自动化与仪器仪表2023，Issue(5) ：100-105.DOI:10.14016/j.cnki.1001-9227.2023.05.100

基于机器学习的电力系统网络异常检测与分类方法

Network anomaly detection and classification method of power system based on machine learning

段笑晨 王延
自动化与仪器仪表2023，Issue(5) ：100-105.DOI:10.14016/j.cnki.1001-9227.2023.05.100
✕
  • 维普
  • 万方数据

基于机器学习的电力系统网络异常检测与分类方法

Network anomaly detection and classification method of power system based on machine learning

段笑晨 1王延1
扫码查看

作者信息

  • 1. 国网天津营销服务中心,天津300202
  • 折叠

摘要

针对电力系统网络异常检测问题,提出一种基于随机森林的网络特征分类方法,并在此基础上采用双向LSTM分类模型进行网络异常检测.首先根据IEC 104协议报文格式与传输大小构建应用层多维特征,对构建特征进行排序筛选,得到对网络状况影响程度最高的10项特征;再将筛选出的特征输入Bi_LSTM分类模型,二分类和多分类不同角度进行网络异常检测.结果表明,在二分类实验中,采用的双向LSTM算法,检测率为92.48％,较kNN算法高9.14％,较SVW算法高34.11％;误检率为7.38％,较kNN算法低6.13,较SVW算法低2.14％,检测效果最好.而在输入正常样本、DoS异常样本和IEC 104异常样本的多分类检测中,使用双向LSTM算法检测率分别为92.59％、92.31％和48.12％,较kNN算法和SVW算法更高;误检率分别为10.54％、8.11％和4.13％,较对比模型综合误差最低,网络异常检测效果最好.

关键词

远动电力系统/网络异常检测/随机森林/循环神经网络/特征分类

引用本文复制引用

基金项目

国网天津营销中心科技项目(营服-营销21-35)

出版年

2023
自动化与仪器仪表
重庆工业自动化仪表研究所,重庆市自动化与仪器仪表学会

自动化与仪器仪表

CSTPCD
影响因子：0.327
ISSN：1001-9227
参考文献量14
段落导航相关论文