配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)與識(shí)別

遲福建　李桂鑫　孫闊

摘 要：由于惡性數(shù)據(jù)鏈干擾配電網(wǎng)的信息輸出和轉(zhuǎn)發(fā)控制能力，因此需檢測(cè)配電網(wǎng)信息物理系統(tǒng)中的惡性數(shù)據(jù)鏈。根據(jù)惡性數(shù)據(jù)時(shí)間序列節(jié)點(diǎn)融合惡性數(shù)據(jù)鏈能量特征，并構(gòu)建其高維映射結(jié)構(gòu)，通過高維映射結(jié)構(gòu)擬合惡性數(shù)據(jù)，獲取惡性數(shù)據(jù)鏈。采用譜特征提取方法建立惡性數(shù)據(jù)鏈譜特征量模型，實(shí)現(xiàn)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的分類檢測(cè)。仿真結(jié)果表明，采用該方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)的自適應(yīng)性較好，分辨能力較強(qiáng)，在配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)識(shí)別中具有很好的應(yīng)用價(jià)值。

關(guān)鍵詞：配電網(wǎng);信息物理系統(tǒng);惡性數(shù)據(jù)鏈;檢測(cè)

中圖分類號(hào)：TM64?????? 文獻(xiàn)標(biāo)識(shí)碼：A

Detection and Identification of Malignant Data

Link in Distribution Network Cyber Physical System

CHI Fu-jian， LI Gui-xin， SUN Kuo

（State Grid Tianjin Electric Power Company，Tianjin 300000，China）

Abstract：Because the malignant data link interferes with the information output and forwarding control ability of the distribution network， it is necessary to detect the malignant data link in the distribution network cyber physical system. According to the energy characteristics of malignant data link fusion by time series nodes of malignant data， the high dimensional mapping structure is constructed， and the malignant data chain is obtained by fitting malignant data by high dimensional mapping structure. The spectral feature extraction method is used to establish the spectral feature model of malignant data chain， and the classification and detection of malignant data link in distribution network cyber physical system is realized. The simulation results show that the method has good adaptability and strong resolution in the detection of malignant data chain in distribution network cyber physical system. The detection and recognition of malignant data chain in cyber physical system has good application value.

Key words：distribution network; cyber physical system; malignant data link; detection

配電網(wǎng)是由物理網(wǎng)絡(luò)、信息設(shè)備和計(jì)算單元模塊共同組成的一種信息物理系統(tǒng)，其具有運(yùn)行方式多樣、兼容性大等優(yōu)點(diǎn)，但在配電網(wǎng)信息物理系統(tǒng)進(jìn)行配電過程中，受到配電網(wǎng)信息物理系統(tǒng)使用環(huán)境以及設(shè)備技術(shù)指標(biāo)參量的影響，導(dǎo)致配電網(wǎng)信息物理系統(tǒng)中產(chǎn)生惡性數(shù)據(jù)[1]。而配電網(wǎng)信息物理系統(tǒng)的惡性數(shù)據(jù)主要是指用戶的不正?？圪M(fèi)信息、惡意攻擊數(shù)據(jù)以及個(gè)人資料泄露等內(nèi)容。惡性數(shù)據(jù)的存在，不僅為阻礙配電網(wǎng)系統(tǒng)運(yùn)行效率，還對(duì)電力用戶造成經(jīng)濟(jì)損失。為此，需在該系統(tǒng)中增添惡性數(shù)據(jù)檢測(cè)的設(shè)備，實(shí)現(xiàn)系統(tǒng)的多級(jí)控制，進(jìn)行信息流的準(zhǔn)確識(shí)別與發(fā)送。但該做法會(huì)使系統(tǒng)結(jié)構(gòu)更復(fù)雜，且開銷較大，導(dǎo)致配電網(wǎng)信息物理系統(tǒng)的運(yùn)行產(chǎn)生不確定性，因此，為提高配電網(wǎng)的信息輸出和轉(zhuǎn)發(fā)控制能力，研究配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)方法，在配電網(wǎng)的優(yōu)化設(shè)計(jì)中具重要意義[2，3]，目前在配電網(wǎng)信息物理系統(tǒng)理論分析領(lǐng)域，國(guó)內(nèi)外已經(jīng)取得一些初步的研究成果。

文獻(xiàn)[4]中提出一種基于改進(jìn)混沌分區(qū)算法的配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取方法，利用混沌分區(qū)算法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)，但該方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)的自適應(yīng)性差，計(jì)算開銷較大。文獻(xiàn)[5]中提出基于分布式大數(shù)據(jù)融合的配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)識(shí)別方法，采用多層次的配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈傳感器分布式陣列采集方法，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)，但該方法的抗干擾性差，但該方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)的收斂性差。

針對(duì)上述問題，提出了配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取算法。算法具體內(nèi)容如下：

（1）考慮惡性數(shù)據(jù)的周期性，計(jì)算該數(shù)據(jù)的時(shí)間序列節(jié)點(diǎn)距離，獲取其高維映射結(jié)構(gòu)，為惡性數(shù)據(jù)檢測(cè)的準(zhǔn)確率提供限制環(huán)境，增強(qiáng)檢測(cè)準(zhǔn)確率;

（2）通過惡性數(shù)據(jù)的多重共線性特征線性擬合，得到惡性數(shù)據(jù)鏈;

（3）計(jì)算惡性數(shù)據(jù)的平均互信息量，構(gòu)建譜特征量提取模型，為惡性數(shù)據(jù)的識(shí)別提供可能性;

（4）計(jì)算合并簇中惡性數(shù)據(jù)鏈的負(fù)載量，據(jù)此進(jìn)行惡性數(shù)據(jù)鏈特征模糊聚類，將特征相似數(shù)據(jù)融合為一體，節(jié)省數(shù)據(jù)檢測(cè)的時(shí)間開銷;

（5）檢測(cè)算法可行性及有效性。

經(jīng)仿真實(shí)驗(yàn)分析，本方法在配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的檢測(cè)和識(shí)別能力上，具有優(yōu)越性能。

1 配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈采集和

統(tǒng)計(jì)分析模型

為提升惡性數(shù)據(jù)檢測(cè)的實(shí)用性，所研究配電網(wǎng)適用環(huán)境為多用戶小區(qū)，考察電壓控制、有功出力控制與功率因數(shù)調(diào)節(jié)應(yīng)用場(chǎng)景中產(chǎn)生的惡性數(shù)據(jù)，而數(shù)據(jù)內(nèi)容包含電網(wǎng)進(jìn)行上述場(chǎng)景操作過程中產(chǎn)生的用戶的不正?？圪M(fèi)信息、惡意攻擊信息以及個(gè)人資料泄露的信息等。為檢測(cè)與識(shí)別配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈，首先需要采集系統(tǒng)中的惡性數(shù)據(jù)，根據(jù)惡性數(shù)據(jù)的時(shí)間序列節(jié)點(diǎn)距離構(gòu)建高維映射結(jié)構(gòu)，并通過映射結(jié)構(gòu)進(jìn)行惡性數(shù)據(jù)的擬合，最終獲取惡性數(shù)據(jù)鏈。

1.1 惡性數(shù)據(jù)的高維映射結(jié)構(gòu)

為實(shí)現(xiàn)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)與識(shí)別，采集配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)，其中在配電網(wǎng)進(jìn)行電壓控制、有功出力控制與功率因數(shù)調(diào)節(jié)時(shí)所產(chǎn)生的惡性數(shù)據(jù)從結(jié)構(gòu)上可分為周期性結(jié)構(gòu)和非周期性結(jié)構(gòu)[6]，并構(gòu)建配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)傳感網(wǎng)絡(luò)模型。首先假設(shè)傳感網(wǎng)絡(luò)模型中惡性數(shù)據(jù)特征的分布時(shí)間序列為{Mn}，n=1，2，…，N，分布時(shí)間序列中每個(gè)簇有一個(gè)簇頭節(jié)點(diǎn)（SN）和若干簇內(nèi)節(jié)點(diǎn)（V0），通過歐氏距離公式進(jìn)行惡性數(shù)據(jù)時(shí)間序列節(jié)點(diǎn)之間的距離求解，計(jì)算公式如下：

d（i，j）=（xi-xj）2+（yi-yj）2 （1）

其中，xi，yi，xjyj分別表示配電網(wǎng)信息物理系統(tǒng)中惡性數(shù)據(jù)時(shí)間序列節(jié)點(diǎn)i與節(jié)點(diǎn)j的橫坐標(biāo)與縱坐標(biāo)，d（i，j）表示兩節(jié)點(diǎn)之間的歐氏距離。

根據(jù)惡性數(shù)據(jù)時(shí)間序列節(jié)點(diǎn)距離，結(jié)合大數(shù)據(jù)融合方法，進(jìn)行惡性數(shù)據(jù)能量特征的相似度融合[7]，得到融合結(jié)果為：

E（L）=LEi （2）

其中，Ei表示惡性數(shù)據(jù)節(jié)點(diǎn)（中間節(jié)點(diǎn)）i的負(fù)載量;L為惡性數(shù)據(jù)特征的傳輸鏈路集。其中配電網(wǎng)信息物理系統(tǒng)中的傳輸負(fù)載信息發(fā)送給i節(jié)點(diǎn)的負(fù)載量為：

C（nj）=Eilδ+E（L）?? （3）

式中，E（L）為相似度融合結(jié)果，δ為負(fù)載比值，l為傳輸鏈個(gè)數(shù)。根據(jù)負(fù)載量融合結(jié)果，挖掘配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的屬性分區(qū)特征，采用多模融合方法在配電網(wǎng)信息物理系統(tǒng)中實(shí)現(xiàn)惡性數(shù)據(jù)采集。根據(jù)采集到的惡性數(shù)據(jù)進(jìn)行數(shù)據(jù)特征量的頻譜偏移特性提取，對(duì)提取的譜特征量采用機(jī)器學(xué)習(xí)算法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)譜特征匹配，結(jié)合大數(shù)據(jù)輸出時(shí)間延遲，得到配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)信息重組的特征空間，其表達(dá)式為：

Xn={Xn，Xn-τ，Xn-2τ，…，Xn-（d-1）τ} （4）

在信息重組的特征空間中挖掘配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的平均互信息量，得到互信息分布集合為：

Ri={R1，R2，R3，…，Rd} （5）

式中， Rd表示互信息分布的d個(gè)信息量。采用并行挖掘方法，挖掘配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)特征的關(guān)聯(lián)規(guī)則[8]，對(duì)互信息分布矩陣進(jìn)行酉分解，得到特征分解的向量集為：

Tr={X1，X2，…，Xm}（6）

式中，Xm表示信息重組的特征空間的m個(gè)向量。采用奇異值特征分布式融合方法對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)進(jìn)行高維映射，得到在高維映射空間內(nèi)的配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)模型，該模型可用二維矩陣模型描述：

V=C（nj）∑T∑（RTiRi）（7）

式中，T表示惡性數(shù)據(jù)處理時(shí)間。通過式（8）得到配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的高維映射結(jié)構(gòu)，在該結(jié)構(gòu)上可進(jìn)行數(shù)據(jù)的統(tǒng)計(jì)分析。

1.2 惡性數(shù)據(jù)的線性擬合

基于配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的高維映射結(jié)構(gòu)，對(duì)惡性數(shù)據(jù)的尺度和時(shí)延等參量進(jìn)行自適應(yīng)學(xué)習(xí)和智能檢測(cè)，實(shí)現(xiàn)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的譜峰搜索[9]。其中，配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的尺度參量為：

Si=Lεfsd2V （8）

式中，εfs代表惡性數(shù)據(jù)特征參數(shù);d代表時(shí)延參數(shù)。惡性數(shù)據(jù)的時(shí)延參量集合為：

di={Xd+1，Xd+2，…Xd+m}（9）

式中，Xd+m為在m序列中的時(shí)延參數(shù)集合，采用關(guān)聯(lián)規(guī)則挖掘方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的結(jié)構(gòu)重組，惡性數(shù)據(jù)的時(shí)延參量滿足類間平衡性，由此構(gòu)建配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)序列分析模型[10]。采用相關(guān)性的特征數(shù)據(jù)挖掘方法，進(jìn)行檢驗(yàn)統(tǒng)計(jì)分析，并對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)進(jìn)行聚類處理。配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)分布式傳感器存儲(chǔ)介質(zhì)中，輸出負(fù)載w的均衡調(diào)度模型為：

ηwkω=diTwkTk>w，k∈Rw，w∈W（10）

其中，Twk代表惡性數(shù)據(jù)的快速提取的檢驗(yàn)統(tǒng)計(jì)量。配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的快速提取的檢驗(yàn)統(tǒng)計(jì)量Twk可以表示為：

Twk=Emink∈RwΗwh，kηw=

-1θln ∑k∈wexp ηwkω，w∈W，h∈H（11）

式中，ηw表示線性擬合值，θ是檢驗(yàn)調(diào)節(jié)參數(shù)，配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的多重共線性特征線性擬合需滿足Twk<Ηwh，k，其中，配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的頻譜峰值ξwkω可以表示為：

Ηwh，k=min ξPrTwk≤ξ≥ω=

ETwk+γwkωk∈Rw，w∈W（12）

式中，γwk表示最大峰值擬合值，ξ表示多重閾值。最后，對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)采用廣義最小二乘法進(jìn)行線性擬合[11]，獲取完整的惡性數(shù)據(jù)鏈，擬合過程為：

ETx（L，d）=Lηwkω+Si，S>QSi，S≤Q （13）

在數(shù)據(jù)擬合過程中，將配電網(wǎng)信息物理系統(tǒng)數(shù)據(jù)的特征空間區(qū)域分為S和Q，設(shè)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的內(nèi)生性譜特征量S的解向量由{s1，s2，…，sn}構(gòu)成，那么配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)的熵分布概率為Ps（si），i=1，2，…，n，Q由大數(shù)據(jù)模糊測(cè)試集的解向量{q1，q2，…，qn}構(gòu)成，綜上分析，完成惡性數(shù)據(jù)的擬合。通過對(duì)惡性數(shù)據(jù)的擬合，為配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的檢測(cè)奠定理論基礎(chǔ)[12]。

2 惡性數(shù)據(jù)鏈檢測(cè)與識(shí)別

2.1 惡性數(shù)據(jù)鏈譜特征量模型

對(duì)獲取到的惡性數(shù)據(jù)鏈采用譜特征提取方法分析配電網(wǎng)物理系統(tǒng)惡性數(shù)據(jù)鏈的樣本分布特征，根據(jù)分布特征，進(jìn)行惡性數(shù)據(jù)鏈檢測(cè)。對(duì)應(yīng)的配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取的檢測(cè)概率為Pq（qj），j=1，2，…，n。在極限學(xué)習(xí)訓(xùn)練下，構(gòu)建配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征重組模型：

H（s）=-∑ni=1Ps（si）log 2Pq （14）

式中，Ps（si）表示配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征分布概念集si出現(xiàn)在仿射分區(qū)區(qū)域S的概率，類似地，Pq表示配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征的本體特征概念集。

初始化簇中心到簇內(nèi)點(diǎn)的數(shù)據(jù)鏈A，得到配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的平均互信息量分別為：

qw=∑k∈RwH（s）w，w∈W （15）

構(gòu)建配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈模型，對(duì)多載波配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈進(jìn)行頻譜分解，采用鏈路隨機(jī)分配方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈輸出傳感序列的均衡控制，得到配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征分解子序列表示為：

r2（n）=Aexp [j（qwT+θ），

n=0，1，…，（N-3）/2 （16）

根據(jù)r1（n）和r2（n）進(jìn)行（N-1）/2點(diǎn)離散變換，提取配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的譜特征量，譜特征量提取模型為：

Uk=∑ni=1Twi+r2（n）H（s）? （17）

式中，Twi表示數(shù)據(jù)鏈在不同輸出負(fù)載時(shí)的提取時(shí)間，在此基礎(chǔ)上，可根據(jù)提取的譜特征量進(jìn)行惡性數(shù)據(jù)鏈的分類檢測(cè)[13]。

2.2 配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的分類檢測(cè)

根據(jù)譜特征體系結(jié)果，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)，采用神經(jīng)網(wǎng)絡(luò)分析方法，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)優(yōu)化，得到合并簇中惡性數(shù)據(jù)鏈的負(fù)載量：

R1（k）=r2（n）exp （-jω0Tp/2），

k=0，1，…，（N-3）/2? （18）

R2（k）=Akexp （jφk），

k=0，1，…，（N-3）/2? （19）

其中，ω0為配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的負(fù)載預(yù)測(cè)誤差，Tp為時(shí)間窗口，Ak為配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的特征偏移幅值，φk為輸出擴(kuò)展相位。對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈進(jìn)行線性預(yù)測(cè)，根據(jù)全局尋優(yōu)結(jié)果，得到數(shù)據(jù)塊在各合并簇上最大長(zhǎng)度，對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈進(jìn)行自適應(yīng)盲分離處理，給定目標(biāo)函數(shù)的解空間是從Rn到R，得到配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈集聚簇離群點(diǎn)U∈Rn，即根據(jù)上述建立的譜特征量提取模型在簇內(nèi)點(diǎn)的數(shù)據(jù)鏈A中尋找一個(gè)點(diǎn)，采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征模糊聚類，當(dāng)數(shù)據(jù)聚類的判決閾值滿足：

0≤pk+1≤R2（k）-pk≤1 （20）

初始化N個(gè)數(shù)據(jù)聚類中心，采用模糊聚類分析方法，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征聚類處理，快速提取配電網(wǎng)信息物理系統(tǒng)中的惡性數(shù)據(jù)鏈：

min imize12‖w‖2+C∑ni=1ξisubjecttoyi-（w'Φ（xi）≤ε-ξiξi，≥0，i=1，2，…，n;C>0（21）

式中，Φ（xi）表示惡性數(shù)據(jù)信息重組的特征空間函數(shù)，C表示判決閾值，ξi表示頻譜集的峰值。至此，實(shí)現(xiàn)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為測(cè)試本方法在實(shí)現(xiàn)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈智能檢測(cè)中的性能，進(jìn)行仿真實(shí)驗(yàn)。

實(shí)驗(yàn)建立在Matlab 7仿真工具基礎(chǔ)上，采用Intel（R）Core（TM）2 Duo CPU 2.94 GHz處理器，配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈分布的陣列為200*400，對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的采樣帶寬長(zhǎng)度為12 s。

在Oracle電力系統(tǒng)信息庫(kù)中選取大小為1024 MB的任意電力信息數(shù)據(jù)169個(gè)，排除可用性較差的實(shí)驗(yàn)數(shù)據(jù)、特征點(diǎn)較弱的信息數(shù)據(jù)以及數(shù)據(jù)鏈特征點(diǎn)連貫性較差的信息數(shù)據(jù)，剩余100個(gè)初始樣本數(shù)據(jù)，同時(shí)向其中加入大小為27 MB的不正常扣費(fèi)信息、惡意攻擊數(shù)據(jù)以及個(gè)人資料泄露等惡性數(shù)據(jù)信息，對(duì)初始樣本序列采樣的周期長(zhǎng)度為T=0.16 s，配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的基頻頻率為100 kHz，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，將本文算法應(yīng)用至電網(wǎng)客戶用電質(zhì)量檢測(cè)中，并以某小區(qū)的配電網(wǎng)使用情況為例，分析監(jiān)測(cè)管理系統(tǒng)中惡性數(shù)據(jù)運(yùn)行行為，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)識(shí)別。首先分析該小區(qū)的原始配電網(wǎng)物理系統(tǒng)數(shù)據(jù)鏈的樣本分布情況，分布情況如圖1所示。

分析圖1可知，在配電網(wǎng)信息物理系統(tǒng)中，惡性數(shù)據(jù)鏈?zhǔn)怯蓯盒猿跏紨?shù)據(jù)和惡性終止數(shù)據(jù)組合而成，且呈集合狀聚集在一起。以惡性數(shù)據(jù)鏈為研究樣本，在云計(jì)算環(huán)境下，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取，提取配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的譜條紋特征，結(jié)果如圖2所示。

通過圖2可知，采用本方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取，提取的數(shù)據(jù)鏈具有很高的分辨能力，提高了對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈的準(zhǔn)確檢測(cè)和識(shí)別能力，得到配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征數(shù)據(jù)檢測(cè)準(zhǔn)確率，其中配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)與識(shí)別的準(zhǔn)確率計(jì)算公式為：

G（s）=sMTTD（F2e+86.35Fe+14230） （22）

式中，s代表偏差變化率;Fe代表隸屬度函數(shù)。

根據(jù)式（22），在信息大小為25 MB的范圍內(nèi)進(jìn)行惡性數(shù)據(jù)鏈的挖掘，分別采用不同方法進(jìn)行惡性數(shù)據(jù)鏈的挖掘準(zhǔn)確率進(jìn)行對(duì)比，對(duì)比結(jié)果如圖3所示。

分析圖3結(jié)果得知，隨著迭代次數(shù)的增大，對(duì)快速提取的準(zhǔn)確性不斷提升，采用本方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)的準(zhǔn)確度達(dá)到100%，比傳統(tǒng)方法的平均準(zhǔn)確率分別提高14.6%和13.4%。測(cè)試不同數(shù)據(jù)規(guī)模下的數(shù)據(jù)快速提取的時(shí)間開銷，得到對(duì)比結(jié)果見表1，分析表1結(jié)果得知，本方法進(jìn)行配電網(wǎng)物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)的時(shí)間開銷較短，提高了數(shù)據(jù)監(jiān)測(cè)識(shí)別的實(shí)時(shí)性。

根據(jù)表1可知，在進(jìn)行惡性數(shù)據(jù)鏈的檢測(cè)與識(shí)別過程中，本方法的時(shí)間開銷較少，很大程度上優(yōu)化了惡性數(shù)據(jù)鏈的檢測(cè)與識(shí)別的效率。

4 結(jié) 論

為提高配電網(wǎng)信息物理系統(tǒng)的故障診斷和分析能力，需對(duì)配電網(wǎng)信息物理系統(tǒng)的惡性數(shù)據(jù)鏈進(jìn)行檢測(cè)和識(shí)別，提出了配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取算法。采用并行挖掘方法，進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈特征的關(guān)聯(lián)規(guī)則挖掘，并對(duì)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈進(jìn)行聚類處理。采用鏈路隨機(jī)分配方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈輸出傳感序列的均衡控制，實(shí)現(xiàn)配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈快速提取。研究得知，本方法進(jìn)行配電網(wǎng)信息物理系統(tǒng)惡性數(shù)據(jù)鏈檢測(cè)識(shí)別的準(zhǔn)確性較高，惡性數(shù)據(jù)鏈提取能力較好，時(shí)間開銷較小。

參考文獻(xiàn)

[1] 賈亦敏，史麗萍，嚴(yán)鑫.改進(jìn)人工魚群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，38（2）：103-109.

[2] 李勇，陳雨，蔡曄，等.基于信息物理接口矩陣的IEC61850變電站自動(dòng)化系統(tǒng)可靠性分析[J].電力自動(dòng)化設(shè)備，2019，39（1）：84-90.

[3] 曹文彬，王先培，田猛，等.基于KELM和AT的SF6變壓器故障診斷[J].變壓器，2018，55（12）：72-76.

[4] 張曉宇， 王天偉， 李燕， 等. 火電機(jī)組燃燒系統(tǒng)智能綜合優(yōu)化控制研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2019， 39（9）： 2544-2552.

[5] 賀桂有，王永剛.高密度電阻率成像與聯(lián)合剖面法在輸電線路隱伏巖溶探測(cè)中的綜合應(yīng)用[J].工程地球物理學(xué)報(bào)，2019，16（1）：53-60.

[6] 徐舒瑋，邱才明，張東霞，等.基于深度學(xué)習(xí)的輸電線路故障類型辨識(shí)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2019，39（1）：65-74.

[7] 王謙.基于網(wǎng)絡(luò)流量異常檢測(cè)的電網(wǎng)工控系統(tǒng)安全監(jiān)測(cè)技術(shù)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2017（10）：129.

[8] 張孝乾.含風(fēng)電場(chǎng)的電力系統(tǒng)靜態(tài)電壓穩(wěn)定性研究[J].電工技術(shù)，2018（24）：111-114.

[9] 許海，楊尚瑾，金雪芬，等.基于潮流及短路計(jì)算的電力系統(tǒng)Ward等值實(shí)現(xiàn)方法[J].電力系統(tǒng)保護(hù)與控制，2018，46（24）：104-110.

[10]張敏昊，叢浩熹，舒想，等.DBDS和十六硫醇對(duì)變壓器絕緣紙協(xié)同劣化作用的微觀機(jī)制研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2018，38（24）：7156-7165.

[11]方超，謝君甫，張強(qiáng).基于UCD3138的模塊電源數(shù)字控制技術(shù)研究[J].工業(yè)控制計(jì)算機(jī)，2017，30（2）：134-136.

[12]王虹富，陶向紅，李柏青，等.基于虛擬中點(diǎn)功率的潮流估算模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，2018，38（21）：6305-6313.

[13]許賢澤，劉靜，施元，等.基于Spark和梯度提升樹模型的短期負(fù)荷預(yù)測(cè)[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（5）：84-89.