基于Cyber-net与无监督学习的电网调度网络安全态势感知方法.pdf

Microcomputer Applications Vol.39,No.10,2023文章编号：10 0 7-7 57 X（2 0 2 3)10-0 19 7-0 4开发应用基于Cyber-net与无监督学习的电网调度网络安全态势感知方法微型电脑应用2 0 2 3年第39 卷第10 期张伟，纪巍（国网内蒙古东部电力有限公司，内蒙古，呼和浩特0 10 0 2 0）摘要：在电网运行过程中，如果调度网络受到攻击，容易出现安全漏洞，导致电网调度安全性降低，为此，提出基于Cyber-net与无监督学习的电网调度网络安全态势感知方法。构建电网调度网络隔离性安全检测模型，引入综合风险指标作为电网的三层评估指标，建立电网调度的可靠性指标计算体系；通过引入期望负荷削减参数，实现电网调度安全性频率特征监测；基于负荷削减平均持续风险指标评估，设置电网调度的安全允许条件；结合风险评估和负荷参数检测，采用Cyber-net构建电网控制模型；采用无监督学习的方法，通过接入和分散式调度，实现电网的安全态势感知。测试表明，该方法进行电网调度网络安全态势感知的准确性较高，能够提高并网控制的安全性。关键词：Cyber-net；无监督学习；电网调度；网络安全中图分类号：TM73Security Situational Awareness Method for Power Grid Dispatching NetworkAbstract:In the power network operation,when the dispatching network is attacked,it is prone to have security holes and re-duce the security of power grid dispatching.Therefore,a security situation awareness method based on Cyber-net and unsuper-vised learning is proposed.The isolation security detection model of power grid dispatching network is constructed,the com-prehensive risk index is introduced as the three-tier evaluation index of power grid,and the reliability index calculation systemof power grid dispatching is established.By introducing the expected load reduction parameter,the frequency characteristic mo-nitoring of power grid dispatching security is realized.Based on the assessment of the average continuous risk index of load re-duction,the safety allowable conditions for power grid dispatching are set.Combined with risk assessment and load parameterdetection,Cyber-net is used to build the power grid control model.The unsupervised learning method is adopted to realize thesecurity situation awareness of power grid through access and decentralized scheduling.The test shows that the method hashigh accuracy of network security situation awareness and can improve the security of grid connection control.Key words:Cyber-net;unsupervised learning;power grid dispatching;network security0引言电网调度网络具有无线传输特性，多用户接人下的传输网络容易受到安全入侵，导致网络安全性较差，有必要对电网调度网络进行安全态势感知1-3。文献4构建了基于Q学习算法的网络状态感知方法，预测网络攻击路径，改进网络安全评价标准；根据演化博奔理论，复制方程动态再现攻防双方的对抗行为，预测攻击行为，确定最优防御策略。文献5采用朴素贝叶斯方法的基础上，增加安全态势因子,计算安全态势指数，为了提高态势感知算法的灵敏度及准确性，信息融合之外的态势敏感因子，增加攻击场景作为态势安全指数的一部分来计算安全态势。设计朴素贝叶斯分类作者简介：张伟（198 9一），男，蒙古族，硕士，工程师，研究方向为电力系统自动化技术、电力监控系统二次安防技术和调度数据网技术；纪巍（198 8 一），男，蒙古族，硕士，工程师，研究方向为电力系统自动化技术、电力监控系统二次安防技术和调度数据网技术。文献标志码：ABased on Cyber-net and Unsupervised LearningZHANG Wei,JI Wei(State Grid East Inner Mongolia Electric Power Co.,Ltd.,Huhhot 010020,China)学习的方法实现安全态势感知学习控制。Cyber-net是一种针对网络系统外部人侵威胁的分析系统。该系统可以实时监控翻越安全墙进入内联网的非法侵人者，跟踪黑客最新攻击手段和攻击方法，识别外部攻击源并开启保护，同时兼顾安全墙连接到外部的通道，监控应用程序的指控并避免来自内部的意外违规。.197器，融合多源异构主机信息，感知网络安全态势。上述传统方法进行电网调度网络安全态势感知的自适应性不好，检测性能不好，对此，本文提出基于Cyber-net与无监督学习的电网调度网络安全态势感知技术。在电网调度的安全允许条件下，构建电网调度网络隔离性安全检测模型，结合风险评估和负荷参数检测，采用Cyber-net与无监督Microcomputer Applications Vol.39,No.10,2023开发应用微型电脑应用2 0 2 3年第39 卷第10 期1指标参数分析和模型构造1.1电网调度网络安全态势指标参数分析为了实现基于Cyber-net与无监督学习的电网调度网络安全态势感知，首先，构建电网调度网络隔离性特征分析模型6-7，进行安全态势指标参数分析。首先，提取电网调度网络安全融合参数，引入风险评价指标体系8 如图1所示。设置切负荷设置线路越线设置电压越线综合风险评估层风险变花指标凤险变化指标凤险变化指标权重1权重0 2切负荷风险线路越线风险电压越线风险风险价值评估层变花指棕切负荷基础评估层风险指标图1并网调度网络的风险评价指标体系根据图1可知，本文建立的风险评价指标体系包括三层：负责设置指标权重的综合风险评估层、体现风险变化的风险价值评估层以及基础评估层。评估体系的评估顺序为经过基础评估后，将评估结果输人风险价值评估层中继续评估，最后进行综合风险评估层完成整体指标权重评估。引人综合风险指标（CRI)作为绿色能源发电并网调度网络安全特征量9，在电力系统电网调度网络安全态势评估中，风险价值可以反映在电网调度网络隔离性安全特征，构建电网调度网络安全态势感知融合模型，得到电网调度网络综合风险指标评价公式：K=P(ei+)+.+P(e)+e;ln(Ro+L;e,)式（1)中，P表示电网输出电量，ei表示风险价值参数，L；表示层次分析参数，求得电网调度的潜在最大损失，得到最小效用阅值：E(a)=P(C,I C,R,(w),jERo,wEp(2)式(2)中,C,表示状态抽样系数，R,表示并网调度总系数，p表示统计概率密度，电网调度网络安全态势感知的误差C,(o)可以表示为C,(w)=min(Q Pr(C,P)w)=P(C,)+e;(w),jERawwEp(3)式（3)中，Q表示负荷削减，基于运行条件建立了绿色再生能源发电并网机、常规发电机和输电线路的实时检测模型10，提取电网调度网络的联合分量，在域空间（h，f)内，得到电网调度网络隔离性安全信息的统计特征分布指数集为f()=I,h E Levf式(4)中，为非序贯蒙特卡洛模系数，计算最大效用合并集，建立综合风险状况分析模型。1.2绿色再生能源发电并网感知模型构造构建电网调度网络风险安全感知分布集11，由此得到电网调度网络隔离性安全信息的特征分解模型：F=GG式(5)中，G=g i,g 2,g n，g n+1为电网调度网络风险安全感知输出链路（，y m）上的矩阵，=diagL1，n，i+1为最优负荷削减特征量，表示一组特征关联量化集，且满足in+1。在常规发电机和输电线路的实时停运状态下，得到电网调度网络感知模型满足0 nP+1，基于三层风险评估指标评价，构建网络感知方法的无监督学习函数12 为(6)权重0 3式(6)中，单时刻与多时刻的电网调度网络安全态势分布函数表示为 f(u.)=U+ln(1 u)u/0.变化指标变化指标工线路越线风险指标Jf(),h E Levf(5)Sr=Ff(ui)2由此构建绿色再生能源发电并网感知模型，通过安全态势分布参数，实现安全态势融合评价。电压越线2电网调度网络安全态势感知优化风险指标2.1电网调度网络安全态势参数分析无监督学习即机器学习，根据类别未被标记的训练样本识别各类工作模式，称为无监督学习。电网调度网络安全态势感知方法需要分析网络隔离性安全检测的分布特征信息，但分布特征信息尚未被标记，因此采用无监督学习方法进行参数的自适应寻优，电网调度网络隔离性安全检测的送代步数为N，网络隔离性安全检测的分布特征信息为R:(m,n)=f(u.)=Zcui式(7)中,c4e;=cum(|u;（(t)|)表示电网调度网络隔离性安全信息的谱密度。用CAe表示电网调度网络隔离性安全节点的汇聚链路层，采用模糊信息聚类的方法，得到绿色再生能源(1)发电并网性安全信息分布的强度：根据安全信息分布的强度，采用机器学习的自动更新规则，完成发电并网感知模型构造。3电网调度网络安全态势感知优化3.1电网调度网络安全态势融合引人综合风险指标作为电网的三层评估指标，基于失负荷概率和电量不足期望响应特征分析，建立电网调度的可靠性指标计算体系。通过引入期望负荷削减参数，得到电网调度网络安全态势分量，再生能源发电并网调度网络的分布特征集为 I,=（I，I s 2，,I n+1),其中kEm;（j),n;（j）=（R一Pu（j）,则传输信道容量记为N/2-12元imW,=22(J;cosn-Jisin2元imk=0,1,.,N-1NN(4)式（9)中，J表示电网调度网络查询参数，则网络安全态势评估周期为D=cum(oa(t+1),Ua+r(t),vi+1(t),vb(t)设的分布维数函数为H（a)，如果=bia;，b*=198.(7)(8)(9)(10)11=1Microcomputer Applications Vol.39,No.10,2023y:一K(uaua)，则采用Logistic指数分布实现映射9:（X），电网调度网络的安全融合间隔为（X，=1,2,L)，电网调度网络的相似度特征为y=ei。由此实现电网调度网络安全态势参数分析。3.2电网调度网络安全感知分析通过引人期望负荷削减参数，实现对电网调度安全性频率特征监测,基于负荷削减平均持续风险指标评估,建立电网调度的安全允许条件，得到电网调度的指标为s=s 1，2，s+1J，电压越限风险变化指标（VVRCI)集=,，J，采用五元组Z=(P,I,R1,F,L)表示绿色再生能源发电并网特征分布流为e=e-=Z(ua-u)Xm(s)Xt;(s)(1l)式(11)中，e为电压越限整体风险状况的事务集，m(s)为泛化性扩展查询的特征干扰项，t（s)为电网调度网络存储的离散特征量。采用Cyber-net与无监督学习的方法实现安全态势感知学习控制，得到并网调度网络的有限域为Mu=k(p)le-o=H=Jat;(s)dr式(12)中，H门表示电网调度网络的信息融合中心，k（)为电网调度网络分布间隔，为采样时延。计算发电并网波动引起的系统切负荷，通过Cyber-net与无监督学习，得到安全态势感知结果输出：ak(M)1+,M+sign(R(m,n)一aw2根据上述分析，采用Cyber-net与无监督学习的方法实现安全态势感知学习控制，通过接入和分散式调度，实现电网的安全态势感知。4仿真测试测试本文方法在实现电网安全态势感知的应用性能，容量为10 0 MW，节点分布为1、2 2、2 3组合，参数分布见表1。分布式环境采用Hadoop框架配置，版本为Cloudera Ha-doop，串行环境采用普通PC机。实验平台为多个节点组成的 Cluster,节点由 18 GB RAM 和 2.9 8 G 8 核 Intel XeomX9870CPU组成。将数据集写人HDFS中处理。实验软硬件配置如表1所示。由上述模型参数的计算可知，电网安全态势通过电网的测度、功率监测、第一层风险因素、跟踪值四项参数能够体现网络攻击风险。这四项指标的波动会直接影响网络风险值，因此将这四项参数设定为风险值评价的主要指标。根据表2 参数设定，实现电网安全态势融合，获得风险值。风险值是指根据安全事件发生的可能性计算对组织影响的值。风险值的取值是风险发生结果与风险发生概率的乘积。概率密度是一段区间（事件取值范围)的概率除以该段区间的长度,能更直观精确地反映某事发生的概率。以风险值作为横坐标，本实验中的概率密度是指应用本文方法后，开发应用名称硬件环境网络环境单节点内存6GB操作系统Centors 7.0数据集样450GB本大小Cloudera Ha-Hadoopdoop5.0表2 电网安全态势分布参数组合参数第一层风险因素跟踪值测度功率监测/KWLSRCI1398.000LORCI21547.500Nodel1488.700(12)Node2Node3Node4Node5(13)Node6Node7Node8在风险值取值区间内出现电网风险的概率，风险值评价结果能够直观体现电网安全态势感知效果。风险值评价结果如图2 所示。0.60.4F0.20分析图2 得知，本文方法能有效实现电网调度网络的风险评价，测试评估指标如图3所示。分析图3得知，随着风险值增大，电网调度网络的安全性越好。测试不同风电接入状态下的风险值，需要以风电接入容量为变量，表示风电接人状态。测试结果如图4所示。分析图4得知，该方法进行电网调度网络安全态势感知的准确性较高，风险态势分布显著性较大。199.微型电脑应用2 0 2 3年第39 卷第10 期表1实验软硬件配置配置名称Intel i3双编译器核CPU百兆交换机37.48967.36936.89665.78535.74164.8961537.30036.3591437.80036.25166.9651489.90034.83265.8961383.80038.3691479.10035.12466.8951452.00038.4691396.70037.10748风险值图2 风险评价结果配置IfortV10-03节点连接网络天河-1AMPI版本MPICH-2处理器Intel Xeon64节点集群配置280GB容量网络容纳节点15数量83.66786.20082.01264.23689.12578.98780.89568.12576.78378.69864.19682.37865.41275.2891216Microcomputer Applications Vol.39,No.10,202325风险值图3风险评估图25一风电接入节点120-风电接入节点2 2一-风电接入节点2 3151050图4电网安全风险评估测试安全态势感知精度。感知精度表示感知值与真实值的接近程度，因此作为安全态势感知评价的指标。测试结果如表3、图5所示。表3电网调度网络安全态势感知精度对比测试次数本文方法100.859200.985300.745400.865500.936600.956700.942800.904900.9421000.8901100.9021200.8561300.8961400.8771500.9651600.9611700.886分析表3、图5得知，本文方法进行电网调度网络安全态势感知的精度较高。5总结本文提出基于Cyber-net与无监督学习的电网调度网络安全态势感知方法。通过引人期望负荷削减参数，实现对电网调度安全性频率特征监测，基于负荷削减平均持续风险指标评估，建立调度安全允许条件，实现安全态势感知。实验开发应用0.50.40.30.20.10微型电脑应用2 0 2 3年第39 卷第10 期本文方法1.2一文献4方法厂1.00.80.60.40.2510510风电接入容量/kW感知精度文献4方法0.7410.7230.7120.7620.6740.7340.7690.7270.7360.6900.8620.7630.8310.7380.7660.7240.764一文献5方法152015200103050709011013015017010图5安全态势感知性能对比结果表明，本文方法对电网调度网络安全态势感知的精度较高，风险因素降低。由于时间和自身学术水平有限，实验环境中的网络结构并不算复杂，如果将本文方法用于大型复杂的网络中，本文方法的有效性和准确性还需验证。网络结构多种多样，未来的研究可以进一步提高感知方法的普适性。251马燕峰，杨小款，王子建，等.基于风险价值的大规模风电并网电力系统运行风险评估.电网技术，2021,45(3):849-855.2 毕平平，许晓艳，梅文明，等.风电基地连锁脱网风险评估方法及送出能力研究J.电网技术，2 0 19，43(3):903-910.文献5方法3徐青山，蔡霖，李淋，等.含多状态机组风电场的发0.495输电系统可靠性评估加速方法J.中国电机工程学0.474报,2 0 18,38(2 4)：7 2 48-7 2 57.0.5224刘红军，管美，刘勇，等.电网调度系统网络安全态势0.553感知研究J。电测与仪表，2 0 19,56（17）：6 9-7 5.5基于信息融合的网络安全态势感知方法研究C/全0.563国第四届“智能电网”会议论文集北京，2 0 19：0.495146-151.0.5676 黎静华，左俊军，汪赛.大规模风电并网电力系统运行0.722风险评估与分析J.电网技术，2 0 16，40（11）：0.5833503-3513.0.4797 叶满园，章俊飞，陈乐.五电平逆变器钳位电容平衡控0.584制策略研究J.电机与控制学报，2 0 2 1,2 5（1)：8-16.8史爽，费中阳，赵旭东.基于时间依赖切换信号的切换0.494系统稳定性分析研究进展J.信息与控制，2 0 2 1，500.478(1):34-42.0.5979赵颖，付俊，赵军.切换系统的无扰切换控制及其在航0.573空发动机中的应用J自动化学报，2 0 2 0，46（10）：0.5982165-2176.0.57910WANG X,ZHAO J.Autonomous Switched Controlof Load Shifting Robot Manipulators J.IEEETransactions on Industrial Electronics,2017,64(9):7161-7170.11黎峰，吴春明.基于能量管理的网络入侵防波动控制方法研究.计算机仿真，2 0 13，30（12）：45-48.12任维武，张波辰，底晓强，等.基于人工蜂群优化的密度聚类异常入侵检测算法J.吉林大学学报（理学版）,2 0 18,56(1)：9 5-10 0.（收稿日期：2 0 2 1-11-0 4).200.选代次数/次参考文献