閆夢秋，楊軼俊，趙 舫

基于改進(jìn)OCSVM的智能變電站數(shù)據(jù)流異常檢測方法研究

閆夢秋1，楊軼俊2，趙 舫3

(1.深圳供電局有限公司，廣東 深圳 518000；2.南方電網(wǎng)深圳數(shù)字電網(wǎng)研究院有限公司，廣東 深圳 518000；3.浙江大學(xué)電氣工程學(xué)院，浙江 杭州 310027)

目前智能變電站的數(shù)據(jù)流異常檢測對準(zhǔn)確性和實(shí)時(shí)性要求較高，采用簡單閾值的檢測方法已無法滿足要求。針對這一問題，基于智能變電站體系架構(gòu)，提出了一種將改進(jìn)的密度聚類算法和改進(jìn)的單類支持向量機(jī)算法相結(jié)合用于智能變電站異常數(shù)據(jù)流檢測的方法。使用-圖優(yōu)化密度聚類算法對正常數(shù)據(jù)流樣本進(jìn)行聚類，形成樣本簇。使用改進(jìn)的粒子群算法優(yōu)化單類支持向量機(jī)算法建立相應(yīng)的檢測模型，對異常數(shù)據(jù)流進(jìn)行檢測。通過仿真與傳統(tǒng)檢測方法進(jìn)行對比分析，驗(yàn)證了所提方法的有效性。結(jié)果表明，與傳統(tǒng)OCSVM方法相比，所提異常檢測方法將常規(guī)數(shù)據(jù)流樣本拆分為多個(gè)OCSVM模型，可以更緊密地包裹正常樣本，檢測效果較為理想，檢測準(zhǔn)確率高于99%，可以滿足異常數(shù)據(jù)檢測對準(zhǔn)確性和實(shí)時(shí)性的要求。

智能變電站；通信網(wǎng)絡(luò)異常；數(shù)據(jù)流；密度聚類算法；單類支持向量機(jī)算法

0 引言

隨著我國電網(wǎng)的不斷建設(shè)和發(fā)展，智能電網(wǎng)已成為電網(wǎng)的發(fā)展方向[1]。智能變電站作為智能電網(wǎng)建設(shè)的重要基礎(chǔ)，當(dāng)變電站發(fā)生故障或受到網(wǎng)絡(luò)攻擊時(shí)，網(wǎng)絡(luò)中大量異常信息會導(dǎo)致網(wǎng)絡(luò)擁塞，造成正常信息傳輸超時(shí)和丟失，使智能變電站設(shè)備無法正常運(yùn)行[2]。因此，研究智能變電站通信網(wǎng)絡(luò)數(shù)據(jù)流異常檢測方法具有重要的現(xiàn)實(shí)意義。

目前，國內(nèi)外許多學(xué)者對智能變電站通信網(wǎng)絡(luò)異常檢測方法進(jìn)行研究，并取得了一定的成果。文獻(xiàn)[3]提出了一種結(jié)合差分序列分布和信息物理系統(tǒng)的智能變電站數(shù)據(jù)異常檢測方法。仿真結(jié)果表明，該方法不僅能有效識別由物理故障或信息設(shè)備惡意入侵引起的異常數(shù)據(jù)，而且比常規(guī)方法具有更高的準(zhǔn)確性和可靠性。文獻(xiàn)[4]提出了一種通過時(shí)-頻混合特性對變電站異常流量進(jìn)行檢測。結(jié)果表明，與傳統(tǒng)的異常檢測方法相比，該方法的誤檢率和誤報(bào)率都有顯著改善。文獻(xiàn)[5]提出了一種通過FARIMA模型對智能變電站流量進(jìn)行檢測。結(jié)果表明，與傳統(tǒng)方法相比，該方法在可靠性和安全性方面都有一定的提高，F(xiàn)ARIMA 模型具有更高的擬合精度和預(yù)測效果。文獻(xiàn)[6]提出了一種基于差分序列方差的異常流量檢測方法。結(jié)果表明，該檢測方法可以在一定程度上補(bǔ)充閾值檢測的不足，有效降低檢測時(shí)延。但是，上述方法在流量閾值范圍內(nèi)對異常數(shù)據(jù)檢測能力不足，數(shù)據(jù)越少，檢測模型的性能越差，適應(yīng)度有待進(jìn)一步加強(qiáng)。

在此基礎(chǔ)上，文中出了一種將改進(jìn)的密度聚類(Density Based Spatial Clustering of Applications with Noise, DBSCAN)算法和改進(jìn)的單類支持向量機(jī)(One-Class Support Vector Machine, OCSVM)相結(jié)合用于智能變電站通信網(wǎng)絡(luò)數(shù)據(jù)流異常檢測。首先通過改進(jìn)的DBSCAN算法進(jìn)行聚類形成樣本簇，然后通過改進(jìn)的OCSVM建立相應(yīng)的模型來檢測異常數(shù)據(jù)流。通過仿真對所提方法的優(yōu)越性進(jìn)行了驗(yàn)證。

1 系統(tǒng)概述

隨著IEC61850標(biāo)準(zhǔn)的發(fā)展，智能變電站所有設(shè)備都支持該標(biāo)準(zhǔn)[7]。根據(jù)功能邏輯，全站設(shè)備可分為三層(過程層、間隔層、站控層)和兩層組網(wǎng)模式(過程層網(wǎng)絡(luò)和站控層網(wǎng)絡(luò))。層內(nèi)和層間的數(shù)據(jù)傳輸支持使用高速以太網(wǎng)、MMS、GOOSE 和 SV 消息進(jìn)行數(shù)字信息交換。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

(1) 過程層主要由智能設(shè)備、智能終端、智能組件等組成。

(2) 間隔層主要由繼電保護(hù)裝置、測控裝置等輔助裝置組成[8]。

(3) 站控層主要由自動化系統(tǒng)、控制系統(tǒng)和通信系統(tǒng)等組成。

2 數(shù)據(jù)流異常檢測

文中提出了一種改進(jìn)的密度聚類算法，對數(shù)據(jù)流樣本進(jìn)行聚類，形成樣本簇，并使用改進(jìn)的單類支持向量機(jī)算法建立相應(yīng)的模型，檢測異常數(shù)據(jù)流。圖2所示數(shù)據(jù)流異常檢測流程。

圖2 數(shù)據(jù)流異常檢測流程

Fig. 2 Data flow anomaly detection process

在訓(xùn)練過程中，模型首先對樣本數(shù)據(jù)進(jìn)行預(yù)處理，然后用改進(jìn)的密度聚類算法對處理后的樣本進(jìn)行聚類，并將樣本集劃分為簇1～C，每個(gè)簇都建立相應(yīng)模型。

在異常檢測過程中，檢測模型首先對數(shù)據(jù)流樣本進(jìn)行周期性檢測，確定樣本的消息類型。然后對待測樣本進(jìn)行預(yù)處理，使用-最近鄰算法確定最近的聚類。最后使用模型判斷樣本是否存在異常[9]。

2.1 樣本聚類

定義⑥(簇和噪聲)從數(shù)據(jù)集中選擇任意點(diǎn)，搜索數(shù)據(jù)集中所有滿足和條件的點(diǎn)，密度可達(dá)點(diǎn)形成簇[14]。不屬于任何簇的對象被標(biāo)記為噪聲點(diǎn)。

對于固定參數(shù)輸入，DBSCAN 只能找到一個(gè)級別的類[15]。

2.2 異常檢測模型

單分類支持向量機(jī)算法是支持向量機(jī)在單分類中的一種改進(jìn)，在小樣本中分類效果和泛化能力非常好。采用核函數(shù)法解決了數(shù)據(jù)的線性不可分問題，避免了直接計(jì)算高維空間映射的問題[17]。

OCSVM通過最大化采樣點(diǎn)到原點(diǎn)的距離來構(gòu)建超平面。超平面兩側(cè)到原點(diǎn)的數(shù)據(jù)歸為一類，超平面外層的數(shù)據(jù)歸為另一類[18]。

式(3)為凸二次規(guī)劃問題，為求解模型，通過拉格朗日乘數(shù)法建立拉格朗日函數(shù)方程，如式(4)所示。

當(dāng)使用 OCSVM 方法檢測新樣本時(shí)，決策函數(shù)通過核函數(shù)轉(zhuǎn)換為式(6)所示[21]。

為解決粒子群算法易陷入局部最優(yōu)問題，使用混沌模型初始化粒子群算法，提高粒子群算法的多樣性[23]。采用動態(tài)慣性權(quán)重和學(xué)習(xí)因子提高搜索效果。

(1) 粒子群初始化的改進(jìn)

(2) 粒子群慣性權(quán)重的改進(jìn)

慣性權(quán)重越高，全局搜索越容易。慣性權(quán)重越小，局部搜索越容易。隨著迭代次數(shù)的增加，問題的細(xì)節(jié)也會增加，固定值在解析過程中存在很多缺陷。因此，引入了可變慣性權(quán)重，如式(8)所示。

(3) 粒子群學(xué)習(xí)因子的改進(jìn)

文中在搜索初期加強(qiáng)全局搜索功能，后期加強(qiáng)局部搜索能力，提高了全局最優(yōu)解的精度，具體如式(9)所示。

式中：1max、2max和1min、2min分別為最大和最小學(xué)習(xí)因子；為粒子當(dāng)前的迭代次數(shù)。

基于改進(jìn)粒子群算法優(yōu)化的OCSVM模型步驟如下：

步驟1) 對參數(shù)進(jìn)行初始化，設(shè)置粒子位置和速度范圍、最大迭代次數(shù)等參數(shù)；

步驟2) 根據(jù)混沌模型對位置和速度進(jìn)行初始化；

步驟3) 將每個(gè)粒子的位置參數(shù)(P,P)作為對應(yīng)的OCSVM參數(shù)(v,γ)，將屬于單個(gè)聚類的輸入樣本集組合起來求解OCSVM模型；

步驟4) 得到每個(gè)粒子的OCSVM模型后，計(jì)算其分類精度作為粒子當(dāng)前的適應(yīng)度；

步驟5) 如果迭代次數(shù)或收斂狀態(tài)滿足終止條件，則將最優(yōu)擬合粒子位置參數(shù)作為OCSVM參數(shù)求解最終的OCSVM模型。

模型構(gòu)建過程如圖 4 所示。

圖4 模型建立流程

3 仿真結(jié)果分析

3.1 仿真參數(shù)

為了驗(yàn)證文中方法的優(yōu)越性和有效性，使用聯(lián)想PC作為仿真設(shè)備，使用Windows 1064位旗艦操作系統(tǒng)、Intel i52450m CPU、2.5 GHz頻率、8 GB內(nèi)存[25]。使用OPNET仿真軟件模擬智能變電站的通信行為并提取數(shù)據(jù)流樣本?；跀?shù)據(jù)流樣本，利用Matlab仿真軟件對異常檢測模型的相關(guān)參數(shù)進(jìn)行分析。

文中采用檢測率(True Negative Rate，TNR)作為通信異常檢測方法的評價(jià)指標(biāo)，如式(10)所示。

常規(guī)樣本訓(xùn)練集由10 min內(nèi)采集的數(shù)據(jù)流樣本建立，常規(guī)樣本測試集由1 h內(nèi)采集樣本建立。表 1 為正常數(shù)據(jù)流設(shè)置。表2為異常數(shù)據(jù)設(shè)置。

表1 正常數(shù)據(jù)設(shè)置

異常數(shù)據(jù)流的設(shè)置如表2所示。

表2 異常數(shù)據(jù)設(shè)置

3.2 仿真分析

為了驗(yàn)證文中方法的優(yōu)越性，與流量監(jiān)測(Flow Rate Monitoring, FRM)方法和單一OCSVM模型進(jìn)行對比分析。圖5所示不同異常檢測方法對異常數(shù)據(jù)流樣本特征1的檢測率。

共有3 434個(gè)異常樣本，對報(bào)文類型進(jìn)行隨機(jī)選擇，該報(bào)文偽裝成SV、GOOSE、MMS、SNTP的異常樣本數(shù)分別為900、833、830、871。使用FRM方法時(shí)，異常數(shù)據(jù)流樣本的報(bào)文長(50字節(jié)，4 000包)沒有超過SV報(bào)文閾值，所以無法檢測到偽裝成SV的異常數(shù)據(jù)流樣本。使用OCSVM和文中方法可以檢測到異常數(shù)據(jù)流樣本，因?yàn)楫惓?shù)據(jù)流樣本的長度明顯超過了SV報(bào)文的整個(gè)范圍(200～300字節(jié))。

圖5 不同檢測方法檢測效果(特征1)

圖6為不同異常檢測方法對特征2的檢測率?？偣灿? 561個(gè)異常樣本。報(bào)文采用隨機(jī)選擇，偽裝成SV、GOOSE、MMS和SNTP的異常樣本數(shù)量分別為902、853、939和867。

圖6 不同檢測方法檢測效果(特征2)

該類異常樣本的報(bào)文(260字節(jié)，8 000包)，位于200～300字節(jié)之間。部分異常樣本被映射到SV報(bào)文，因此OCSVM方法無法完成檢測。文中方法可以檢測到這個(gè)異常，這是因?yàn)楫惓颖镜牧魈卣髅黠@偏離了兩個(gè)聚類的各自范圍。

圖7為不種異常檢測方法對特征3的檢測率，共3 545個(gè)異常樣本。報(bào)文采用隨機(jī)選擇，偽裝成SV、GOOSE、MMS、SNTP消息的異常樣本數(shù)量依次為922、813、919、891。

圖7 不同檢測方法檢測效果(特征3)

異常樣本(320 字節(jié)，10 包)的流量特征接近常規(guī) MMS 和 GOOSE 消息樣本的范圍。如果異常樣本的消息類型是GOOSE消息，則偏離了每個(gè)GOOSE消息簇的流量特征，通過文中方法進(jìn)行檢測更容易。

非法訪問包括小流量訪問請求(特性4)和大流量數(shù)據(jù)讀取(特性5)。特征4有3 595個(gè)異常樣本。隨機(jī)選擇消息類型后，偽裝成SV、GOOSE、MMS、SNTP的異常樣本數(shù)分別為888、915、909、883，特征5的異常樣本數(shù)為3 590個(gè)。偽裝成SV、GOOSE、MMS和SNTP的異常樣本數(shù)量分別為929、840、903和918。圖8和圖9為不同異常檢測方法對兩個(gè)異常數(shù)據(jù)流樣本的檢測效果。

圖8 不同檢測方法檢測效果(特征4)

圖9 不同檢測方法檢測效果(特征5)

從圖7—圖9可以看出，樣本特征編號為3、4、5的異常樣本流量特征與常規(guī)SNTP和MMS消息的數(shù)據(jù)流樣本流量特征部分重疊。在這種情況下，與傳統(tǒng)的OCSVM方法相比，文中提出的異常檢測方法將常規(guī)數(shù)據(jù)流樣本拆分為多個(gè)OCSVM模型，可以更緊密地包裹正常樣本，提高檢測效果。

從上面的分析可以看出，除了文中方法外，都通過檢測范圍進(jìn)行判斷。文中方法將樣本劃分為多簇，并為每個(gè)集群構(gòu)建一個(gè) OCSVM 模型，提高了異常檢測的準(zhǔn)確性。

4 結(jié)論

文中結(jié)合改進(jìn)的密度聚類算法和改進(jìn)的單類支持向量機(jī)算法對智能變電站異常數(shù)據(jù)流進(jìn)行檢測。改進(jìn)的密度聚類算法對正常數(shù)據(jù)流樣本進(jìn)行聚類，并利用改進(jìn)的單類支持向量機(jī)算法建立相應(yīng)的模型檢測異常數(shù)據(jù)流。結(jié)果表明，與傳統(tǒng)的異常檢測算法相比，該方法具有顯著的檢測效果，檢測準(zhǔn)確率超過99%。鑒于目前的實(shí)驗(yàn)設(shè)備和數(shù)據(jù)規(guī)模，文中提出的異常數(shù)據(jù)流檢測方法還處于起步階段，后期會不斷完善模型，提高檢測效率和準(zhǔn)確率，適應(yīng)不斷變化的應(yīng)用環(huán)境。

[1] 張旭澤, 鄭永康, 康小寧, 等. 智能變電站繼電保護(hù)系統(tǒng)所面臨的若干問題[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(6): 90-96.

ZHANG Xuze, ZHENG Yongkang, KANG Xiaoning, et al. Some problems faced by relay protection system of intelligent substation[J]. Power System Protection and Control, 2018, 46(6): 90-96.

[2] 李姚旺, 苗世洪, 劉君瑤, 等. 考慮需求響應(yīng)不確定性的光伏微電網(wǎng)儲能系統(tǒng)優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(20): 69-77.

LI Yaowang, MIAO Shihong, LIU Junyao, et al. Optimal configuration of photovoltaic microgrid energy storage system considering demand response uncertainty[J]. Power System Protection and Control, 2018, 46(20): 69-77.

[3] 李遠(yuǎn)松, 高博, 須琳, 等. 基于差分序列方差與CPS融合的數(shù)字變電站數(shù)據(jù)異常檢測方法[J]. 電網(wǎng)與清潔能源, 2021, 37(2): 30-41.

LI Yuansong, GAO Bo, XU Lin, et al. Digital substation data anomaly detection method based on difference sequence variance and CPS fusion[J]. Power System and Clean Energy, 2021, 37(2): 30-41.

[4] 楊挺, 侯昱丞, 趙黎媛, 等. 基于時(shí)-頻域混合特征的變電站通信網(wǎng)異常流量檢測方法[J]. 電力系統(tǒng)自動化, 2020, 44(16): 173-180.

YANG Ting, HOU Yucheng, ZHAO Liyuan, et al. Method for detecting abnormal traffic in substation communication network based on mixed characteristics of time-frequency domain[J]. Automation of Electric Power Systems, 2020, 44(16): 173-180.

[5] 郝唯杰, 楊強(qiáng), 李煒. 基于FARIMA模型智能變電站通信流量異常分析[J]. 電力系統(tǒng)自動化, 2019, 43(1): 30-41.

HAO Weijie, YANG Qiang, LI Wei. Analysis of abnormal communication flow in smart substation based on FARIMA model[J]. Automation of Electric Power Systems, 2019, 43(1): 30-41.

[6] 張嘉譽(yù), 章堅(jiān)民, 楊才明. 基于信息物理融合的智能變電站過程層網(wǎng)絡(luò)異常流量檢測[J]. 電力系統(tǒng)自動化, 2019, 43(14): 30-41.

ZHANG Jiayu, ZHANG Jianmin, YANG Caiming. Intelligent substation process layer network abnormal flow detection based on cyber-physical integration[J]. Automation of Electric Power Systems, 2019, 43(14): 30-41.

[7] 戴志輝, 黃敏, 蘇懷波. 基于 MMC 的環(huán)狀直流配網(wǎng)在不同接地方式下的故障特性分析[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(1): 1-10.

DAI Zhihui, HUANG Min, SU Huaibo. Fault characteristics analysis of circular DC distribution network under different grounding modes based on MMC[J]. Power System Protection and Control, 2019, 47(1): 1-10.

[8] 黃文婧, 李華強(qiáng), 楊植雅, 等. 基于模糊聚類排序及狀態(tài)均勻性的電網(wǎng)安全性風(fēng)險(xiǎn)評估[J].電測與儀表, 2018, 55(9): 21-26.

HUANG Wenjing, LI Huaqiang, YANG Zhiya, et al. Power grid security risk assessment based on fuzzy clustering ranking and state uniformity[J]. Electrical Measurement & Instrumentation, 2018, 55(9): 21-26.

[9] 葉波. 基于負(fù)載均衡度的云計(jì)算任務(wù)調(diào)度算法[J]. 東北電力大學(xué)學(xué)報(bào), 2019, 39(1): 88-95.

YE Bo. Cloud computing task scheduling algorithm based on load balancing degree[J]. Journal of Northeast Electric Power University, 2019, 39(1): 88-95.

[10] 謝黎, 周華良, 于同偉, 等. 一種智能變電站新型雙網(wǎng)冗余設(shè)備及實(shí)現(xiàn)[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(11): 151-156.

XIE Li, ZHOU Hualiang, YU Tongwei, et al. A new dual network redundant equipment and its implementation for intelligent substation[J]. Power System Protection and Control, 2019, 47(11): 151-156.

[11] 陳磊, 何慧雯, 王磊, 等. 基于限流器與斷路器協(xié)調(diào)的混合直流輸電系統(tǒng)故障隔離方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(19): 119-127.

CHEN Lei, HE Huiwen, WANG Lei, et al. Fault isolation method for hybrid HVDC system based on coordination of current limiter and circuit breaker[J]. Power System Protection and Control, 2020, 48(19): 119-127.

[12] MOSES V, HATHERLEY R, BISHOP ? T. Bioinformatic characterization of type-specific sequence and structural features in auxiliary activity family 9 proteins[J]. Biotechnology for Biofuels, 2016, 9(1): 88-94.

[13] HOU Kaiyuan, SHAO Guanghui, WANG Haiming, et al. Research on practical power system stability analysis algorithm based on modified SVM[J]. Protection and Control of Modern Power Systems, 2018, 3(2): 119-125.

[14] PATEL G K, DABHI V K, PRAJAPATI H B. Clustering using a combination of particle swarm optimization and K-means[J]. Journal of Intelligent Systems, 2017, 12(3): 457-469.

[15] GAUTAM J V, PRAJAPATI H B, DABHI V K, et al. Empirical study of job scheduling algorithms in Hadoop MapReduce[J]. Cybernetics and Information Technologies, 2017, 21(1): 146-163.

[16] CAETANO C E F, LIMA A B, PAULINO J O S, et al. A conductor arrangement that overcomes the effective length issue in transmission line grounding[J]. Electric Power Systems Research, 2018, 46(5): 159-162.

[17] HU Jianjiang, FICHTNER M, BARICCO M. Preparation of Li-Mg-N-H hydrogen storage materials for an auxiliary power unit[J]. International Journal of Hydrogen Energy, 2017, 42(27): 17144-17148.

[18] JIA Zhiwei, WANG Lijun, ZHANG Jinchuan, et al. High efficiency, low power-consumption DFB quantum cascade lasers without lateral regrowth[J]. Nanoscale Research Letters, 2017, 12(1): 88-95.

[19] 張婕, 曾國輝, 趙晉斌, 等. 基于改進(jìn)冒泡排序的模塊化多電平換流器電容電壓均衡策略[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(6): 92-99.

ZHANG Jie, ZENG Guohui, ZHAO Jinbin, et al. Capacitor voltage equalization strategy for modular multilevel converter based on improved bubble sorting[J]. Power System Protection and Control, 2020, 48(6): 92-99.

[20] 吳凱峰, 劉萬濤, 李彥虎, 等. 基于云計(jì)算的電力大數(shù)據(jù)分析技術(shù)與應(yīng)用[J]. 中國電力, 2015, 48(2): 111-116.

WU Kaifeng, LIU Wantao, LI Yanhu, et al. Cloud computing-based large power data analysis technology and application[J]. Electric Power, 2015, 48(2): 111-116.

[21] 王利平, 龐曉艷, 朱雨, 等. 基于物聯(lián)網(wǎng)和移動互聯(lián)的二次設(shè)備運(yùn)維技術(shù)研究與應(yīng)用[J]. 中國電力, 2019, 52(3): 177-184.

WANG Liping, PANG Xiaoyan, ZHU Yu, et al. Research and application of secondary equipment operation and maintenance technology based on internet of things and mobile interconnection[J]. Electric Power, 2019, 52(3): 177-184.

[22] 盛津芳, 滕瀟雨, 李偉民, 等. 移動邊緣計(jì)算中基于改進(jìn)拍賣模型的計(jì)算卸載策略[J]. 計(jì)算機(jī)應(yīng)用研究, 2020, 37(6): 1688-1692.

SHENG Jinfang, TENG Xiaoyu, LI Weimin, et al. Computing offload strategy based on improved auction model in mobile edge computing[J]. Computer Application Research, 2020, 37(6): 1688-1692.

[23] 王德文, 劉曉萌. 基于虛擬機(jī)動態(tài)遷移的電力仿真云計(jì)算平臺資源調(diào)度策略[J]. 計(jì)算機(jī)科學(xué), 2015, 39(12): 97-105.

WANG Dewen, LIU Xiaomeng. Resource scheduling strategy of power simulation cloud computing platform based on virtual machine dynamic migration[J]. Computer Science, 2015, 39(12): 97-105.

[24] 魏赟, 陳元元. 基于改進(jìn)蟻群算法的云計(jì)算任務(wù)調(diào)度模型[J]. 計(jì)算機(jī)工程, 2015, 41(2): 12-16.

WEI Yun, CHEN Yuanyuan. Cloud computing task scheduling model based on improved ant colony algorithm[J]. Computer Engineering, 2015, 41(2): 12-16.

[25] 張浩. 云計(jì)算環(huán)境下的電力任務(wù)節(jié)能調(diào)度方法研究[J].電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 128-134.

ZHANG Hao. Research on power task energy saving scheduling method in cloud computing environment[J]. Power System Protection and Control, 2021, 49(13): 128-134.

A data stream anomaly detection method based on an improved OCSVM smart substation

YAN Mengqiu1, YANG Yijun2, ZHAO Fang3

(1. Shenzhen Power Supply Co., Ltd., Shenzhen 518000, China; 2.China Southern Power Grid Shenzhen Digital Grid Research Institute Co., Ltd., Shenzhen 518000, China; 3. College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China)

At present, data flow anomaly detection for an intelligent substation requires high accuracy and real-time, and the detection method of a simple threshold cannot meet the requirements. To solve this problem, based on the architecture of an intelligent substation, a method combining an improved density clustering algorithm and an improved single class support vector machine algorithm for abnormal data flow detection in intelligent substation is proposed. The-graph optimized density clustering algorithm is used to cluster normal data stream samples to form sample clusters. An improved particle swarm optimization algorithm is used to optimize the single class support vector machine algorithm, and the corresponding detection model is established to detect abnormal data flow. The effectiveness of the proposed method is verified by comparing the simulation with the traditional detection method. The results show that compared with the traditional OCSVM method, the proposed anomaly detection method divides the conventional data stream samples into multiple OCSVM models, which can wrap the normal samples more closely. The detection effect is ideal, and the detection accuracy is higher than 99%, which can meet the requirements of accuracy and real-time for anomaly data detection.

This work is supported by the Science and Technology Project of China Southern Power Grid Co., Ltd. (No. 0002200000072652).

intelligent substation; abnormal communication network; data flow; density clustering algorithm; one-class support vector machine algorithm

10.19783/j.cnki.pspc.210946

南方電網(wǎng)公司科技項(xiàng)目資助(0002200000072652)；國家重點(diǎn)研發(fā)計(jì)劃資助(2017YFB0903100)

2021-07-22；

2021-11-11

閆夢秋(1993—)，女，本科，研究方向?yàn)樾畔⑾到y(tǒng)運(yùn)維；E-mail:yanmengqiu0829@163.com

楊軼俊(1985—)，男，博士研究生，研究方向?yàn)樾畔⑾到y(tǒng)建設(shè)；

趙 舫(1962—)，男，博士，副教授，主要從事變壓器保護(hù)、線路保護(hù)、電網(wǎng)規(guī)劃、系統(tǒng)優(yōu)化方面的研究。

(編輯 張愛琴)