一种基于深度学习的电表异常操作检测方法及系统技术方案

本发明专利技术涉及电力系统领域，特别涉及一种基于深度学习的电表异常操作检测方法及系统，方法包括：远端服务器运行初期收集发送给集中器的控制命令，当收集的数据量达到规定则对收集的数据进行聚类；通过聚类得到多个聚类中心的信息并发送给集中器，集中器通过计算控制指令与各个聚类中心的距离判断该数据标签是否异常；集中器收集标签为异常的数据，若数据量达到第二阈值，则将收集的数据作为第二数据集，利用该数据集对

【技术实现步骤摘要】
一种基于深度学习的电表异常操作检测方法及系统


[0001]本专利技术涉及电力系统领域，特别涉及一种基于深度学习的电表异常操作检测方法及系统
。

技术介绍

[0002]智能电表的应用已经广泛，由于其能够实时采集和传输用电信息，对于电力系统的运行和管理具有重要的作用
。
然而，智能电表也面临着一些安全问题，如被黑客入侵
、
攻击或恶意用户篡改
。
其次，智能电表在传输电能数据时可能会出现数据泄露和隐私问题，这会威胁到用户的隐私权和信息安全
。
最后，由于智能电表的检测方法主要依赖于人工构建的规则或模型，其对于新型攻击的检测能力相对较弱，难以实现对电表异常操作的实时检测和防范
。
因此，开发一种具有强大自适应性和泛化能力的电表异常操作检测系统和方法变得尤为重要
。

技术实现思路

[0003]针对上述问题，本专利技术提出一种基于深度学习的电表异常操作检测方法，在远端服务器向集中器发送的控制命令进行异常检测，具体包括以下步骤：
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的电表异常操作检测方法，其特征在于，在远端服务器向集中器发送的控制命令进行异常检测，具体包括以下步骤：在系统初始化后的固定时间周期内，远端服务器收集发送给集中器的控制命令；当集中器收集的控制命令的数量达到第一阈值，则将收集的数据作为第一数据集，并对第一数据集进行聚类；通过聚类得到多个聚类中心的信息，集中器将聚类中心的数据发送给集中器，集中器计算收到的控制指令与各个聚类中心的距离，若与距离最近的聚类中心的距离大于设定阈值，则该数据标签为异常；集中器收集标签为异常的数据，若数据量达到第二阈值，则将收集的数据作为第二数据集；利用第二数据集对
GRU
模型进行训练，并将完成训练的模型参数发送给集中器；集中器根据收到的模型参数更新本地模型，并根据更新后的模型对收到的控制命令进行检测
。2.
根据权利要求1所述的一种基于深度学习的电表异常操作检测方法，其特征在于，对控制指令进行聚类的过程包括以下步骤：利用滑动窗口技术将收集的控制指令序列截取为等长的短序列；利用
Word2Vec
技术将每个短序列转换为向量形式；利用欧式距离计算每个控制指令之间的距离，并基于该距离进行聚类，得到多个聚类中心
。3.
根据权利要求1所述的一种基于深度学习的电表异常操作检测方法，其特征在于，
GRU
模型进行检测时，以当前的控制命令的向量表示以及前一时刻的隐藏状态作为输入的过程包括以下步骤：
r
t
＝
σ
(W
rx
x
t
+W
rh
h
t
‑1+b
r
)z
t
＝
σ
(W
zx
x
t
+W
zh
h
t
‑1+b
z
)h'
t
＝
tanh(W
hx
x
t
+W
hr
r
t
h
t
‑1+b
h
)h
t
＝
(1
‑
z
t
)h
t
‑1+z
t
h'
t
其中，
W
rx
、W
rh
为更新门中的权重矩阵，
b
r
为更新门中的偏置；
W
zx
、W
zh
为重置门中的权重矩阵，
b
z
为重置门中的偏置；
W
hx
、W
hr
为隐藏层中的权重矩阵，
b
h
为隐藏层中的偏置
。4.
根据权利要求1所述的一种基于深度学习的电表异常操作检测方法，其特征在于，远端服务器向集中器发送的控制命令为二进制指令，将二进制指令转换为英文指令后再用于检测和训练
。5.
一种基于深度学习的电表异常操作检测系统，其特征在于，包括远端服务器和集中器，远端服务器包括训练模块
、
存储...

【专利技术属性】
技术研发人员：万邦睿，王诗雨，钱鹰，陈奉，刘歆，莫昊恂，姜美兰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：