基于Elman神经网络的攻击识别方法及并网接口装置制造方法及图纸

本发明专利技术公开了一种基于Elman神经网络的攻击识别方法，包括如下步骤：采集冷热电的状态数据，收集状态数据中能够表征冷热电三联供并网接口装置是否受到攻击的特征数据流；将特征数据流输入至Elman神经网络模型中进行实时检测并输出检测分类结果，当分类结果中存被归入网络攻击类的特征数据，则对状态数据进行拦截并发出报警；当分类结果中特征数据流均被归入正常类时，则将状态数据向上级调度中心进行转发。本发明专利技术还提供了一种并网接口装置。与现有技术相比，提高冷热电三联供系统的安全性以及运行的可靠性。

Attack identification method based on Elman neural network and grid connection interface device

【技术实现步骤摘要】
基于Elman神经网络的攻击识别方法及并网接口装置
本专利技术涉及一种电力装置，特别涉及一种用于冷热电三联供系统中的基于Elman神经网络的攻击识别方法及并网接口装置。
技术介绍
冷热电三联供系统是一种建立在能量梯级利用的概念基础上，以天然气为一次能源，产生冷、热、电三种能量的联产联供系统。它是以天然气为燃料，利用小型燃气轮机、燃气内燃机、微燃机等设备将天然气燃烧后获得的高温烟气首先用于发电，然后利用余热在冬季供暖；在夏季通过制冷机供冷；同时还可提供生活热水，充分利用了排气热量。冷热电三联供系统的能源利用率可高达80％，大量节省了能源。与传统集中式供能方式相比，冷热电三联供系统不仅具有能效高、清洁环保、安全性好、削峰填谷、经济性效益好等优点，还能够满足终端用户多样化的能源供应需求，是电力工业和能源产业的重要发展方向。所谓冷热电三联供，即CCHP(CombinedCooling，HeatingandPower)，是指以天然气为主要燃料带动燃气轮机、微燃机或内燃机发电机等燃气发电设备运行，产生的电力供应用户的电力需求，系统发电后排出的余热通过余热回收利用设备向用户供热、供冷。通过这种方式大大提高整个系统的一次能源利用率，实现了能源的梯级利用。冷热电三联供系统的控制变量主要是燃机功率，控制策略是：根据预测或实测的冷、热、电负荷，利用程序计算出优化运行的燃机功率和对应的优化运行能源综合利用效率，进而通过控制燃机功率，调整系统运行状态，使系统在整个运行阶段内都趋于能源综合利用效率最高状态。为避免负荷误差或计算过程误差过大导致的优化失效，应将程序计算的优化运行能源综合利用效率与实测的能源综合利用效率进行比较，如相差过大超过设定值，则需对控制系统进行检查和修正。随着近年来“能源互联网”、“多能互补”概念兴起，冷热电三联供系统技术日益受到国内外能源动力界的关注，在国内外市场得到迅速发展，工程应用技术日趋成熟。一方面，由于终端用户的用能需求受季节变化、建筑物类型、电网电能供应等综合因素影响，冷热电三联供系统在并网时，需及时准确地将冷、热、电的相关状态数据经并网接口装置上传至上级调度中心；但另一方面，随着电网逐渐推向信息化、智能化，电力工控终端受到各种网络恶意攻击的威胁越来越大，而目前并网接口装置的运行环境是开放的，容易受到各种各样的网络攻击，这些攻击手段会危及到信息的保密性、完整性和可用性，从近些年来世界上发生的许多由于网络攻击或网络信息安全事件发起的大停电事故以及网络攻击干扰电网正常运行的案例可以看出，国内电力工控终端存在的安全漏洞已日益凸显，且由于网络攻击导致的停电事故近年来呈上升趋势。所以对于需要并网的并网接口装置，急需提升其主动免疫能力，避免网络攻击通过入侵并网接口装置来干扰电网的正常运行以及破坏整套冷热电三联供系统。
技术实现思路
本专利技术的目的在于提供一种基于Elman神经网络的攻击识别方法及并网接口装置，要解决的技术问题是能够实现对未知攻击进行主动防御，提高冷热电三联供系统的安全性以及运行可靠性。为解决上述问题，本专利技术采用以下技术方案实现：一种基于Elman神经网络的攻击识别方法，包括如下步骤：步骤一、采集冷热电的状态数据，收集状态数据中能够表征冷热电三联供并网接口装置是否受到攻击的特征数据流，包括公共连接点的电压、电流、有功功率及无功功率数据，燃机功率、供冷量、供热量等遥测、遥调数据，冷热电三联供发电单元的功率信息，用电量等数据；步骤二、将特征数据流输入至Elman神经网络模型中进行实时检测并输出检测分类结果，当分类结果中存在被归入网络攻击类的特征数据，则对状态数据进行拦截并发出报警；当分类结果中特征数据流均被归入正常类时，则将状态数据向上级调度中心进行转发。进一步地，所述步骤二中对状态数据进行拦截并发出报警时，还对状态数据进行拦截并生成日志记录。进一步地，所述步骤一之前，还需要对Elman神经网络模型进行训练，训练采用以下方式实现：一、将样本输入至Elman神经网络模型；所述样本包括正样本和负样本，正样本为能够表征冷热电三联供并网接口装置是否受到攻击的正常数据；负样本为对正样本中的正常数据进行网络攻击后获得；二、对Elman神经网络模型进行训练，包括：(1)对每个隐元用sigmoid激活函数进行标准化处理，变成它们处于激活的概率值：sigmoid激励函数为：其中，e常量取值为2.718，x表示显层传递的值乘于连接权值再加上隐层的偏差；所述显层传递的值为输入的样本中的样本数据，连接权值为神经元之间的联系；(2)计算使隐元被激活的概率：其中，P(hj＝1|v)是指隐元被激活的概率，hj第j个被激活的隐元，v0代表初始显层，vi代表第i个显元，所述第i各显示为训练数据库中训练样本的样本数据的值，wn×m是显层与隐含层之间的连接权值，m是显层显元总个数，n是隐含层隐元总个数，j为第j个隐元，cj是第j个隐元的偏移量，隐含层初始偏移量c为0；所述显层与隐含层之间的连接权值为显层与隐含层之间的联系，连接权值w的初始化来自正态分布N(0，0.01)的随机数；(3)计算使显元被激活的概率：其中：P(vi＝1|h0)是指显元被激活的概率，vi代表重构后第i个被激活的显元，h0代表隐含层，hj代表第j个隐元，hjWn×m是显层与隐含层之间的连接权值，n是隐含层隐元总个数，i为第i个显元，b是显元的偏移量，所述显层偏移量初始化为其中pi表示训练样本中第i个特征处于激活状态的样本所占的比例，所述特征为样本中的样本数据；所述隐层代表激活的特征；(4)然后再次用重构后的显元计算出隐元被激活的概率，得到新的隐含层h′，即，将步骤(2)中激活后隐元的值作为输入值和相应的连接权值相乘，然后对这些乘积求和后再与偏差相加，得到的结果就是重构值，也就是原始输入的近似值，再用步骤(3)公式计算显元被激活的概率，然后将重构后的激活显元值映射给隐元；其中：P(h′j＝1|v′)是指隐元被激活的概率，h′j代表被重构后显层激活的第j个隐元，v′代表重构后的显层，v′i代表第i个显元，所述第i个显示为重构后显元的值，Wn×m是显层与隐含层之间的连接权值，m是显层显元总个数，n是隐含层隐元总个数，j为第j个隐元，cj是第j个隐元的偏移量；所述显层与隐含层之间的连接权值为显层与隐含层之间的联系；(5)进行偏移量权值的更新，更新公式为：ΔW＝[P(h0＝1|v0)v0T-P(h′＝1|v′)v′T]W新＝W+αΔWbi新＝bi+α(vi-v′i)cj新＝cj+α[P(hj＝1|v)-P(h′j＝1|v′)]其中ΔW表示重构后显元和输入值之间的差值α为学习效率取值为0.01，W为更新前的连接权值，v0为初始的显层赋给显元后，v0T为v0的转置，h0为显层映射后激活的隐含层，v′为重构后的显层，重构后的显层再把值映射到隐含层，隐含层激活得到h′；所述初始的显层为即样本中的样本文档来自技高网...

【技术保护点】
1.一种基于Elman神经网络的攻击识别方法，其特征在于：包括如下步骤：/n步骤一、采集冷热电的状态数据，收集状态数据中能够表征冷热电三联供并网接口装置是否受到攻击的特征数据流，包括公共连接点的电压、电流、有功功率及无功功率数据，燃机功率、供冷量、供热量等遥测、遥调数据，冷热电三联供发电单元的功率信息，用电量等数据；/n步骤二、将特征数据流输入至Elman神经网络模型中进行实时检测并输出检测分类结果，当分类结果中存在被归入网络攻击类的特征数据，则对状态数据进行拦截并发出报警；当分类结果中特征数据流均被归入正常类时，则将状态数据向上级调度中心进行转发。/n

【技术特征摘要】
1.一种基于Elman神经网络的攻击识别方法，其特征在于：包括如下步骤：
步骤一、采集冷热电的状态数据，收集状态数据中能够表征冷热电三联供并网接口装置是否受到攻击的特征数据流，包括公共连接点的电压、电流、有功功率及无功功率数据，燃机功率、供冷量、供热量等遥测、遥调数据，冷热电三联供发电单元的功率信息，用电量等数据；
步骤二、将特征数据流输入至Elman神经网络模型中进行实时检测并输出检测分类结果，当分类结果中存在被归入网络攻击类的特征数据，则对状态数据进行拦截并发出报警；当分类结果中特征数据流均被归入正常类时，则将状态数据向上级调度中心进行转发。


2.根据权利要求1所述的基于Elman神经网络的攻击识别方法，其特征在于：所述步骤二中对状态数据进行拦截并发出报警时，还对状态数据进行拦截并生成日志记录。


3.根据权利要求1所述的基于Elman神经网络的攻击识别方法，其特征在于：所述步骤一之前，还需要对Elman神经网络模型进行训练，训练采用以下方式实现：
一、将样本输入至Elman神经网络模型；所述样本包括正样本和负样本，正样本为能够表征冷热电三联供并网接口装置是否受到攻击的正常数据；负样本为对正样本中的正常数据进行网络攻击后获得；
二、对Elman神经网络模型进行训练，包括：
(1)对每个隐元用sigmoid激活函数进行标准化处理，变成它们处于激活的概率值：
sigmoid激励函数为：



其中，e常量取值为2.718，x表示显层传递的值乘于连接权值再加上隐层的偏差；所述显层传递的值为输入的样本中的样本数据，连接权值为神经元之间的联系；
(2)计算使隐元被激活的概率：



其中，是指隐元被激活的概率，第j个被激活的隐元，v0代表初始显层，vi代表第i个显元，所述第i各显示为训练数据库中训练样本的样本数据的值，wn×m是显层与隐含层之间的连接权值，m是显层显元总个数，n是隐含层隐元总个数，j为第j个隐元，cj是第j个隐元的偏移量，隐含层初始偏移量c为0；所述显层与隐含层之间的连接权值为显层与隐含层之间的联系，连接权值w的初始化来自正态分布N(0，0.01)的随机数；
(3)计算使显元被激活的概率：



其中：P(vi＝1|h0)是指显元被激活的概率，vi代表重构后第i个被激活的显元，h0代表隐含层，hj代表第j个隐元，hjWn×m是显层与隐含层之间的连接权值，n是隐含层隐元总个数，i为第i个显元，b是显元的偏移量，所述显层偏移量初始化为其中pi表示训练样本中第i个特征处于激活状态的样本所占的比例，所述特征为样本中的样本数据；所述隐层代表激活的特征；
(4)然后再次用重构后的显元计算出隐元被激活的概率，得到新的隐含层h′，即，将步骤(2)中激活后隐元的值作为输入值和相应的连接权值相乘，然后对这些乘积求和后再与偏差相加，得到的结果就是重构值，也就是原始输入的近似值，再用步骤(3)公式计算显元被激活的概率，然后将重构后的激活显元值映射给隐元；



其中：P(h′j＝1|v′)是指隐元被激活的概率，h′j代表被重构后显层激活的第j个隐元，v′代表重构后的显层，v′i代表第i个显元，所述第i个显示为重构后显元的值，Wn×m是显层与隐含层之间的连接权值，m是显层显元总个数，n是隐含层隐元总个数，j为第j个隐元，cj是第j个隐元的偏移量；所述显层与隐含层之间的连接权值为显层与隐含层之间的联系；
(5)进行偏移量权值的更新，更新公式为：
ΔW＝[P(h0＝1|v0)v0T-P(h′＝1|v′)v′T]
W新＝W+αΔW
bi新＝bi+α(vi-v′i)



其中ΔW表示重构后显元和输入值之间的差值(误差反馈)，α为学习效率取值为0.01，W为更新前的连接权值，v0为初始的显层赋给显元后，v0T为v0的转置，h0为显层映射后激活的隐含层，v′为重构后的显层，重构后的显层再把值映射到隐含层，隐含层激活得到h′；所述初始的显层为即样本中的样本数据；
(6)待一个初始显层充分训练完成后，确定该训练样本数据的联系权值以及偏移量；
(7)重复(1)-(6)，直到所有样本数据训练完成，最终得到训练后的Elman神经网络模型。


4.根据权利要求1所述的基于Elman神经网络的攻击识别方法，其特征在于：在步骤(7)后，还可以对Elman神经网络模型进行检验，将任一样本数据输入至训练后的Elman神经网络模型中进行模型检验，当输出的结果不满足预期时，则对连接权值以及偏移量进行修改后重复步骤(2)-(6)直到输出的结果满足预期时结束，所述预期为更新后的连接权值W的绝对值。


5.一种并网接口装置，其特征在于：包括测量模块、控制模块、攻击检测模块、电源模块、通信模块、显示模块、开出模块、开入模块、存储器；所述攻击检测模块分别与开入模块、测量模块、电源模块以及通信模块连接，测量模块与攻击检测模块之间通过AD转换模块进行模数转换，控制模块分别与电源模块、显示模块、开出模块、存储器以及通信模块连接；
测量模块用于测量冷热电三联供系统数据流中部分状态数据并通过AD转换后发送至攻击检测模块；<...

【专利技术属性】
技术研发人员：李鹏，习伟，匡晓云，徐成斌，何鸿雁，于杨，姚浩，简淦杨，杨祎巍，陈锐，祖连兴，陈远生，占捷文，王乾刚，丁凯，朱小帆，贺生国，黄植炜，肖声远，吕志宁，邓巍，刘威，宁柏锋，
申请(专利权)人：南方电网科学研究院有限责任公司，长园深瑞继保自动化有限公司，深圳供电局有限公司，
类型：发明
国别省市：广东;44