一种基于改进概率神经网络的智能电网安全态势评估方法技术

本发明专利技术涉及一种基于改进概率神经网络的智能电网安全态势评估方法，属于互联网技术领域

【技术实现步骤摘要】
一种基于改进概率神经网络的智能电网安全态势评估方法


[0001]本专利技术属于互联网
，涉及一种基于改进概率神经网络的智能电网安全态势评估方法
。

技术介绍

[0002]随着特高压电网和新一代工业信息技术不断发展，智能电网的规模和复杂程度也日益增加，电网的多样性
、
复杂性
、
开放性在给电力行业带来便利的同时，也给智能电网系统的安全运行性带来了巨大挑战
。
当前我国电力行业已经实现了特高压和大电网的发展目标，但是电网安全防护整体结构仍然相对薄弱，电力行业运行中的故障不断增加，造成大面积停电等事故，对国家
、
经济
、
社会都产生了严重的影响
。
传统的安全防护措施，如访问控制
、
防火墙等，已经难以应对当前电网面临的各种复杂的网络安全风险
。
而网络态势感知技术可以实时地评价网络安全风险，进一步定量计算智能电网系统整体安全态势和遭受的某种攻击，它综合了影响网络安全的指标，能够将事后处理转化为事前处理，减少网络攻击所带来的负面影响
。
[0003]目前，虽然有将机器学习方法应用到网络安全态势评估领域的，但都是应用到一般的互联网领域，缺乏针对智能电网的安全态势评估技术，传统的网络安全态势评估技术难以直接应用于智能电网中
。
因此，研究工业互联网环境下准确率更高的智能电网安全态势评估方法，对于保障智能电网的安全，有着至关重要的意义
。
>
技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于改进概率神经网络的智能电网安全态势评估方法，解决传统电网安全态势评估方法不能较好地直接应用于智能电网的问题，提出一种评估准确率高
、
收敛速度快的智能电网安全态势评估方法
。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于改进概率神经网络的智能电网安全态势评估方法，该方法包括以下步骤：
[0007]S1
：收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；
[0008]S2
：对数据库中的安全数据进行数据清洗
、
归一化预处理，得到智能电网安全数据集；
[0009]S3
：将数据集输入
XGBOOST
进行特征筛选，提取出其关键特征；
[0010]S4
：采用留出法构造训练样本数据集和测试样本数据集；
[0011]S5
：搭建
XGBOOST
‑
ISSA
‑
PNN
智能电网安全态势评估模型，并利用训练集样本集对模型进行分类训练并保留其最优参数；
[0012]S6
：利用训练好的
XGBOOST
‑
ISSA
‑
PNN
攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估网络的安全状况
。
[0013]可选的，所述
S2
具体包括以下步骤：
[0014]S21
：通过数据清洗操作，剔除智能电网安全数据中的无效数据；
[0015]S22
：归一化：按照以下公式将数据归一化到
[0,1]区间：
[0016][0017]式中，
X
min
和
X
max
分别表示实验数据集中的最小值数据和最大值数据；
X
i
为实验数据中的第
i
个数，
Y
i
为
X
i
归一化后的值
。
[0018]可选的，所述
S3
中，将训练样本数据集中样本的特征数量作为原始输入特征，利用
XGBOOST
得到各个特征的重要程度，再采用递归式的方法筛选保留其关键特征
。
[0019]可选的，所述
S4
中，采用留出法将智能电网安全数据集的
80
％数据确定为训练样本数据集，
20
％确定为测试样本数据集，构建训练样本集
D
＝
(X
i
,Y
i
)
和测试样本集
T
＝
(X
i
,Y
i
)。
[0020]可选的，所述
S5
中，将混沌优化算法和改进后的高斯变异算法引入麻雀算法得到改进后的麻雀优化算法，首先使用混沌优化算法初始化麻雀算法中的种群规模
、
最大迭代次数
、
空间维数，再利用步骤
S4
中构建的训练样本数据集训练态势评估模型，以经过训练得到的评估值和真实值之间的残差作为适应度函数，找出最优麻雀个体，然后引入改进后的高斯变异算法对最优个体进行扰动寻优，最后将得到的最优个体对概率神经网络
PNN
参数进行优化，构建出基于
XGBOOST
‑
ISSA
‑
PNN
的智能电网安全态势评估模型
。
[0021]可选的，所述
S5
具体包括以下步骤：
[0022]S51
：模型参数初始化：设定
PNN
模型的初始参数
、
平滑因子
σ
参数，设定
n
为麻雀种群的数量，
iter
max
表示最大迭代次数，并采用混沌优化算法初始化麻雀种群，使种群均匀分布，对位置进行初始化，
Tent
混沌优化算法的公式如下所示：
[0023][0024]式中：
X
t+1
为第
t+1
次迭代时的混沌数值；
X
t
为第
t
次迭代时的混沌数值；
α
为区间
[0,1]的常量，
α
取
α
＝
0.75
；
T
为最大迭代次数；
[0025]S52
：
PNN
神经网络训练，以经过训练得到的评估值和真实值之间的残差作为麻雀搜索算法的适应度函数来计算每个麻雀个体的适应度值；
[0026]S53
：更新发现者
、
跟随者
、
警戒者的位置：
[0027]每一次迭代过程中，种群中发现者的位置公式的更新如下式：
[0028][0029]式中：
t
为当前迭代次数；为第
t
代第
i
个麻雀在第
j
维的位置，
j
...

【技术保护点】

【技术特征摘要】
1.
一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：该方法包括以下步骤：
S1
：收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；
S2
：对数据库中的安全数据进行数据清洗
、
归一化预处理，得到智能电网安全数据集；
S3
：将数据集输入
XGBOOST
进行特征筛选，提取出其关键特征；
S4
：采用留出法构造训练样本数据集和测试样本数据集；
S5
：搭建
XGBOOST
‑
ISSA
‑
PNN
智能电网安全态势评估模型，并利用训练集样本集对模型进行分类训练并保留其最优参数；
S6
：利用训练好的
XGBOOST
‑
ISSA
‑
PNN
攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估网络的安全状况
。2.
根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述
S2
具体包括以下步骤：
S21
：通过数据清洗操作，剔除智能电网安全数据中的无效数据；
S22
：归一化：按照以下公式将数据归一化到
[0,1]
区间：式中，
X
min
和
X
max
分别表示实验数据集中的最小值数据和最大值数据；
X
i
为实验数据中的第
i
个数，
Y
i
为
X
i
归一化后的值
。3.
根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述
S3
中，将训练样本数据集中样本的特征数量作为原始输入特征，利用
XGBOOST
得到各个特征的重要程度，再采用递归式的方法筛选保留其关键特征
。4.
根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述
S4
中，采用留出法将智能电网安全数据集的
80
％数据确定为训练样本数据集，
20
％确定为测试样本数据集，构建训练样本集
D
＝
(X
i
,Y
i
)
和测试样本集
T
＝
(X
i
,Y
i
)。5.
根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述
S5
中，将混沌优化算法和改进后的高斯变异算法引入麻雀算法得到改进后的麻雀优化算法，首先使用混沌优化算法初始化麻雀算法中的种群规模
、
最大迭代次数
、
空间维数，再利用步骤
S4
中构建的训练样本数据集训练态势评估模型，以经过训练得到的评估值和真实值之间的残差作为适应度函数，找出最优麻雀个体，然后引入改进后的高斯变异算法对最优个体进行扰动寻优，最后将得到的最优个体对概率神经网络参数进行优化，构建出基于
XGBOOST
‑
ISSA
‑
PNN
的智能电网安全态势评估模型
。6.
根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述
S5
具体包括以下步骤：
S51
：模型参数初始化：设定概率神经网络模型的初始参数
、
平滑因子
σ
参数，设定
n
为麻雀种群的数量，
iter
max
表示最大迭代次数，并采用混沌优化算法初始化麻雀种群，使种群均匀分布，对位置进行初始化，
Tent
混沌优化算法的公式如下所示：
式中：
X
t+1
为第
t+1
次迭代时的混沌数值；
X
t
为第
t
次迭代时的混沌数值；
α
为区间
[0,1]
的常量，
α
取
α
＝
0.75
；
T
为最大迭代次数；
S52
：
PNN
神经网络训练，以经过训练得到的评估值和真实值之间的残差作为麻雀搜索算法的适应度函数来计算每个麻雀个体的适应度值；
S53
：更新发现者
、
跟随者
、
警戒者的位置：每一次迭代过程中，种...

【专利技术属性】
技术研发人员：胡向东，王拓，白银，韩恺敏，崔鹏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：