一种基于FCM算法的电力系统网络异常数据聚类漏洞检测技术技术方案

本发明专利技术公开了一种电力系统网络异常数据聚类漏洞检测技术，属于电力系统网络安全领域。针对传统异常检测方法高维数据处理能力不足、动态适应性差、误报率高等问题，提出基于改进FCM算法的检测技术。该技术通过动态特征权重矩阵设计、时间自适应隶属度更新、物理约束正则化及增量式密度峰值初始化等模块，构建融合时空特征与物理约束的智能聚类框架。利用GCN与Transformer提取多维特征，结合注意力机制动态调整权重，引入时间衰减因子与模糊逻辑约束，实现精准聚类。实验表明，该技术在某省级电网应用中，异常检测准确率提升至94.3％，决策生成时间缩短至14.8ms，约束违反率降至2.1％，显著提升电网安全防护的实时性与可靠性。

【技术实现步骤摘要】

本专利技术涉及电力系统网络安全，具体是一种基于改进模糊c均值(fcm)算法的电力系统网络异常数据聚类漏洞检测技术，用于解决高维电力数据的异常识别、动态漏洞检测及实时安全防护问题。

技术介绍

1、随着电力系统网络化、智能化发展，其网络安全问题日益突出，存在大量异构数据(如scada系统数据、智能电表数据等)。传统基于规则库或统计分析的异常检测方法存在以下局限性：

2、高维数据处理能力不足：电力数据维度高、非线性关系复杂，难以有效提取特征；

3、动态适应性差：网络攻击模式演化，静态规则库无法覆盖新型漏洞；

4、误报率高：对噪声数据和正常波动敏感，导致误判。

5、传统fcm算法在电力系统应用中还存在聚类中心初始化敏感、高维特征权重分配不均的问题，亟需一种融合时空特征与物理约束的智能检测技术。

6、术语与缩写全称

7、·fcm：模糊c均值聚类(fuzzy c-means clustering)

8、·gcn：图卷积网络(graph convolutional network)...

【技术保护点】

1.一种电力系统网络异常数据聚类漏洞检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述动态特征权重矩阵设计包括：

3.根据权利要求1所述的方法，其特征在于，所述时间自适应隶属度更新包括：

4.根据权利要求1所述的方法，其特征在于，所述物理约束正则化包括：

5.根据权利要求1所述的方法，其特征在于，所述增量式密度峰值初始化包括：

6.根据权利要求2所述的方法，其特征在于，所述GCN与Transformer级联结构中，GCN层通过邻接矩阵加自环及度矩阵归一化计算特征矩阵，Transformer编码器采用8头...

【技术特征摘要】

1.一种电力系统网络异常数据聚类漏洞检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述动态特征权重矩阵设计包括：

3.根据权利要求1所述的方法，其特征在于，所述时间自适应隶属度更新包括：

4.根据权利要求1所述的方法，其特征在于，所述物理约束正则化包括：

5.根据权利要求1所述的方法，其特征在于，所述增量式密度峰值初始化包括：

6.根据权利要求2所述的方法，其特征在于，所述gcn与transformer级联结构中，gcn层通过邻接矩阵加自环及度矩阵归一化计算特征矩阵，transformer编码器采用8头注意力机制及正弦余弦位置编码，时空融合表示为节点空间特征与时序特征的拼接。

7.根据权利要求2所述的方法，其特征在于，所述注意力权重计算网络采用三层mlp结构，激活函数为swish函数，结合layer normalization与dropout防止过拟合，...

【专利技术属性】
技术研发人员：凌颖，卢杰科，韩松明，谢铭，张维，明少锋，唐福川，曾明霏，谢菁，谭期文，黎新，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：