一種基于SVR和GRU的新型電力監(jiān)控防護(hù)系統(tǒng)

申曉杰，廖 華，李 闖，潘 鵬，李更達(dá)

(中國(guó)南方電網(wǎng) 超高壓輸電公司 南寧監(jiān)控中心，廣西 南寧 530025)

0 引 言

隨著“智慧電網(wǎng)”的建設(shè)和發(fā)展，數(shù)字化通信、自動(dòng)化控制、智能傳感器等新型智能信息化系統(tǒng)也不斷出現(xiàn)在電力行業(yè)，傳統(tǒng)電力系統(tǒng)中的發(fā)變電、配輸電等各個(gè)環(huán)節(jié)也需要得到進(jìn)化和升級(jí)[1]。通過智能化設(shè)備和數(shù)字化控制技術(shù)將電氣電子設(shè)備和各級(jí)用戶聯(lián)系起來構(gòu)成智慧電網(wǎng)，能夠保證電力系統(tǒng)大大提升電能利用效率和能源轉(zhuǎn)化效率，極大地保證了電力系統(tǒng)的供電質(zhì)量和安全可靠性[2-3]。

電力監(jiān)控防護(hù)系統(tǒng)能夠在電網(wǎng)的安全運(yùn)維中時(shí)刻監(jiān)視并控制電力系統(tǒng)和電網(wǎng)線路，是智慧電網(wǎng)最重要、最關(guān)鍵的核心環(huán)節(jié)之一。在電力系統(tǒng)的發(fā)變電和配輸電過程中，電力監(jiān)控防護(hù)系統(tǒng)能夠更加靈活、平穩(wěn)和高效地監(jiān)控電力設(shè)備工作狀態(tài)。2003年，美國(guó)和加拿大出現(xiàn)大面積電力癱瘓，經(jīng)濟(jì)生活受到了嚴(yán)重影響。究其原因，是因?yàn)殡娏ο到y(tǒng)預(yù)警提示過程出現(xiàn)了嚴(yán)重故障，導(dǎo)致電力監(jiān)控防護(hù)系統(tǒng)不能及時(shí)處理。2015年，網(wǎng)絡(luò)黑客對(duì)烏克蘭的電力監(jiān)控防護(hù)系統(tǒng)進(jìn)行瘋狂攻擊后，造成了境內(nèi)大規(guī)模電力癱瘓。2019年，網(wǎng)絡(luò)黑客對(duì)委內(nèi)瑞拉的電力監(jiān)控防護(hù)系統(tǒng)進(jìn)行攻擊，最終導(dǎo)致國(guó)內(nèi)出現(xiàn)了大規(guī)模停電，嚴(yán)重威脅國(guó)家安全。所以，當(dāng)前智慧電網(wǎng)的建設(shè)和運(yùn)維面臨的最大問題是如何能保證電力監(jiān)控防護(hù)系統(tǒng)的安全穩(wěn)定運(yùn)行[4-5]。

安全防護(hù)方案的關(guān)鍵在于實(shí)時(shí)感知電力監(jiān)控防護(hù)系統(tǒng)的安全態(tài)勢(shì)。從一個(gè)角度來說，常規(guī)的安全防護(hù)屏障主要設(shè)置在網(wǎng)絡(luò)系統(tǒng)外部，檢測(cè)外部惡意攻擊；而電力監(jiān)控防護(hù)系統(tǒng)在保證感知外部攻擊的同時(shí)，還能敏銳察覺來自系統(tǒng)內(nèi)部漏報(bào)的危險(xiǎn)和攻擊[6-8]。從另一個(gè)角度來說，風(fēng)險(xiǎn)或者攻擊來臨時(shí)，如果能夠提前感知異常信號(hào)，并做出相應(yīng)措施，將大大提高安全監(jiān)控防護(hù)系統(tǒng)的準(zhǔn)確率和可靠性。因此，實(shí)時(shí)監(jiān)控智慧電網(wǎng)和智能電力系統(tǒng)的運(yùn)行狀態(tài)，準(zhǔn)確捕捉電力通訊網(wǎng)絡(luò)和電力數(shù)據(jù)系統(tǒng)的異常信號(hào)，在構(gòu)建智慧電網(wǎng)過程中具有重要研究?jī)r(jià)值。

該文構(gòu)建了電力監(jiān)控防護(hù)系統(tǒng)安全識(shí)別指標(biāo)體系；構(gòu)建了基于SVR的安全態(tài)勢(shì)識(shí)別模型；構(gòu)建了基于GRU的安全態(tài)勢(shì)預(yù)測(cè)模型，三個(gè)研究點(diǎn)之間關(guān)系如圖1所示。去除冗雜安全因素，構(gòu)建電力監(jiān)控防護(hù)系統(tǒng)安全識(shí)別指標(biāo)體系；基于安全識(shí)別指標(biāo)體系，構(gòu)建電力監(jiān)控防護(hù)系統(tǒng)安全態(tài)勢(shì)識(shí)別模型；基于安全識(shí)別數(shù)據(jù)和歷史數(shù)據(jù)，構(gòu)建電力監(jiān)控防護(hù)系統(tǒng)安全態(tài)勢(shì)預(yù)測(cè)模型；設(shè)計(jì)并實(shí)現(xiàn)電力監(jiān)控防護(hù)系統(tǒng)安全態(tài)勢(shì)識(shí)別與預(yù)測(cè)系統(tǒng)。該研究為電力監(jiān)控防護(hù)系統(tǒng)的安全運(yùn)維提供重要參考，為構(gòu)建智慧電網(wǎng)提供了技術(shù)支撐。

圖1 研究體系框架

1 安全識(shí)別指標(biāo)體系

首先，基于支持向量機(jī)的遞歸特征消除(SVM-RFE)技術(shù)分析了電力監(jiān)控防護(hù)系統(tǒng)中所有安全識(shí)別指標(biāo)的相關(guān)性；然后，采用皮爾森相關(guān)系數(shù)(Pearson)對(duì)所有指標(biāo)之間的冗雜度，去除冗雜特征；最后，構(gòu)建了最優(yōu)特征子集目標(biāo)函數(shù)篩選出最優(yōu)指標(biāo)集，并建立了電力監(jiān)控防護(hù)系統(tǒng)安全識(shí)別指標(biāo)體系。

1.1 基于SVM-RFE的指標(biāo)相關(guān)性分析

該文采用支持向量機(jī)(Support Vector Machine，SVM)分類算法將數(shù)據(jù)分為兩類，并分別貼上標(biāo)簽secure和danger。通過人工技術(shù)對(duì)原始樣本數(shù)據(jù)標(biāo)注為yi，構(gòu)成訓(xùn)練集T：

(1)

在此設(shè)定第i條樣本數(shù)據(jù)為Ti(i∈[1,m])，類別標(biāo)簽為yi∈{1,-1}，樣本數(shù)據(jù)的評(píng)估指標(biāo)維度為n，第i條樣本數(shù)據(jù)的第j個(gè)評(píng)估指標(biāo)數(shù)值為xij，最后將電力監(jiān)控防護(hù)系統(tǒng)的運(yùn)行狀態(tài)定義為安全(secure：1)和不安全(danger：-1)。同時(shí)，對(duì)于運(yùn)行狀態(tài)的樣本數(shù)據(jù)定義為x，f(x)是分類決策函數(shù)，是對(duì)樣本數(shù)據(jù)x的分類結(jié)果，表達(dá)式如式(2)所示。式中的αi和b分別為通過訓(xùn)練得到的拉格朗日乘子和位移，sgn()是符號(hào)函數(shù)。通過SVM模型訓(xùn)練樣本數(shù)據(jù)T，第j個(gè)向量ω的指標(biāo)權(quán)重可表達(dá)為式(3)：

(2)

(3)

通過SVM-RFE進(jìn)行序列后向選擇(SBS)。對(duì)于包含所有安全指標(biāo)的集合S，逐個(gè)去除對(duì)模型分類結(jié)果影響最小的安全指標(biāo)x，直到獲得指標(biāo)相關(guān)性排序。特征與模型分類的相關(guān)性強(qiáng)度與評(píng)價(jià)分?jǐn)?shù)cj呈正相關(guān)，第j個(gè)安全指標(biāo)的權(quán)重系數(shù)為ωj，則剔除最小影響的安全指標(biāo)x可以通過權(quán)重平方表達(dá)式計(jì)算：

(4)

1.2 基于Pearson的冗余性分析

通過SVM-RFE篩除部分冗雜指標(biāo)之后，安全指標(biāo)之間仍然會(huì)存在識(shí)別效果相近的線性冗雜指標(biāo)，因此，該文采用皮爾森相關(guān)系數(shù)(Pearson)對(duì)冗雜指標(biāo)的線性相關(guān)性進(jìn)行分析，并進(jìn)一步剔除冗雜安全指標(biāo)[9]。Pearson相關(guān)系數(shù)取值范圍為(-1,0)，其絕對(duì)值與兩個(gè)指標(biāo)相關(guān)度呈正相關(guān)，絕對(duì)值越大，冗雜度越大，則公式如下：

(5)

1.3 最優(yōu)特征指標(biāo)子集的選擇

通過對(duì)電力監(jiān)控防護(hù)系統(tǒng)的所有安全指標(biāo)進(jìn)行篩選，再篩選剩下的安全指標(biāo)構(gòu)建最優(yōu)指標(biāo)子集，最后構(gòu)成最優(yōu)安全識(shí)別指標(biāo)體系[10]。該文利用適應(yīng)函數(shù)同時(shí)考慮分類準(zhǔn)確率和特征子集的豐富度，函數(shù)值越大，指標(biāo)集越優(yōu)，適應(yīng)函數(shù)表達(dá)式為：

(6)

式中，Q是電力監(jiān)控防護(hù)系統(tǒng)的全部安全指標(biāo)集合，S為剔除冗雜安全指標(biāo)后進(jìn)行相關(guān)性排序的子集，|S|和|Q|分別為指標(biāo)集S和Q的指標(biāo)數(shù)量，P(S)為對(duì)指標(biāo)集S進(jìn)行訓(xùn)練后的模型分類準(zhǔn)確率，P(S)與|S|和|Q|之間的權(quán)重因子由μ表示，μ∈[0,1]。

1.4 安全識(shí)別指標(biāo)體系

該文共選用35個(gè)安全狀態(tài)指標(biāo)構(gòu)建安全狀態(tài)候選指標(biāo)集，其中包括20個(gè)流量特征候選指標(biāo)和15個(gè)設(shè)備運(yùn)行候選指標(biāo)。模擬網(wǎng)絡(luò)對(duì)相同設(shè)備進(jìn)行攻擊，計(jì)算、統(tǒng)計(jì)并提取指標(biāo)數(shù)據(jù)，以3 s為間隔獲取設(shè)備運(yùn)行時(shí)的400個(gè)樣本數(shù)據(jù)。構(gòu)建四個(gè)安全指標(biāo)體系對(duì)該方法進(jìn)行驗(yàn)證。指標(biāo)體系A(chǔ)：包含所有指標(biāo)；指標(biāo)體系B：剔除了大冗余度指標(biāo)；指標(biāo)體系C：對(duì)指標(biāo)集進(jìn)行相關(guān)性排序，構(gòu)成最優(yōu)特征子集；指標(biāo)體系D：根據(jù)該方法，對(duì)剔除冗雜指標(biāo)的指標(biāo)集進(jìn)行相關(guān)性排序，構(gòu)成最優(yōu)特征子集。通過對(duì)四個(gè)指標(biāo)體系進(jìn)行相應(yīng)的SVM模型訓(xùn)練，并基于secure和danger數(shù)據(jù)樣本以2∶3的比例構(gòu)成測(cè)試集，以驗(yàn)證SVM分類模型的準(zhǔn)確性。

依據(jù)文中方法，首先對(duì)安全指標(biāo)進(jìn)行相關(guān)性排序，通過選擇得到了表1的剔除前最優(yōu)指標(biāo)集(第1列)，剔除了最優(yōu)指標(biāo)集中的冗雜指標(biāo)后，得到了表1的剔除后最優(yōu)指標(biāo)集(第2列)。分析表1可知，剔除后的最優(yōu)指標(biāo)集較之前缺少了指標(biāo)retr_counts，這是因?yàn)閞etr_counts和SYN_pkts的冗雜度為0.764，同時(shí)retr_counts的相關(guān)性較低，因此retr_counts被剔除。對(duì)四個(gè)指標(biāo)體系的分類結(jié)果進(jìn)行分析，結(jié)果如圖2所示。分析圖2可知，基于SVM的分類準(zhǔn)確率從高到低排列為：體系D>體系C>體系B>體系A(chǔ)。因此，剔除冗雜度較大的安全指標(biāo)可以提高分類準(zhǔn)確率(B>A)，剔除相關(guān)性較小的安全指標(biāo)也可以提高分類準(zhǔn)確率(C>B)。同時(shí)，由于體系C不僅剔除了相關(guān)性較小的安全指標(biāo)，也剔除了部分冗雜度較小的安全指標(biāo)，而體系D同時(shí)剔除了相關(guān)性較小、冗雜度較大的安全指標(biāo)，造成分類準(zhǔn)確率低于體系D的實(shí)驗(yàn)結(jié)果(D>C)。所以，該文構(gòu)建的最優(yōu)安全指標(biāo)集滿足了電力監(jiān)控防護(hù)系統(tǒng)的感知需求。

表1 剔除前后最優(yōu)指標(biāo)集構(gòu)建結(jié)果

圖2 四種指標(biāo)體系實(shí)驗(yàn)結(jié)果對(duì)比

2 基于SVR的安全態(tài)勢(shì)識(shí)別模型

2.1 SVR識(shí)別模型的構(gòu)建

支持向量回歸(Support Vector Regression，SVR)在面對(duì)小樣本、非線性和高維度的實(shí)際問題上可以保持優(yōu)秀的泛化能力，準(zhǔn)確識(shí)別電力監(jiān)控防護(hù)系統(tǒng)的運(yùn)行狀態(tài)[11]。通過前文得到了m個(gè)識(shí)別指標(biāo)的最優(yōu)安全指標(biāo)集I(i1,i2,…,im)，第i條樣本數(shù)據(jù)的輸入向量為xi，樣本記錄為Ti(i∈[1,n])，樣本標(biāo)簽為yi，并構(gòu)建訓(xùn)練數(shù)據(jù)集T：

(7)

在此定義一個(gè)函數(shù)φ(x)實(shí)現(xiàn)輸入空間到高維希爾伯特空間的非線性映射，并且w和b分別為權(quán)向量和位移，則高維特征空間的線性回歸函數(shù)為：

y=f(x)=wφ(x)+b

(8)

定義變量ε為f(x)與y的最大偏差，損失函數(shù)為：

L(f(x),y,ε)=

(9)

因此，該問題可轉(zhuǎn)化為：

(10)

(i=1,2,…,n)

(11)

(12)

通過上式可對(duì)w和b進(jìn)行求解：

(13)

得到最終的SVR模型：

y=f(x)=wφ(x)+b=

(14)

核函數(shù)K(xi,xj)的選擇決定了是否能夠?qū)⒕€性不可分問題轉(zhuǎn)化為可分問題[13]。高斯徑向基核函數(shù)(RBF)能夠在參數(shù)少和線性不可分的情況下體現(xiàn)良好的性能，因此選擇RBF作為SVR預(yù)測(cè)模型的核函數(shù)：

(15)

2.2 安全態(tài)勢(shì)計(jì)算方法

安全態(tài)勢(shì)的計(jì)算前提需要對(duì)設(shè)備權(quán)重w進(jìn)行賦值dv，第i個(gè)設(shè)備重要性賦值dvi：

(16)

通過SVR模型識(shí)別的第i個(gè)設(shè)備安全態(tài)勢(shì)值為yi，則電力監(jiān)控防護(hù)系統(tǒng)的安全態(tài)勢(shì)值PSS可以通過下式計(jì)算：

(17)

2.3 安全態(tài)勢(shì)識(shí)別結(jié)果分析

為驗(yàn)證基于SVR構(gòu)建的安全態(tài)勢(shì)識(shí)別模型的有效性，該文模擬了惡意攻擊，將900個(gè)數(shù)據(jù)樣本以3∶1的比例構(gòu)建訓(xùn)練集和測(cè)試集。同時(shí)，利用粒子群尋優(yōu)算法(PSO)將最優(yōu)算法參數(shù)定義為：C=83.54，σ=6.67，ε=0.01。對(duì)SVR識(shí)別模型和BPNN識(shí)別模型進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果如圖3和圖4所示。

圖3 模型識(shí)別結(jié)果對(duì)比

圖4 模型實(shí)驗(yàn)結(jié)果對(duì)比

分析圖3可知，BPNN識(shí)別模型的安全態(tài)勢(shì)識(shí)別值和實(shí)際值差值波動(dòng)較大，明顯高于SVR識(shí)別模型。這表明SVR識(shí)別模型具有更高的識(shí)別準(zhǔn)確率，并且具有更加穩(wěn)定的識(shí)別效果。分析圖4可知，SVR模型的評(píng)估值與實(shí)際值誤差絕對(duì)值為0、1、2的樣本數(shù)量明顯多于BPNN模型，而隨著誤差絕對(duì)值越來越大，SVR模型的樣本個(gè)數(shù)明顯少于BPNN模型。SVR模型的識(shí)別精度整體優(yōu)于BPNN模型。對(duì)SVR模型和BPNN模型進(jìn)一步進(jìn)行對(duì)比，結(jié)果如表2。分析表2可知，相較于BPNN模型，SVR模型在RMSE上降低了43.60%，在MAPE上降低了70.23%。這說明，所構(gòu)建的SVR安全態(tài)勢(shì)識(shí)別模型具有更好的識(shí)別能力和模型準(zhǔn)確率。對(duì)比SVR和BPNN兩個(gè)識(shí)別模型可知，SVR模型能夠在樣本數(shù)量少的情況下保證較高的泛化能力，準(zhǔn)確識(shí)別未知數(shù)據(jù)，能夠在降低訓(xùn)練成本的前提下保證攻擊樣本的類型和壓力。而BPNN往往需要進(jìn)行大量訓(xùn)練和參數(shù)尋優(yōu)，如果初始化參數(shù)取值不當(dāng)，BPNN模型容易出現(xiàn)陷入局部最優(yōu)的情況。同時(shí)，BPNN需要構(gòu)建樣本大、維度高的訓(xùn)練數(shù)據(jù)集，面對(duì)小樣本的情況還會(huì)出現(xiàn)過擬合現(xiàn)象。

表2 模型識(shí)別結(jié)果對(duì)比

3 基于GRU的安全態(tài)勢(shì)預(yù)測(cè)模型

3.1 基于GRU預(yù)測(cè)模型

(18)

(1)定義神經(jīng)元輸入為xt，Wz和Uz分別為輸入層到隱藏層、上一個(gè)狀態(tài)到當(dāng)前狀態(tài)的更新門權(quán)重，設(shè)置激活函數(shù)為sigmoid，矩陣拼接表達(dá)為+，更新門zt的表達(dá)式為：

(19)

(20)

(3)定義神經(jīng)元輸入為xt，Wr和Ur分別為輸入層到隱藏層、上一個(gè)狀態(tài)到當(dāng)前狀態(tài)的重置門權(quán)重，設(shè)置激活函數(shù)為sigmoid，矩陣拼接表達(dá)為+，重置門rt的表達(dá)式為：

rt=σ(Wrxt+Urht-1)

(21)

為保證預(yù)測(cè)模型的準(zhǔn)確率，同樣采用sigmoid函數(shù)作為GRU隱藏層的激活函數(shù)。由于函數(shù)能夠在處理非線性問題的時(shí)候保證較快的收斂速度和較好的處理效果，不會(huì)出現(xiàn)梯度消失的問題[16]，因此，采用leaky_ReLU函數(shù)作為GRU全連接層的激活函數(shù)：

(22)

設(shè)定損失值為loss，定義yi和ytrue為第i個(gè)樣本的模型預(yù)測(cè)值和實(shí)際值，損失函數(shù)為：

(23)

3.2 預(yù)測(cè)精度對(duì)比分析

該文對(duì)比分析了三種模型在進(jìn)行安全態(tài)勢(shì)預(yù)測(cè)的模型預(yù)測(cè)精度，分別為：徑向基函數(shù)(RBF)預(yù)測(cè)模型[17]、SVR預(yù)測(cè)模型和該文設(shè)計(jì)的GRU預(yù)測(cè)模型，其中RBF神經(jīng)網(wǎng)絡(luò)模型是一種單隱層的三層前饋網(wǎng)絡(luò)，采用的是改進(jìn)布谷鳥搜索法對(duì)RBF模型進(jìn)行優(yōu)化，并引入了動(dòng)態(tài)發(fā)現(xiàn)概率和模擬退火。采用RMSE和MAPE對(duì)三種預(yù)測(cè)模型進(jìn)行對(duì)比分析，結(jié)果如表3所示。分析表3可知，設(shè)計(jì)的GRU預(yù)測(cè)模型相較于RBF模型和SVR模型的均方差誤差(RMSE)分別降低了19.23%和23.56%，平均絕對(duì)百分比誤差(MAPE)降低了48.33%和58.73%。對(duì)比三者實(shí)驗(yàn)結(jié)果可知，GRU具有更擅長(zhǎng)執(zhí)行時(shí)間序列的學(xué)習(xí)能力，在安全態(tài)勢(shì)預(yù)測(cè)上具有更高的預(yù)測(cè)精度。

表3 模型預(yù)測(cè)精度對(duì)比

截取其中100個(gè)數(shù)據(jù)樣本的預(yù)測(cè)結(jié)果與實(shí)際值進(jìn)行對(duì)比分析，預(yù)測(cè)結(jié)果對(duì)比分析如圖5所示。數(shù)據(jù)樣本1～33、34～66和67～100分別對(duì)應(yīng)模型預(yù)測(cè)的安全態(tài)勢(shì)在上升階段、峰值階段和下降階段。分析圖5可知，所構(gòu)建的GRU預(yù)測(cè)模型在數(shù)據(jù)樣本安全態(tài)勢(shì)的上升、下降和峰值預(yù)測(cè)中均能保證良好的吻合效果，無論是變化趨勢(shì)還是預(yù)測(cè)值準(zhǔn)確率，GRU預(yù)測(cè)模型相較于RBF和SVR模型均具有更小的預(yù)測(cè)誤差。

圖5 100個(gè)數(shù)據(jù)樣本的模型預(yù)測(cè)結(jié)果對(duì)比

4 電力監(jiān)控防護(hù)系統(tǒng)實(shí)現(xiàn)與驗(yàn)證

所設(shè)計(jì)的電力監(jiān)控防護(hù)系統(tǒng)主要分為數(shù)據(jù)分析、安全態(tài)勢(shì)和用戶交互三個(gè)部分，如圖6所示，其中安全態(tài)勢(shì)部分主要包括指標(biāo)體系模塊、安全態(tài)勢(shì)識(shí)別模塊和安全態(tài)勢(shì)預(yù)測(cè)模塊。

圖6 原型系統(tǒng)功能架構(gòu)設(shè)計(jì)

利用python攻擊模擬器對(duì)電力監(jiān)控防護(hù)系統(tǒng)進(jìn)行攻擊模擬。分析模擬結(jié)果可知，所設(shè)計(jì)的電力監(jiān)控防護(hù)系統(tǒng)能夠?qū)崟r(shí)感知系統(tǒng)內(nèi)部或者外部的惡意攻擊，準(zhǔn)確捕捉設(shè)備或者網(wǎng)絡(luò)運(yùn)行狀態(tài)，能夠及時(shí)預(yù)警反饋安全問題。當(dāng)設(shè)備或者網(wǎng)絡(luò)受到威脅或者攻擊時(shí)，能夠?qū)崟r(shí)識(shí)別并準(zhǔn)確預(yù)測(cè)，證明了該方法的有效性、準(zhǔn)確性以及系統(tǒng)可行性。

5 結(jié)束語

為了實(shí)現(xiàn)“智慧電網(wǎng)”背景下對(duì)電力監(jiān)控防護(hù)系統(tǒng)的精細(xì)化、實(shí)時(shí)化和智能化的復(fù)雜要求，從指標(biāo)體系構(gòu)建、安全識(shí)別模型和狀態(tài)預(yù)測(cè)模型共三個(gè)方面對(duì)電力監(jiān)控防護(hù)系統(tǒng)的設(shè)計(jì)進(jìn)行了研究，并實(shí)現(xiàn)了新型電力監(jiān)控防護(hù)系統(tǒng)的可視化，主要?jiǎng)?chuàng)新點(diǎn)如下：

(1)基于支持向量機(jī)的遞歸特征消除(SVM-RFE)技術(shù)，基于皮爾森相關(guān)系數(shù)(Pearson)去除冗余特征，構(gòu)建了電力監(jiān)控防護(hù)系統(tǒng)安全識(shí)別指標(biāo)體系。

(2)基于支持向量回歸(SVR)技術(shù)，構(gòu)建了基于SVR的安全態(tài)勢(shì)識(shí)別模型。相較于BPNN模型，SVR模型的安全態(tài)勢(shì)識(shí)別結(jié)果在RMSE上降低了43.60%，在MAPE上降低了70.23%。

(3)基于門循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)，構(gòu)建了基于GRU的安全態(tài)勢(shì)預(yù)測(cè)模型。GRU預(yù)測(cè)模型相較于RBF模型和SVR模型的均方差(RMSE)分別降低了19.23%和23.56%，平均絕對(duì)百分比(MAPE)降低了48.33%和58.73%。

(4)實(shí)現(xiàn)了電力監(jiān)控防護(hù)系統(tǒng)，通過實(shí)驗(yàn)驗(yàn)證了系統(tǒng)可行性。

該研究為電力監(jiān)控防護(hù)系統(tǒng)的安全運(yùn)維提供重要參考，為構(gòu)建智慧電網(wǎng)提供了技術(shù)支撐。