神经网络参数在两次调整过程中梯度下降方向相反,则;为当前学习速率置信界。
,
其中,为调整后的学习速率置信界,为学习速率置信界调整因子。
步骤7:根据电力计量数据簇的安全风险评估上置信界向量、电力计量数据簇的安全风险评估下置信界向量、电力计量数据簇的安全风险评估上置信界目标向量和电力计量数据簇的安全风险评估下置信界目标向量更新安全风险评估上置信界和安全风险评估下置信界,以便进行下一次电力计量数据安全风险评估。
具体地,更新后的电力计量数据安全风险评估上置信界为:
,
更新后的电力计量数据安全风险评估下置信界为:
。
具体地,在步骤6中,当卷积神经网络参数在两次调整过程中梯度下降方向相同时,表示此时第一卷积神经网络、第二卷积神经网络和第三卷积神经网络参数距离最优参数较远,此时学习速率在经验学习速率的基础上加上学习速率调整因子,以加快学习速率,达到最优参数。当卷积神经网络参数在两次调整过程中梯度下降方向不同时,说明此时第一卷积神经网络、第二卷积神经网络和第三卷积神经网络参数距离最优参数较近,此时学习速率在经验学习速率的基础上减去学习速率调整因子,以降低学习速率。
作为学习速率置信界调整因子,为了提升第一卷积神经网络、第二卷积神经网络和第三卷积神经网络参数稳定性,以提高电力计量数据安全风险评估结果的准确性,随着电力计量数据安全风险评估次数增加,根据评估结果逐渐减小学习速率置信界。特别的,当电力计量数据簇安全风险评估上、下置信界向量和目标向量之间的差距较大时,表明此时第一卷积神经网络、第二卷积神经网络和第三卷积神经网络参数距离最优参数较远,学习速率置信界以较小的幅度减小;当电力计量数据簇安全风险评估上、下置信界向量和目标向量之间的差距较小时,表明此时第一卷积神经网络、第二卷积神经网络和第三卷积神经网络参数距离最优参数较近,学习速率置信界以较大的幅度减小,以提高电力计量数据安全风险评估结果的准确性。
本申请实施例提供的基于电力计量数据安全风险评估结果的主动防御方法不仅能够提高主动防御效率,还可以根据每次主动防御的防御结果对下一次电力计量数据安全风险评估进行反馈,以不断提升电力计量数据安全风险评估和主动防御的准确性。
本申请实施例还提供了一种电力计量数据安全风险评估装置,如图3所示,包括:
数据获取及特征计算模块10,用于获取电力计量数据集,并计算电力计量数据集中每条电力计量数据的特征,得到第一特征向量集合;其中,电力计量数据的特征包括但不限于电力计量数据的平均值、方差、离群点数。
聚类模块20,用于利用EXP3-聚类算法对第一特征向量集合进行聚类,输出电力计量数据簇集以及电力计量数据簇集中的电力计量数据簇对应的聚类权重。
第一特征提取模块30,用于将电力计量数据簇集中的电力计量数据簇分别输入至第一卷积神经网络中,得到电力计量数据簇集中每个电力计量数据簇的第二特征向量。
第二特征提取模块40,用于将第二特征向量与所述电力计量数据簇对应的聚类权重、预设安全风险评估上置信界组合得到第一目标特征向量,并将第一目标特征向量输入至第二卷积神经网络中,得到电力计量数据簇的安全风险评估上置信界向量;其中,安全风险评估上置信界为电力计量数据簇存在安全风险的概率上限。
第三特征提取模块50,用于将第二特征向量与所述电力计量数据簇对应的聚类权重、预设安全风险评估下置信界组合得到第二目标特征向量,并将第二目标特征向量输入至第三卷积神经网络中,得到电力计量数据簇的安全风险评估下置信界向量;其中,安全风险评估下置信界为电力计量数据簇存在安全风险的概率下限。
计算模块60,用于基于电力计量数据簇的安全风险评估上置信界向量与电力计量数据簇的安全风险评估下置信界向量计算电力计量数据簇安全风险评估结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。