基于極限學習機的智能電網運行入侵檢測研究

梁林森

摘 要： 為解決智能電網運行入侵檢測效率慢及入侵檢測精度較低等問題，提出基于量子甲蟲群算法優化的極限學習機模型。通過構建量子甲蟲群優化算法，并引入量子力學，結合甲蟲觸角搜索和粒子群優化的優點，以進一步提高極限學習機算法入侵收斂性能，降低極限學習機的計算復雜度和訓練時間。結果表明：隨著迭代次數的增加，入侵檢測測試誤差逐漸減小，最小誤差率為1.1%。所提出的極限學習機算法的準確率、平均 F 值和攻擊準確率分別為95.82%、95.90%和95.16%。與隨機森林算法相比，極限學習機可以有效提高智能電網運行入侵檢測的準確性、檢測率、攻擊準確率，降低誤報率，算法可滿足實際智能電網運行入侵檢測。

關鍵詞： 極限學習機；智能電網；入侵；檢測研究

中圖分類號： TP368.39

文獻標志碼： A ?文章編號： 1001-5922（2023）08-0185-04

Research on intrusion detection of smart grid operation based

on extreme learning machine

LIANG Linsen

（Information Centre，Guangzhou Power Supply Bureau，Guangdong Power Grid Co.，Ltd.，Guangzhou 510000，China ）

Abstract： To further solve the problems of slow intrusion detection efficiency and low intrusion detection accuracy in smart grid operation， an extreme learning machine model based on quantum beetle swarm optimization algorithm is proposed.By constructing a quantum beetle swarm optimization algorithm and introducing quantum mechanics，combining the advantages of beetle antenna search and particle swarm optimization，the intrusion convergence performance of extreme learning machine algorithm is further improved，and the computational complexity and training time of extreme learning machine are reduced.The experimental results show that as the number of iterations increases，the error of intrusion detection testing gradually decreases，with a minimum error rate of 1.1%.The accuracy，average F value and attack accuracy of the proposed extreme learning machine algorithm are 95.82%，95.90% and 95.16% respectively.Compared with random forest algorithm，extreme learning machine can effectively improve the accuracy，detection rate and attack accuracy of intrusion detection in smart grid operation，and reduce false alarm rate，and extreme learning machine algorithm can meet the actual intrusion detection in smart grid operation.

Key words： extreme learning machine;smart grid;invasion;detection research

如果智能電網受到攻擊，人們的生活將受到嚴重影響[1]。智能電網給社會帶來了便利，也帶來了新的挑戰[2]?；诖耍覈嗬^在智能電網安全方面開展了一些研究，探索了智能電網入侵檢測領域。

基于異常的入侵檢測系統用于檢測系統的異常行為，當檢測行為與正常行為有很大偏差時會發出警告消息[3]。目前基于異常的入侵檢測研究主要集中在基于統計的入侵檢測、基于傳統機器學習的入侵檢測、基于可視化的入侵檢測系統、基于神經網絡的入侵檢測等方面[4-6]。其中，極限學習機作為一類具有自適應特性的大型非線性動力系統，在入侵檢測識別中具有很好的應用前景。因此可以利用極限學習機算法的自學習能力，來解決網絡入侵檢測中的某些問題。極限學習機具有多數據并行計算、自適應學習能力好、可搜索速度快、抗干擾性能強、處理失真、不完整數據信息的能力等優點[7]，非常適合從大型網絡中復雜、大量數據中識別入侵數據。然而，傳統的極限學習機算法收斂速度慢，容易陷入局部極小值的限制，限制了極限學習機的應用[8]。

對此，部分研究人員提出了相應的改進策略?；赑CA-BP神經網絡，采用主成分分析方法對BP神經網絡進行了參數選取和權值選取[9

]。將人工蜂群和BP神經網絡相結合，優化了網絡模型的收斂速度和準確性[10]。提出了基于粗糙集理論的域概念，并利用域粗糙集理論來簡化實驗數據和BP網絡結構[11]。此外，量子計算越來越受到關注，量子計算與人工智能算法的結合也廣泛應用于各個領域。例如，提出將量子粒子群優化算法應用于城市電動汽車充電站的規劃，并證明了其有效性和可行性[12]。引入一種基于量子粒子群優化算法的混沌搜索來提高初始種群的質量，并將其應用于水電站的優化調度，有效地提高了梯級水能的利用率[13]。提出了一種基于量子遺傳算法的網絡優化覆蓋算法，以便在給定傳感器節點數時獲得最大的網絡覆蓋率[14]。

研究提出了一種基于量子甲蟲群優化的極限學習機入侵檢測模型。與其他模型相比，該模型具有更快的收斂速度和更高的精度[15]。將量子力學的基本原則引入到量子甲蟲群方法中，并將其與微粒群方法進行了融合。使算法更容易跳出局部最優解。將此模型應用于改進的極限學習機可以提高檢測入侵網絡的效率。

1 智能電網運行入侵檢測算法建立

甲蟲群算法可以模擬甲蟲的飛行過程[16]。甲蟲群算法采用迭代法逐步逼近最優解。由于甲蟲群算法中只有個體，與其他智能算法相比，具有算法簡單、計算速度快的優點。且甲蟲群算法側重于過程搜索，這有利于解決單峰問題。但是，也有可能出現搜索精度低的問題。而粒子群優化（PSO）是一種群體進化優化算法，有利于多峰問題的優化[17]。但是，也存在過早收斂、收斂精度低、收斂困難等缺陷。因此，本文提出了一種與量子計算相結合的量子甲蟲群模型。根據甲蟲群算法和粒子群優化算法各自的優勢，單個甲蟲可以從自己的經驗以及群體經驗中學習[18]。因此，單個甲蟲可以有目的、有啟發性的移動，從而提高算法的收斂性能。最后，在迭代后期引入精英策略來增加種群的多樣性，以避免算法陷入局部最優。

1.1 甲蟲群算法

甲蟲群算法的基本原理如下。甲蟲在進食時不知道食物的具體位置，所以它用2根天線來探測食物的氣味并確定其方向。如果甲蟲的左邊天線收到的氣味比右邊天線強，甲蟲就會向左邊飛去，否則就向右邊移動。基于這個簡單的原則，它可以很容易地找到食物[19]。詳細步驟如下。

假設甲蟲的頭在任何方向上都是隨機移動的，那么從右邊的天線到左邊的天線的矢量方向也一定是隨機的。因此，對于 n 維空間的優化問題，可以生成一個隨機矢量來表示和規范。

b ′= rands（n， 1 ） ‖rands（n，1）‖

（1）

其中 n是空間維度，rands（n，1）為一個隨機函數。

左邊和右邊的天線之間的關系可以表示為：

x 1－x r=d o·d ir ??（2）

其中 x l 和x r 可以用中心點來表示：

x 1=x+（d 0·d ?ir ）/2x ?r =x－（d 0·d ?ir ）/2

（3）

其中 x l是搜索區域的左側，x r 是右側。

進一步確定左側和右側天線的氣味強度，其中 f（x 1） 和 f（x ?r ） 代替左右位置， f（x） 為適配函數。

為了制定搜索行為步驟，進一步生成了以下迭代模型。迭代更新甲蟲的位置以探測氣味。

ΔF=f（x ?r ）－f（x 1）

（4）

xT+1=x t －δtb ?sign （ΔF） ???（5）

其中 x是甲蟲第t次迭代中的中心點坐標。第t 次迭代的步長為δt，sign（ x ）為符號函數。

1.2 粒子群優化算法

粒子群優化算法的靈感來自于生物種群的行為特征，并被有效地用于解決復雜的優化問題。在粒子群優化系統中，通過連續迭代尋求最優解或近似最優解，通常用于解決各種優化問題。在粒子群優化模型中，每一個粒子都是最優解，而每一個粒子的運動強度都是以目標函數為基礎。首先對每一個微粒進行初始化，微粒都具有對應的初始點。其次，該粒子會按照目前最好的粒子進行更新。所有的微粒都是在其各自找到的最優位置（pbest）以及在全部微粒群體中找到的最優位置（gbest）來實現對自身狀態的調節。一維向量可用于表示所有粒子的位置和速度，即：

x i=［x i1，x i2…x id］，v i=［v i1，v i2…，v id］ ??（6）

在每次迭代中，粒子速度和位置更新公式：

vt+1 id=wvi id+c 1r 1（ pbest t id－xt id）+c 2r 2（gbestt d－xt id） ???（7）

xt+1 id=xt id+v t+1 ??（8）

w=w ?max －（w ?max －w ?min ）× t t ?max ????（9）

式中： t是當前的迭代次數；c 1、c 2為學習因子（一般值取為2）；r 1，r 2是介于（0，1）之間的獨立隨機數。w ?max和 w ?min是慣性權重；最大值和最小值通常分別為0.9和0.4； t ?max是最大迭代次數。

1.3 量子甲蟲群算法優化極限學習機

甲蟲群算法中的聚類可以用力學中的粒子束縛態來描述[20]。在量子力學中，量子粒子反映與束縛態相同的行為，處于量子束縛狀態的粒子可以以一定的概率密度出現在空間中的任何一點。當粒子靠近中心 “p”時，發生的概率更大，當與p的距離接近無窮大時，概率密度接近零。其他勢能模型具有過于復雜而無法模擬的波函數，有些容易過早成熟，因此選擇勢阱模型δ。

在量子空間中無固定軌道的質點，它的速度與位置都無法同時被確定。所以粒子的狀態由波函數 φ（X，t） 描述，其中[WTHX]X[WTBZ]= x，y，z 是粒子在三維空間的位置矢量。波函數的物理含義是：波函數模數的平方是粒子在空間某一點上出現的概率密度，即：

φ ?2d x d y d z=Q d x d y d z

（10）

其中 Q 是概率密度函數，滿足歸一化條件。

∫ +SymboleB@

－SymboleB@

Q d x d y d z=1

（11）

其中量子空間中粒子運動的動力學方程為薛定諤方程。

ih - ?????t ?φ（X，t）=H ^ φ（X，t）

（12）

其中 H ?^ ?為哈密頓量， h ?為普朗克常數。哈密頓量具有以下形式。

H ?^ =－ h 2 2 m ?SymbolQC@

2+V（X）

（13）

其中 m是粒子的質量，V（x）為粒子所在的勢場。

假設甲蟲群系統是一個量子粒子系統，每個粒子都有量子行為，其狀態由波函數描述。存在以某種形式的以π點為中心的吸引勢。設π表示為p，粒子的位置為X。在點p建立一維勢阱δ，其勢能函數表示為：

V（ x ）=－γδ（X－p）=－γδ（Y） ??（14）

其中 Y=X－p ， m 為粒子的質量。

1.4 模型構建

首先構建極限學習機模型。傳統的極限學習機算法使用顯式非線性特征映射。對于更復雜的分類、回歸和其他非線性模式識別任務，通常需要隱藏層神經元，從而產生非常復雜的網絡結構。因此本文采用3層結構，即輸入層、隱藏層和輸出層。輸入層面的每一個神經元與隱藏層面的全部神經元相連。隱藏層里的每一個神經元與輸出層里的全部神經元相連。

當使用甲蟲群算法優化極限學習機的輸入層權重時，每個粒子的位置向量 X 表示一組極限學習機的權重。采用甲蟲群算法搜索最優權重，通過迭代使粒子在終止條件下的適應度值最小化，找到粒子的最佳位置。該位置向量用作極限學習機的最終輸入權重和閾值，用于極限學習機測試驗證。本文將訓練樣本極限學習機輸出的均方誤差作為適應度值。

2 結果與討論

2.1 入侵檢測誤差

本文將極限學習機模型用于智能電網運行入侵檢測實驗研究。實驗在Windows10系統和python平臺上進行仿真。使用智能電網中的KDDCUP99和CICIDS2017數據進行實驗。在實驗中，量子甲蟲的種群為40，模型訓練迭代次數為100，懲罰系數c為80 000。

在極限學習機入侵檢測算法步驟的基礎上，通過參考經驗和測試多個參數，選取一組相對最優的參數進行設置，并將種群規模設置為20。最大遺傳代數為100，變異概率為0.01，交叉概率為0.7。隱層神經元的激勵函數采用Sigmoid函數?；跇O限學習機的入侵檢測的誤差如圖1所示。極限學習機算法共進行了100次迭代。在第0次迭代時，為原始極限學習機，誤差率為18.2%。隨著迭代次數的增加，測試誤差逐漸減小，最小誤差率為1.1%，說明量子甲蟲群優化極限學習機算法是有效的，且原始極限學習機的輸入權重和隱藏層神經元的偏移量得到有效優化。同時可觀察到迭代次數30～82次時，誤差保持在3.4%，進一步表明量子甲蟲群算法有效地優化極限學習機的輸入權重和隱藏層神經元的偏移量。通過提高模型的性能，可以極大保持極限學習機的訓練速度，同時更好地提高智能電網入侵檢測的準確性。

2.2 極限學習機入侵檢測性能

利用提出的甲蟲群算法優化極限學習機和隨機森林算法用訓練數據集和測試數據集進行測試，以進一步突出基于極限學習機的智能電網運行入侵檢測性能。表1為極限學習機算法和隨機森林算法性能的比較。

如表1所示，甲蟲群算法優化極限學習機的入侵檢測性能優于隨機森林算法。此外，所提出的極限學習機算法的準確率、平均F值和攻擊準確率等評價指標分別為95.82%、95.90%和95.16%，高于隨機森林算法；且極限學習機算法的錯誤攻擊率為1.53%，遠低于隨機森林算法錯誤攻擊率（9.58%）。因此，提出的極限學習機可以滿足實際智能電網系統入侵檢測的能力。

此外，為了證明甲蟲群算法優化極限學習機在計算效率方面的優勢，與隨機森林算法在相同訓練數據集進行準確性、訓練和測試時間結果對比，實驗結果如表2。

如表2所示，極限學習機算法的準確率為95.82%， 與隨機森林算法的90.71%相比提高了5.11%。此外，極限學習機算法的訓練和測試時間分別為54.184 571 s和0.252 235 s，而隨機森林算法的訓練和測試時間分別為21.283 896 s和0.128 424 s。且可以觀察到與隨機森林算法相比，極限學習機算法節省了60.72%的訓練時間和49.09%的測試時間。綜上所述，基于所提出的甲蟲群算法優化極限學習機可以提高智能電網入侵檢測測試時間，且其入侵檢測準確性及攻擊準確率較高，可以有效提高智能電網入侵檢測。

3 結語

通過建立基于量子甲蟲群優化的改進極限學習機網絡入侵檢測算法，有效解決了現有智能電網入侵檢測準確低等問題。將極限學習機算法應用于入侵檢測領域。實驗結果表明，與隨機森林算法相比，極限學習機算法在各項評價指標上具有明顯的優勢。極限學習機算法的錯誤攻擊率為1.53%。 且極限學習機算法的訓練和測試時間為54.184 571 s和0.252 235 s，極大降低智能電網入侵檢測所需時間。

【參考文獻】

［1］ ?席磊，何苗，周博奇，等.基于改進多隱層極限學習機的電網虛假數據注入攻擊檢測[J].自動化學報，2023，49（4）：881-890.

[2] 王萍利.基于人工智能技術的化工企業計算機網絡安全防御系統設計[J].粘接，2021，47（8）：106-109.

[3] 張曉琴，汪云飛，胡春強.基于改進極限學習機的數據采集與監控系統攻擊檢測模型[J].南京航空航天大學學報，2021，53（5）：708-717.

[4] 劉菲菲，伍忠東，丁龍斌，等.基于改進在線序列極限學習機的AMI入侵檢測算法[J].計算機工程，2020，46（9）：136-142.

[5] 郭華，李穎，江浩，等.基于物聯網技術的電力線路信息網入侵檢測系統設計[J].電子設計工程，2020，28（18）：131-135.

[6] 周念成，廖建權，王強鋼，等.深度學習在智能電網中的應用現狀分析與展望[J].電力系統自動化，2019，43（4）：180-191.

[7] ?段立峰.基于最大熵原理的電子商務混合入侵行為信息智能化檢索方法研究[J].粘接，2020，44（10）：141-144.

[8] 陳麗惠，李哲，周鍵宇，等.基于ELM和遷移學習的電網設備多因素綜合故障率分析方法[J].計算機測量與控制，2023，31（4）：30-35.

[9] 吳謙，陳嘉，周瑾瑜，等.基于快速區域卷積神經網絡的電網通信網入侵威脅預先識別方法[J].電氣自動化，2022，44（6）：98-101.

[10] ?龐紅旗，高飛翎，程國開，等.基于經驗模態分解和極限學習機的日輸電量分時建模預測[J].智慧電力，2021，49（9）：63-69.

[11] 郭靜.基于計算機的網絡安全漏洞及其有效防范措施[J].粘接，2019，40（10）：187-189.

[12] 陸俊，陳志敏，龔鋼軍，等.基于極限學習機的居民用電行為分類分析方法[J].電力系統自動化，2019，43（2）：97-104.

[13] 陳剛，陶文偉，鄭偉文.電力監控系統現場運維安全管控系統研究[J].粘接，2022，49（7）：180-183.

[14] 劉美容，曾黎，何怡剛，等.基于LMD多尺度熵和極限學習機的模擬電路故障診斷[J].電子測量與儀器學報，2017，31（4）：530-536.

[15] 李強，張立梅，白牧可.基于多元數據特征和改進隨機森林的智能配電網異常數據辨識[J].科學技術與工程，2023，23（5）：2007-2015.

[16] 鄭貴林，謝耀.基于小波和長短期記憶混合神經網絡的電力用戶異常用電模式檢測[J].電測與儀表，2022，59（11）：120-125.

[17] 洪宇，高騫，楊俊義，等.基于DE-ELM算法的配電網電力系統負荷預測研究[J].吉林大學學報（信息科學版），2022，40（6）：918-923.

[18] 胡超強，黃應敏，鄒科敏，等.智能電纜故障系統定位技術及電網新材料應用的研究[J].粘接，2019，40（11）：174-177.

[19] 閆嵩琦.數據防泄漏技術的電網信息化安全控制研究[J].粘接，2022，49（7）：137-140.

[20] 周念成，廖建權，王強鋼，等.深度學習在智能電網中的應用現狀分析與展望[J].電力系統自動化，2019，43（4）：180-191.