典型文献
基于深度学习的电网网络攻击检测研究
文献摘要：
针对目前电力数据纬度高、数据不均衡等缺陷导致电力系统网络攻击检测性能较低的问题,提出了一种基于深度学习的电力系统网络攻击检测模型.首先,基于改进的自适应弹性网络对电力数据进行特征提取,提高数据的敏感性,增强模型训练和分类的分析能力.其次,提出了归一化和粒子群优化-K均值(PSO-Kmeans)噪声数据处理方法,从而增强模型对噪声数据的适应性,并在一定程度上缓解模型的过拟合问题.最后,应用基于极限学习机(ELM)的多层集成学习模型对噪声数据进行训练,从而提高分类器精度.验证阶段,与K最近邻(KNN)、随机森林(RF)、支持向量机(SVM)、卷积神经网络(CNN)、ELM等模型进行对比,多层集成分类器在性能指标上均具有明显优势,最优分类器准确率达到88.91％.该模型为电力系统安全管理及稳定运行提供了借鉴.
文献关键词：
电力系统;深度学习;攻击检测;特征提取;Kmeans;集成学习;粒子群优化;极限学习机
中图分类号：
作者姓名：
刘新;常英贤;孙莉莉;张方哲
作者机构：
国网山东省电力公司电力科学研究院,山东 济南 250003;国网山东省电力公司,山东 济南 250001
文献出处：
引用格式：
[1]刘新;常英贤;孙莉莉;张方哲-.基于深度学习的电网网络攻击检测研究)[J].自动化仪表,2022(12):81-85,91
A类：
B类：
网网,网络攻击检测,电力数据,纬度,数据不均衡,致电,电力系统网络,检测性能,检测模型,自适应弹性网,弹性网络,增强模型,模型训练,分析能力,粒子群优化,PSO,Kmeans,噪声数据,数据处理方法,解模,过拟合,极限学习机,ELM,集成学习模型,最近邻,KNN,RF,集成分类器,电力系统安全,系统安全管理
AB值：
0.310821
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
