摘要：假数据注入攻击可以篡改由数据采集与监控(SCADA)系统采集到的量测信息,影响电网的重要决策,从而对电网状态估计造成安全威胁。针对智能电网状态估计,研究了交流模型下假数据注入攻击的原理,构建了基于改进卷积神经网络(CNN)的假数据注入攻击检测模型。将门控循环单元(GRU)结构加入CNN中的全连接层之前构建CNN-GRU混合神经网络,根据电网历史量测数据进行训练并更新网络参数,提取数据的空间和时间特征,并根据提出的模型设计实现了高效实时的假数据注入攻击检测器。最后,在IEEE 14节点和IEEE 118节点测试系统中,与基于传统CNN、循环神经网络及深度信念网络的检测方法分别进行了大量对比实验,验证了所提方法的有效性。

摘要：针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。

摘要：在研究支持向量机(SVM)核方法和小波框架理论的基础上,提出了一种称为小波支持向量机(WaveletSupport Vector Machines,WSVM)的新的机器学习构造方法.该方法引入小波基函数构造SVM的核函数,得到了一种新的SVM模型,然后提出了此模型的结构设计和实现算法,最后给出了几种常用的小波核函数,并给出了理论证明.通过仿真实验,把该方法与小波神经网络、高斯核SVM相比较,得到了较好的实验结果,从而验证了该方法的正确性和有效性.

摘要：针对现有攻击检测方法难以应对持续时间长、攻击手段复杂隐蔽的高级持续威胁的问题,构建了基于注意力机制和溯源图的APT攻击检测模型。首先,基于系统的审计日志构建能够描述系统行为的溯源图;其次,设计优化算法,确保在不牺牲关键语义的前提下缩减溯源图规模;再次,利用深度神经网络(DNN)将原始攻击序列转换为语义增强的特征向量序列;最后,设计并实现了APT攻击检测模型DAGCN,该模型将注意力机制应用于溯源图序列,利用该机制对输入序列的不同位置分配不同的权重并进行权值计算,能够提取较长时间内的持续攻击的序列特征信息,从而有效地识别恶意节点,还原攻击过程。该模型在识别精确率等多个指标上均优于现有模型,在公开的APT攻击数据集上的实验结果表明,该模型在APT攻击检测中的精确率达到93.18%,优于现有主流检测模型。

摘要：基于支持向量机(SVM)核方法和小波框架理论,提出了一种称为小波支持向量机(Wavelet Support Vector Machines,WSVM)的新的机器学习方法,并把这种方法应用于组合预测,得到了一种基于WSVM的非线性组合预测新模型,然后给出了此模型的结构设计和实现算法.通过仿真实验,把该方法与小波神经网络等方法相比较,得到了更好的实验结果,从而验证了该方法的正确性和有效性.

摘要：社区家庭共享大容量储能设备,实现低储高发套利和家庭需求的时空转移,在分时电价下具有广阔的应用前景。然而,传统储能调度方法难以应对动态变化的储能调度环境。储能调度涉及家庭详细的能源消耗数据,泄露家庭作息习惯、人口数量等隐私信息的风险也不可忽视。为此,采用深度近端策略优化(deep proximal policy optimization,DPPO)强化学习方法,设计了考虑社区实时负荷、分时电价和储能老化的社区共享储能日前调度模型。考虑社区之间的隐私保护需求和数据壁垒问题,进一步提出隐私保护的联邦强化社区共享储能调度模型。该模型通过交互本地与全局DPPO模型梯度等参数信息,保护社区数据隐私。最后,仿真实验表明,所提方法在成本节约以及隐私保护方面具有优势。

摘要：在充分研究和比较多种负荷预测方法的基础上 ,提出一种称为小波支持向量机(WaveletSupportVectorMachines,WSVM )的负荷预测新算法 .该方法是在研究支持向量机 (SVM )核方法与小波框架理论的基础上 ,引入非线性小波基函数来构造SVM的核函数 ,从而得到新的SVM模型 ,并给出了此模型的结构设计与实现算法 .通过实例验证 。

摘要：MD5是目前在加密领域应用最为广泛的哈希函数。通过研究基于J2EE平台和B/S模式的用户管理系统的基本原理和实现方法,详细说明了基于MVC架构的系统模型,具体阐述了基于MD5进行口令密码校验的原理以及基于Java语言的算法实现。在设计口令密码校验过程中,描述了如何基于Servlet技术生成目前十分流行的图形认证码的方法。最后探讨了应用MD5算法加强Web应用中安全机制的方法和策略。

摘要：针对现有分布式电源调控系统安全威胁检测存在的检测精度不高、通信效率低等突出问题,以及由于数据手工标注的高成本、低效率等客观原因和模型自动伪标注不可信导致的数据利用不充分问题,提出了一种基于半监督联邦学习(SSFL)的安全威胁分布式协同检测方法,在云端和边缘设备之间进行协同训练,并通过未标记数据进行模型自我学习和优化,从而更好适应分布式电源调控系统的安全威胁环境。首先,采用改进Transformer模型有效捕获安全威胁。其次,考虑到分布式电源调控系统的数据具有跨设备、跨区域的特点,引入联邦学习确保本地数据隐私安全。然后,针对未标记数据问题,通过云边协同训练获得全局模型并进行伪标记,设计一致性正则化与信息熵正则的损失函数以保证伪标记的可信度。最后,设计动态加权聚合方法优化参数更新和模型训练。在密西西比大学电力系统数据集上进行仿真实验,实验结果表明,与FedAvg-FixMatch方法和FedMatch方法相比,检测准确率分别提升了8%和4%,且类别召回率和精确率均有提高,显著减少了18%~28%的通信开销,表明了所提方法在分布式电源调控系统安全威胁检测中的有效性和实用性。

摘要：针对Zigbee网状网络AODVjr路由算法在路由发现过程中引起的节点能耗不均衡问题,提出了一种通过有效选择转发节点,动态建立通信路径的路由选择算法。该算法在定义通信代价函数的基础上,通过限定邻居前区集合来确定待选节点集,并综合考虑待选节点的剩余能量以及待选节点转发数据至下一跳的能量损耗,选择具有最小通信代价的节点转发数据,尽可能的减小节点在路由发现过程中所引起的不必要的能量损耗。仿真结果表明,该算法能够有效地均衡节点能量、降低网络能耗、延长网络生命周期。