中国核电工程有限公司河北分公司 河北省石家庄市 050000
摘要：本文提出了一种WLCHM的电力网络安全态势预测模型，该模型采用改进的全生命周期异构模型对参数进行了优化。该预测模型将改进的安全态势分析方法与全生命周期异构模型结合在一起。因此，新颖的安全态势分析方法具有改进的全生命周期异构模型优化能力和收敛速度。实验证明了全生命周期异构模型的可靠性和有效性，能更准确地预测电力网络安全状况。
关键词：全生命周期异构模型；电力网络安全；PNSSAS
随着社会的发展和人们之间更高的沟通要求，大数据越来越成为人们生活方式的基础技术。电力网络在日常生活中起着重要的作用，相应地，当人们上网发送和接收私人数据时，电力网络攻击变得更加频繁和有害。仅通过单一防御方法很难解决这些安全问题。因而获取和处理安全信息的综合技术电力网络安全态势感知（NSSA）受到了广泛关注。
一、网络安全态势感知概念
网络安全态势感知是网络安全领域中一个新兴的概念，是指在大规模网络环境中，通过分析其中的安全影响因素，评估和预测网络安全发展趋势的一种行为。态势感知的概念最早并不是存在网络领域，而是在航天飞行的人因研究中提出的，后来才被逐渐应用在军事、医疗等不同领域，1999年才将态势感知这一概念引入到网络安全领域。
二、PNSSAS建模
PNSSAS通常根据不同的小波基函数分为放松型和闭合型。并且预测采用具有三层前馈神经电力网络的封闭型。在模型中，假设电力网络输入层中共有m个节点，隐藏层共有h个节点，输出层共有n个节点。输入样本数据使用X1～Xm，输出样本数据使用Y1～Yn。拉伸和平移依次使用a1～ah，b1～bh来表示。输入层与隐藏层间和隐藏层与输出层间的电力网络链路权重依次使用w11～wmh，w´11～w´hn进行表示。
在分析隐藏层时，选择Morlet作为小波函数。另外，通过Kolmogorov理论可知隐藏层节点对应数量h主要由输入层节点数量m决定。表达式为
H＝2m+1
乙状结肠功能仍用作激活功能，如下所示
.png)
使用小波基函数可知PNSSAS输出结果为：
.png)
此外，该方法的极值点仅是近似值。同时，其易受本地最佳电力网络问题的困扰。因此，使用改进的全生命周期异构模型（WLCHM）来优化本地电力网络参数。
三、WLCHM算法
一般电力数据维数较高，在高维空间求解问题困难，必须要降维处理，PCA是降维分析中常用的一种线性降维方法，将一组相关变量转换成一组新的不相关变量，并保留原始数据在变换过程中的大部分信息，然后从不相关变量中提取主成分。
适应度值的增加决定了全生命周期异构模型的发展方向。PNSSAS的误差E定义为个体适应度函数：
.png)
.png)
其中Yt表示第t个输出节点的实值，Y´t表示预测输出。
最常见的选择操作是轮盘赌选择。但为避免在小样本量中损害最佳个体，预测模型采用期望值方法进行选择。因此，概率问题被转换为频率问题。同时，优秀个人的保留机制直接保留了个人对下一代的当代最高健身价值。
本文采用全生命周期异构模型方法。全生命周期异构模型概率pc和pm在下式中定义。
.png)
.png)
其中，a1，a2，β1，β2依次表示区间内的随机值。假设a1=0.8，a2=0.5，β1=0.05，β2=0.001。fmax表示样本数据中个体适应度值。平均个体适应值用favg进行表示。
假设存在N个具有Chromlen维数的个体。各个基因大小的不同可能会在实数编码中产生一些问题。因此，所有实数遗传密码应通过以下函数归一化。
.png)
式中，xpj表示第p个个体在遗传序列中第j个点的遗传密码。
根据上式可得个体间模糊相似矩阵R：
.png)
模糊相似矩阵满足自反性和对称性。模糊等价矩阵更有效地解决了生态位问题。因此，通过寻找模糊相似矩阵R的最小传递闭包，获得了相应的模糊等价矩阵T，该矩阵对总体进行了聚类。
如果相似系数λ小于每对个体的系数Tpq，即λ≤Tpq，则将个体xp和xq划分为相同的小生境，直到将所有个体划分为适当位置。
.png)
根据模糊等价矩阵和总体数量，相似系数λ的动态更新为：
.png)
其中，Tmaxj表示最大适应度值xmax的个体与个体xj之间的等效系数。
在使用全生命周期异构模型的搜索区域最优解，在这种情况下，若出现的差异小于某个阈值，则进行细分。构建全生命周期异构模型的过程如图1所示。
图1 改进的全生命周期异构模型的流程图
.png)
为了用改进的全生命周期异构模型对多样性进行定量分析，定义了以下等式来计算种群的多样性。
.png)
.png)
其中，Q为第t代子种群的数量，Lmn为第n个子种群数量，N为物种个体总数。
针对某个生态位的适应度值远小于其他值的情况，即
.png)
然后
.png)
其中fmax是同一代中的最高适用性值。适应性值的默认阈值fdefault。Fniche（i）代表第i个个人适应度。
四、系统仿真与分析
1、数据预处理。为了检验预测模型的有效性，采用了实验室中电力网络仿真安全平台提供的真实安全数据，并根据电力网络安全状况评估有效地实现了对电力网络安全状况值的预测。
随机选择一个连续90天的数据，该数据分为两部分，选择5天作为向量维输入，选择1天作为向量维输出。
如果电力网络安全状况值的数量级差异大，则会影响神经电力网络的训练。为了避免这种现象，将90天的电力网络安全状况值标准化如下：
.png)
其中Xmin和Xmax是样本的最小和最大电力网络安全状况值。X和X分别是先前和之后的标准化电力网络安全状况值。
选择绝对误差（AE）、平均相对误差（MRE）、均方根误差（RMSE）作为预测精度的判断标准，定义如下。
.png)
.png)
.png)
其中N是电力网络安全状况值的样本数。Yk表示电力网络上的实际安全状况值，Y'k表示预测值。
五、结果分析与比较
为了证明所提出模型的优越性，该实验将PNSSAS、全生命周期异构模型-BP、全生命周期异构模型-PNSSAS的性能进行了比较。经过对这些算法的全面训练，选择收敛速度、多样性和预测精度来判断这些算法的优势，并证明所提模型的有效性。
不同算法具有不同的收敛速度。全生命周期异构模型的收敛速度最快，收敛到第68代。第二快的算法是全生命周期异构模型-PNSSAS，它在第118代结束。全生命周期异构模型-BP和PNSSAS分别在第139代和359代停止运行以达到收敛精度。因此，将改进的小生境技术和PNSSAS相结合的模型有效地减少了收敛时间，提高了预测效率。但WLCHM比PNSSAS，WLCHM-BP和WLCHM-PNSSAS更接近实际电力网络情况值，并且在预测误差方面的值更小。在对结果进行分析的基础上，主要原因是WLCHM采用改进的WLCHM对PNSSAS进行优化，从而具有较高的非线性拟合能力，进而解决了种群遗传多样性的问题，有效避免了早熟趋同。因此，WLCHM可收敛更好的解决方案。
参考文献：
[1]李伟峰.基于层次分析法和神经网络电网安全态势分析[J].现代电子技术，2016（15）.
[2]郭玮.基于全生命周期异构模型的电力网络安全态势分析[J].现代科学仪器，2021（01）.