申请/专利权人：国网江苏省电力有限公司南京供电分公司

申请日：2024-04-01

公开（公告）日：2024-06-28

公开（公告）号：CN118264464A

主分类号：H04L9/40

分类号：H04L9/40;H04L41/14;H04L41/16;G06N3/0442;G06F18/214

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明一种变电站监控系统网络的终端识别方法，属于电力物联网设备识别技术领域。包括以下步骤，根据长短期记忆神经网络LSTM建立第一终端识别模型，根据LSTM和自注意力算法建立第二终端识别模型，根据LSTM和多头自注意力算法建立第三终端识别模型，然后对三个终端识别模型进行模型训练；采集需要进行终端识别的终端设备的网络流量报文数据并预处理，将预处理后的数据分别代入三个终端识别模型中得到设备概率矩阵ht，将设备概率矩阵通过软投票的集合策略来得到加权设备概率矩阵Q，选择加权设备概率矩阵中概率最大的设备名称作为终端识别的结果。本发明通过三个终端识别模型的输出结果来进行终端识别，大大改进了现有技术所导致的识别准率不高的问题。

主权项：1.一种变电站监控系统网络的终端识别方法，其特征在于：包括以下步骤：步骤1：根据长短期记忆神经网络LSTM建立第一终端识别模型，如下式1所示， 式1中，ht是当前时间步所述长短期记忆神经网络LSTM中的输出门输出的短期记忆网络流量信息；ot是所述LSTM中的输出门的权重；表示逐点求积运算；Ct是当前时间步所述LSTM中的输入门输出的长期记忆网络流量信息；σ是sigmoid函数；Wo和bo分别是所述输出门的权值和偏置；ht-1是前一个时间步所述LSTM中的输出门输出的短期记忆网络流量信息；xt是当前时间步上的信息；ft是所述LSTM中的遗忘门的权重；Ct-1是前一个时间步所述LSTM中的输入门输出的长期记忆网络流量信息；it是所述LSTM中的输入门的筛选权重；是当前时间步所述LSTM中输入门的网络流量候选信息；Wi和bi分别是所述输入门的筛选权重的权值和偏置；WC和bC分别是所述输入门的权值和偏置；Wf和bf分别是所述遗忘门的权值和偏置；根据所述LSTM和自注意力机制算法建立第二终端识别模型，如下式2所示， 式2中，AttQ，K，V是得到的自注意力分数，分别为查询向量矩阵、健向量矩阵和值向量矩阵，这个3个举矩阵中每行分别表示一个对应的向量；Q，K，V是通过把输入序列分别乘以3个矩阵Wq，Wk，Wv得到的；dq，dk，dv分别为Q，K，V中向量的维度，nq，nk，nv分别为Q，K，V中向量的个数；激活函数ω·通常为对QKT施加激活函数ω·后得到各网络流量特征与上下文之间的相似度分布值；将ωQKT与作内积运算后得到AttQ，K，V，即权值向量的加权和，权值即每个样本的特征与上下文样本特征之间相似度分布值；根据所述LSTM和多头自注意力算法建立第三终端识别模型，如下式3所示， 式3中，m表示注意力头的个数，k表示Q，K，V中向量的维度，表示第i个注意力头要学习的映射矩阵；步骤2：采集所述变电站监控系统网络中的N个终端设备的网络流量报文数据和设备名称；对采集的网络流量报文数据经过预处理，然后将所有的所述设备名称依次标记在对应的终端设备的经过预处理的网络流量报文数据上，将标记有设备名称且经过预处理的网络流量报文数据收集起来形成识别模型训练集A，如下式4所示， 式4中，是收集的第1个标记有设备名称且经过预处理的网络流量报文数据；是收集的第2个标记有设备名称且经过预处理的网络流量报文数据；是收集的第N个标记有设备名称且经过预处理的网络流量报文数据；采用Bootstrap抽样算法从所述识别模型训练集A中依次进行三次随机抽样分别形成第一识别模型训练集B、第二识别模型训练集C和第三识别模型训练集D，如下式5所示， 式5中，n1、n2和n3均是大于等于1且小于N的自然数；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第一次随机抽样抽取的第1个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第一次随机抽样抽取的第2个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第一次随机抽样抽取的第n1个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第二次随机抽样抽取的第1个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第二次随机抽样抽取的第2个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第二次随机抽样抽取的第n2个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第三次随机抽样抽取的第1个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第三次随机抽样抽取的第2个标记有设备名称且经过预处理的网络流量报文数据；是采用Bootstrap抽样算法从所述识别模型训练集A中进行第三次随机抽样抽取的第n3个标记有设备名称且经过预处理的网络流量报文数据；步骤3：将所述第一识别模型训练集B、第二识别模型训练集C和第三识别模型训练集D分别代入所述第一终端识别模型、第二终端识别模型和第三终端识别模型中进行训练，训练完后的第一终端识别模型、第二终端识别模型和第三终端识别模型均以终端设备的网络流量报文数据作为输出，以终端设备的设备名称作为输出；步骤4：采集需要进行终端识别的终端设备的网络流量报文数据，并经过步骤2中的预处理，将预处理后的网络流量报文数据分别代入训练完成后的所述第一终端识别模型、第二终端识别模型和第三终端识别模型中得到所述第一终端识别模型输出的第一设备概率矩阵第二终端识别模型输出的第二设备概率矩阵和第三终端识别模型输出的第三设备概率矩阵通过下式6将所述第一设备概率矩阵第二设备概率矩阵和第三设备概率矩阵采用集成学习软投票的集合策略来得到最终的加权设备概率矩阵Q，Q＝WT·ht+b6式6中，ht为3个基模型输出的终端类别概率矩阵，W为加权平均矩阵Q为终端识别预测结果；最后选择加权设备概率矩阵Q中概率最大的设备名称作为终端识别的结果。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司南京供电分公司 变电站监控系统网络的终端识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD