基于机器学习的电网信息系统安全风险预测模型构建

发布时间：2021-01-26 08:15

　　针对传统电网信息系统安全风险预测模型没有分解信号时频特征,导致存在预测准确性能低、预测时间长的问题,提出基于机器学习算法的电网信息系统安全风险预测模型。在电网信息系统中安装数据采集装置,采集电网信息系统运行工况信息,利用自相关匹配检测方法,实现对采集工况信号时频特征的分解,基于交互式学习技术,完成采集运行数据的聚类分析,设置系统安全风险预测指标,并利用机器学习算法计算对应指标的权值,从系统网络攻击预测、用户行为预测和系统硬件设备故障预测3个方面,得出系统安全风险的预测值。实验结果表明:研究模型的预测准确率更高,预测时间更短,有效性更好。 

【文章来源】：电子设计工程. 2020,28(13)

【文章页数】：5 页

【部分图文】：

电网信息系统主界面

预测准确性对比图

为进一步验证基于机器学习的电网信息系统安全风险预测模型的预测有效性，对不同模型的预测时间进行对比实验，时间越短表示方法的预测效率越高，性能越好。具体实验结果如图3所示。通过图3可以看出，传统安全风险预测模型的预测时间始终高于研究模型，预测时间范围为22～30 ms，而构建的基于机器学习的电网信息系统安全风险预测模型，预测时间在10 ms范围内，预测时间更短，通过实验数据可以证明研究模型预测效率更高，综合有效性更好。

【参考文献】：
期刊论文
[1]可视化技术在电网信息通信专业展示中的应用[J]. 周开河,徐孝忠,方云辉.  电子科技. 2017(09)
[2]基于网络用户评论的评分预测模型研究[J]. 张红丽,刘济郢,杨斯楠,徐健.  数据分析与知识发现. 2017(08)
[3]基于大数据的多种能源功率预测技术研究及应用[J]. 范强,文贤馗,林呈辉,潘华,张建侠,冯永生,陈和龙,罗治松,杨刚,张俨.  电力大数据. 2017(08)
[4]基于贝叶斯网络优化算法的采集终端故障预测系统设计与应用[J]. 邹波,段立,骆凯波,叶君,郑静雯.  电工技术. 2017(05)
[5]考虑风速动态时空关系的风电功率预测[J]. 栗梦迪,董哲,黄丽华,严敬汝.  电力科学与工程. 2017(04)
[6]基于小波-原子分解的超短期风电出力预测模型[J]. 曲正伟,张坤,王云静,王雅坤,崔志强.  仪器仪表学报. 2016(10)
[7]基于动量因子的神经网络群电流负荷预测模型[J]. 田野.  电力系统保护与控制. 2016(17)
[8]基于力学分析的TBM掘进总推力预测模型研究[J]. 周思阳,亢一澜,苏翠侠,张茜.  机械工程学报. 2016(20)
[9]基于EEMD和BP神经网络的短期光伏功率预测模型[J]. 于群,朴在林,胡博.  电网与清洁能源. 2016(07)
[10]基于回声状态网络的电网负荷模型参数预测[J]. 宋彦斌,周子冠,张强,赵冲,刘全春.  江西电力. 2016(06)



本文编号：3000779