一种基于深度学习的电表异常操作检测方法及系统

本发明涉及电力系统领域，特别涉及一种基于深度学习的电表异常操作检测方法及系统。

背景技术：

1、智能电表的应用已经广泛，由于其能够实时采集和传输用电信息，对于电力系统的运行和管理具有重要的作用。然而，智能电表也面临着一些安全问题，如被黑客入侵、攻击或恶意用户篡改。其次，智能电表在传输电能数据时可能会出现数据泄露和隐私问题，这会威胁到用户的隐私权和信息安全。最后，由于智能电表的检测方法主要依赖于人工构建的规则或模型，其对于新型攻击的检测能力相对较弱，难以实现对电表异常操作的实时检测和防范。因此，开发一种具有强大自适应性和泛化能力的电表异常操作检测系统和方法变得尤为重要。

技术实现思路

1、针对上述问题，本发明提出一种基于深度学习的电表异常操作检测方法，在远端服务器向集中器发送的控制命令进行异常检测，具体包括以下步骤：

2、在系统初始化后的固定时间周期内，远端服务器收集发送给集中器的控制命令；

3、当集中器收集的控制命令的数量达到第一阈值，则将收集的数据作为第一数据集，并对第一数据集进行聚类；

4、通过聚类得到多个聚类中心的信息，集中器将聚类中心的数据发送给集中器，集中器计算收到的控制指令与各个聚类中心的距离，若与距离最近的聚类中心的距离大于设定阈值，则该数据标签为异常；

5、集中器收集标签为异常的数据，若数据量达到第二阈值，则将收集的数据作为第二数据集；

6、利用第二数据集对gru模型进行训练，并将完成训练的模型参数发送给集中器；

7、集中器根据收到的模型参数更新本地模型，并根据更新后的模型对收到的控制命令进行检测。

8、进一步的，对控制指令进行聚类的过程包括以下步骤：

9、利用滑动窗口技术将收集的控制指令序列截取为等长的短序列；

10、利用word2vec技术将每个短序列转换为向量形式；

11、利用欧式距离计算每个控制指令之间的距离，并基于该距离进行聚类，得到多个聚类中心。

12、进一步的，gru模型进行检测时，以当前的控制命令的向量表示以及前一时刻的隐藏状态作为输入的过程包括以下步骤：

13、rt＝σ(wrxxt+wrhht-1+br)

14、zt＝σ(wzxxt+wzhht-1+bz)

15、h't＝tanh(whxxt+whrrtht-1+bh)

16、ht＝(1-zt)ht-1+zth't

17、其中，wrx、wrh为更新门中的权重矩阵，br为更新门中的偏置；wzx、wzh为重置门中的权重矩阵，bz为重置门中的偏置；whx、whr为隐藏层中的权重矩阵，bh为隐藏层中的偏置。

18、进一步的，远端服务器向集中器发送的控制命令为二进制指令，将二进制指令转换为英文指令后再用于检测和训练。本发发明还提出一种基于深度学习的电表异常操作检测系统，包括远端服务器和集中器，远端服务器包括训练模块、存储模块和通讯模块，集中器包括通讯模块、命令转换模块、收集模块、检测模块和报警模块；其中：

19、训练模块，用于更新集中器中检测模块的参数；

20、存储模块，用于存储训练模块所需的训练数据；

21、通讯模块，用于集中器与远端服务器之间的通信，还用于将收到的信息分配到远端服务器和集中器中的各个模块；

22、命令转换模块，用于将接收到二进制格式的的控制指令转换为英文格式；

23、检测模块，用于检测集中器接收到的控制指令是否存在异常；

24、报警模块，用于根据检测模块的检测结果发出预警。

25、本发明可以有效检测新型攻击或恶意篡改等异常操作，避免了传统基于规则或模型的检测方法的局限性；另外本发明所提出的系统能够集成到现有的远端服务器和集中器中，有效保障智能电表的安全运行。

技术特征：

1.一种基于深度学习的电表异常操作检测方法，其特征在于，在远端服务器向集中器发送的控制命令进行异常检测，具体包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的电表异常操作检测方法，其特征在于，对控制指令进行聚类的过程包括以下步骤：

3.根据权利要求1所述的一种基于深度学习的电表异常操作检测方法，其特征在于，gru模型进行检测时，以当前的控制命令的向量表示以及前一时刻的隐藏状态作为输入的过程包括以下步骤：

4.根据权利要求1所述的一种基于深度学习的电表异常操作检测方法，其特征在于，远端服务器向集中器发送的控制命令为二进制指令，将二进制指令转换为英文指令后再用于检测和训练。

5.一种基于深度学习的电表异常操作检测系统，其特征在于，包括远端服务器和集中器，远端服务器包括训练模块、存储模块和通讯模块，集中器包括通讯模块、命令转换模块、收集模块、检测模块和报警模块；其中：

6.根据权利要求5所述一种基于深度学习的电表异常操作检测系统，其特征在于，通讯模块包括接收单元、发送单元和判断单元，其中：

7.根据权利要求5所述一种基于深度学习的电表异常操作检测系统，其特征在于，训练模块包括采集单元、处理单元、特征提取单元和训练单元，其中：

8.根据权利要求7所述一种基于深度学习的电表异常操作检测系统，其特征在于，gru模型进行预测的过程包括：

技术总结
本发明涉及电力系统领域，特别涉及一种基于深度学习的电表异常操作检测方法及系统，方法包括：远端服务器运行初期收集发送给集中器的控制命令，当收集的数据量达到规定则对收集的数据进行聚类；通过聚类得到多个聚类中心的信息并发送给集中器，集中器通过计算控制指令与各个聚类中心的距离判断该数据标签是否异常；集中器收集标签为异常的数据，若数据量达到第二阈值，则将收集的数据作为第二数据集，利用该数据集对GRU模型进行训练，并将完成训练的模型参数发送给集中器；集中器根据收到的模型参数更新本地模型，并根据更新后的模型对收到的控制命令进行检测；本发明可以有效检测新型攻击或恶意篡改等异常操作。

技术研发人员：万邦睿,王诗雨,钱鹰,陈奉,刘歆,莫昊恂,姜美兰
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/1/16