基于快速区域卷积神经网络的电网通信网入侵威胁预先识别方法

吴谦，陈嘉，周瑾瑜，周德永

(南方电网深圳供电局，广东 深圳 518020)

0 引 言

电网通信网是电力系统的重要组成部分，是电力系统智慧化的主要信息载体，为电力系统调度自动化、电力系统运行智慧化和电力系统管理科学化提供数据交互保障[1]。助力电力系统数据资产价值深度挖掘提升，开展电网通信网入侵威胁预先识别方法研究对制定科学合理的电网通信网运行调控策略具有重要的指导性意义。随着电网通信网管控目标数据量迅速增长，对入侵威胁预先识别的依赖性越来越强[2]，电网通信网内部逻辑规模呈指数增长，由于内部逻辑混乱或者外部条件突变触发故障发生的概率大大提高，电网通信网核心进程一旦发生故障，造成的损失往往具有归零属性[3]，开展电网通信网入侵威胁预先识别方法研究具有重要的学术与工程价值。

1 电网通信网入侵威胁预先识别方法体系架构设计

把电网通信网入侵威胁预先识别方法完整生命周期运行逻辑进行目标导向下的任务分解，构建了基于快速区域卷积神经网络(fast regional convolution neural network, FRCNN)的电网通信网入侵威胁预先识别方法体系架构，具体如图1所示。其中，电网通信网入侵威胁核心要素样本池化处理子架构,为较长周期内的电网通信网入侵威胁核心要素样本精准预测提供统一的数据集支撑；电网通信网入侵威胁核心要素样本精准预测子架构引入深度卷积神经网络(deep convolution neural network, DCNN)对数据池前置训练集进行特征辨识，为电网通信网入侵威胁数据集自主预先识别提供学习数据集；电网通信网入侵威胁数据集自主预先识别子架构引入改进支持向量机(improved support vector machine, ISVM)对数据池后置测试集进行入侵威胁预先识别分类，借助电网通信网入侵威胁预测函数输出最优预测结果。

图1 电网通信网入侵威胁预先识别方法体系架构示意图

2 电网通信网入侵威胁预先识别方法核心算法设计

2.1 入侵威胁核心要素样本精准预测算法

初始化DCNN的深度及节点数、网络学习速率、网络序列长度和网络训练权值等，DCNN通过对时间正序数据池训练集分区进行训练，利用内部有监督机制进行特征微调，持续进行迭代循环，使先验时序数据可以学习到未来时序数据的特征[4]，实现较长周期内的电网通信网入侵威胁核心要素样本精准预测。为了加快DCNN的收敛进程，避免梯度发散现象，利用粒子群算法(particle swarm optimization,PSO)对DCNN的初始值进行反复优化，定义DCNN预测误差的均方差值作为适应度函数[5]，用EMSE表示，则DCNN预测局部最优解的均方差值EMSEi和DCNN预测全局最优解EMSEg分别为：

(1)

(2)

式中：n为PSO的粒子数目；p为数据池训练集分区的数据数目；N为DCNN的节点数量；disj和yisj分别为预测数据集和真实数据集[6]。式(2)构建了构建要素特征与入侵威胁之间的物理映射机制，定义YCJt+为时间正序下的电网通信网入侵威胁核心要素样本精准预测生成集合。利用数据集误差累计方差的预测集合可以表征为：

(3)

2.2 入侵威胁数据集自主预先识别算法

引入深度长短期记忆(long short-term memory, LSTM)神经网络改善支持向量机的分类决策性能，初始化深度LSTM神经网络的输入策略块为16×16、32个5×5的卷积核、卷积步长设置为1，每个卷积核需要学习的参数为p×q，卷积输入数据集为I，卷积核为K，卷积步长为λ1和λ2，则基于学习数据集的训练卷积层为：

(4)

为了改善式(4)的误差反向传播性能[7]，提高深度LSTM神经网络低层网络的梯度值，在各层神经网络之间引入门控机制，通过耦合第i层和i-k层的聚合信息，产生正则化效果，降低深度LSTM神经网络的误差累计[8]，提高深度LSTM神经网络的训练效率，自此基础上，利用改进的深度LSTM神经网络对数据池测试集分区进行入侵威胁自主分类识别，利用预测数据集对分类识别结果进行逻辑修正，定义数据池测试集分区入侵威胁自主分类识别输出函数为Y(j,k)，定义修正过的数据池测试集分区入侵威胁自主分类识别输出函数为X(j,k)。LSTM的激活函数采用Sigmoid函数并定义为f，则有：

(5)

(6)

2.3 先验环境下的模型仿真验证

为了从理论层面验证模型的有效性及优越性，开展先验环境下的模型仿真验证，分别对ISVM和DCNN进行初始化，保证两个网络处于激活状态。设置Target-action Value神经网络以及ActionValue神经网络实现入侵威胁核心要素样本精准预测，利用Target-action Value神经网络当中输入当前状态可以输出NextQ值，将当前的状态输入Action value神经网络当中获得evalQ值[9]，实现入侵威胁数据集自主预先识别。选取南方电网深圳供电局调度通信中心某垂直骨干数据网入侵威胁核心要素样本数据构建仿真数据集，选取仿真数据集中的16 000例数据作为算法的前置训练集，选取仿真数据集中的8 600例数据作为算法的后置测试集，引入常用目标优化算法作为对照，利用Python语言编程实现，在PyCharm集成环境下进行图形化仿真，仿真结果如图2和图3所示。

图2 入侵威胁核心要素样本精准预测算法性能仿真图

图3 入侵威胁数据集自主预先识别算法性能仿真图

3 电网通信网入侵威胁预先识别方法工程实践效能分析

选取南方电网深圳供电局调度通信中心某垂直骨干数据网为工程实践效能分析载体，开展了模型工程应用实践验证，基于南方电网深圳供电局调度通信中心现有软硬件设备，采用软件进程扩展的方式搭建了验证环境，具体如图4所示。在某垂直骨干数据网平台目前装备的电网通信网入侵威胁可视化实时监测及预警平台基础上增加核心要素样本特征数据池生成、入侵威胁核心要素样本精准预测和入侵威胁数据集自主精准预测等三个软件子进程，均采用热触发方式[10]。三个软件子进程均与主进程保持时间均衡，共享数据包及内外通信端口，进程数据实时刷新并在人机交互界面显示。上述三个软件子进程在数据流层面从属于电网通信网入侵威胁可视化实时监测及预警平台主进程，在控制流层面具有耦合独立性，可以对数据池形成入侵威胁核心要素样本预测和入侵威胁数据集预测等进行独立控制。

图4 电网通信网入侵威胁预先识别方法工程实践效能分析环境逻辑图

基于图4给出的电网通信网入侵威胁预先识别方法工程实践效能分析环境布置逻辑，进一步从定量化层面对比分析电网通信网入侵威胁预先识别方法的工程化应用效能。选取南方电网深圳供电局调度通信中心某垂直骨干数据网端口入侵威胁进程为算例分析数据源头，分别对入侵威胁核心要素样本精准预测子进程、入侵威胁数据集自主精准预测子进程核心参数进行差异化设置；选取某垂直骨干数据网平台目前装备的电网通信网入侵威胁可视化实时监测及预警平台为对照系统；选取核心参数差异化设置的电网通信网入侵威胁预先识别方法为跟随系统。利用某垂直骨干数据网端口入侵威胁进程先验及预测数据构建效能对比融合数据池，从方法核心要素样本特征数据集预测精准率(HX)、方法特征数据池入侵威胁特征感知覆盖率(TZ)、方法入侵威胁数据集自主精准预测有效率(RQ)等方面进行定量分析，围绕电网通信网入侵威胁预先识别方法工程实践效能分析验证环境人机交互友好性(YH)、电网通信网入侵威胁预先识别方法智慧化程度(CH)和入侵威胁动态预警信息互联推送(YJ)等方面进行定性分析，具体如表1所示。

表1 电网通信网入侵威胁预先识别方法工程实践效能分析对比表

4 结束语

本文研究了利用FR-CNN实现电网通信网入侵威胁自主精准预先识别问题，提出了一种基于FRCNN的电网通信网入侵威胁预先识别方法并进行了先验环境下的仿真验证。

首先把电网通信网入侵威胁预先识别方法完整生命周期运行逻辑进行目标导向下的任务分解，给出了基于FRCNN的电网通信网入侵威胁预先识别方法体系架构；然后利用DCNN设计了入侵威胁核心要素样本精准预测算法，利用ISVM设计了电网通信网入侵威胁数据集自主预先识别算法，在PyCharm集成环境下开展了先验环境下的模型仿真验证。采用软件进程扩展的方式搭建了电网通信网入侵威胁预先识别方法工程实践效能分析验证环境，从定性和定量两个层面对电网通信网入侵威胁预先识别方法进行了多维工程实践效能分析，满足电网通信网入侵威胁预测智慧化改造需求，大幅度优化了电网通信网入侵威胁预测智慧可控感知机制，电网通信网入侵威胁预测预先识别方法核心参数符合工程实践要求。