[发明专利]一种基于改进RNN神经网络的电网攻击检测方法及装置

说明书

本发明提供了一种基于改进RNN神经网络的电网攻击检测方法及装置。获取智能电网中的各种相关数据进行处理并输入到神经网络模型中进行训练，所述神经网络模型中采用改进的遗传算法和粒子群优化算法对获取的数据进行处理并得到最优权值和阈值，所述神经网络模型的训练采用误差反向传播更新权值和阈值并通过计算网络误差的均方和作为条件进行循环迭代完成网络训练，根据实时获取智的能电网中数据得到检测结果。本发明中采用粒子群优化算法改进了遗传算法，并采用了自适应函数对数据进行评价操作，避免了最优解局部集中的情况，提高了检测结果的准确率。

技术领域

本发明涉及电网攻击检测技术领域，特别涉及一种基于改进RNN神经网络的电网攻击检测方法及装置。

背景技术

电力系统安全可靠运行是国民经济持续健康发展的重要保障。随着科学技术的高速发展，电的使用己经渗透至人们生活的各个方面，从而也带来日益增长的用电需求。电网在满足用电需求的同时也需要保证电力供应的安全可靠，供电的突然中断不仅影响到人们的正常生活，还会带来严重的经济损失，甚至危害社会的和谐稳定，电力系统作为国家重要基础设施，关乎民生，更关乎国家安全，保障电力系统安全可靠运行尤为重要。

随着我国电力系统智能化程度的进一步提升，网络攻击所产生的破坏程度超出了正常预期，电力系统发生信息安全事件可能引发大规模停电事故等严重后果。

目前，虚假数据注入攻击(FDIAs)作为一种新型电力系统网络攻击，可以成功绕过不良数据检测机制，使电力量测数据发生偏移，在极其隐蔽的条件下误导控制操作，严重威胁电力系统的稳定运行。

传统的检测方法，例如卡方检测器、模糊推理法等检测方式难以检测这种攻击，而RNN神经网络因处理时序数据有较好的拟合能力而得到广泛应用，但是RNN神经网络存在一定的缺陷，比如：梯度消失和梯度爆炸等问题，在利用遗传算法改进的神经网络模型对智能电网虚假数据攻击检测方法的模型中，由于传统的遗传算法交叉与变异概率是常数，导致在训练过程中，群体易停留在局部最优值，即使预测精度得到提高，但存在局部寻优能力不足，易陷入早期收敛等缺陷。

发明内容

为克服上述缺陷，本发明提供了一种基于改进RNN神经网络的电网攻击检测方法及装置，通过在传统循环神经网络中的数据处理增加改进的遗传算法和粒子群优化算法，在优化的过程中通过计算适应度进行数据位置和速度的循环迭代更新，获取最优的权值和阈值，并通过计算网络误差均方和作为条件循环更新权值和阈值，最终获得检测结果，避免了传统算法中出现的局部最优解的情况，优化了网络模型中的初始权值和初始阈值，提高了检测的准确率，实现实时获取智能电网数据进行数据攻击的实时检测。

本发明提供了一种基于改进RNN神经网络的电网攻击检测方法，具体技术方案如下，

S1：从智能电网中获取各个数据，并对获取的数据进行预处理，再将数据进行划分得到训练数据集，得到的训练数据集用来训练搭建好的RNN神经网络模型；

S2：将得到的训练数据集进行预处理，并输入到神经网络模型中训练得到误差，根据误差结果计算适应度的值并进行判断，根据判断结果来决定个体是否可作为最优权值和阈值，满足判断条件时获取最优权值和阈值，所述判断条件为遗传算法中初始化的进化代数t是否到达设定的最大进化代数T或适应度值是否达到给定的阈值；

如果t小于T，则采用改进的遗传算法与粒子群优化算法相结合的方式对数据进行选择处理，再进行条件判断，直至t＝T，将经过迭代优化后的个体数据作为网络模型中初最优权值和阈值；

S3：将训练数据集输入神经网络模型中获得预测数据后，根据预测数据计算与期望数据的误差，然后根据计算的误差结果采用误差反向传播方式更新权值和阈值；

S4：根据得到的误差结果计算网络误差的均方和，并将得到的网络误差均方和结果与设定的阈值进行判断或判断迭代次数是否达到模型最大迭代次数，迭代完成后将结果数据输出；