(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211025573.0 (22)申请日 2022.08.25 (71)申请人 暨南大学 地址 510630 广东省广州市天河区黄埔大 道西601号 (72)发明人 曾国强　黄家承　耿光刚　翁健　 陆康迪　张宇　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. H04L 9/40(2022.01) H04L 43/04(2022.01) H04L 43/08(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 基于CNN架构与参数并行优化的电网入侵检 测系统及方法 (57)摘要 本发明公开了一种基于CNN架构与参数并行 优化的电网入侵检测系统及方法， 从智能电网的 量测数据管理系统中采集电网运行状态的历史 监控数据， 解析数据获取各传感器的读数信息并 进行基于标准分数的标准化处理， 作为智能电网 入侵检测离线优化训练模块的输入数据集， 将 CNN模型拓扑架构、 卷积模块参数和训练参数进 行编码， 设计基于遗传算法的CNN模型架构与参 数并行优化平台， 获得最优CNN模型的架构与参 数信息。 针对智能电网的量测数据管理系统采集 到的电网实时监控数据， 在线部署最优CNN模型， 从而实现智能电网入侵检测的在 线检测。 本发明 不仅提升了智能电网入侵检测系统的智能化设 计水平和设计效率， 还提升了智能电网入侵检测 的准确率和F1评分等性能指标。 权利要求书4页 说明书11页 附图5页 CN 115396198 A 2022.11.25 CN 115396198 A 1.一种基于CNN架构与参数并行优化的电网入侵检测系统， 其特征在于， 该系统包括智 能电网入侵检测的数据采集模块、 离线优化训练模块和在线检测模块； 所述数据采集模块从智能电网的量测数据 管理系统中采集电网信 息的实时监控数据， 解析数据获取各传感器的读数信息并进行基于标准分数的标准化处理后， 得到在线检测数 据集， 将该在线检测数据集输入在线检测模块； 所述数据采集模块从量测数据管理系统采 集电网状态的历史数据， 解析数据获取各传感器的读数信息并进 行基于标准分数的标准化 处理后， 获得离线训练数据集， 将该离线训练数据集输入离线优化训练模块； 所述离线优化训练模块基于卷积神经网络架构优化平台， 获得卷积神经网络的最优架 构与参数信息， 将该最优架构与参数信息 输入在线检测模块； 所述在线检测模块基于最优架构与参数的卷积神经网络模型进行入侵检测， 若检测到 入侵则产生报警信息并评估 入侵检测性能指标。 2.一种应用权利要求1所述系统 的基于CNN架构与参数并行优化的电网入侵检测方法， 其特征在于， 包括以下步骤： (1)智能电网入侵检测的数据采集模块从智能电网的量测数据 管理系统中采集电网信 息的实时监控数据， 经过数据解析得传感器读数信息， 获得源数据集， 标记为X， 对X中的所 有样本x， 按照公式(1)进 行基于标准分数的标准化处理， 获得离线训练数据集， 将其标记 为 Xo， 输入基于卷积神经网络架构与参数并行优化的离线优化训练模块， 将Xo按9:1的比例分 割为训练集Xo1与验证集Xo2； 其中， Xoj表示离线训练数据集Xo第j维度的特征， Xj表示源数据集X第j维度的特征， μj表 示X第j维度特 征的均值， σj表示X第j维度特 征的标准差， d表示X 特征维度的最大值； (2)设置基于卷积神经网络架构与参数并行优化的离线优化训练模块的参数值， 所述 参数值包括种群大小N、 优化的迭代优化次数G、 卷积神经网络架构搜索阶段离线训练的轮 次TP1、 最优卷积神经网络模型测试阶段离线训练的轮次TP2， 交叉率pc和变异率pm； (3)将随机产生的N个个体作为初始种群S， S＝{s1,s2,…,sj,…,sN},s1,s2,sj,sN分别表 示种群中第1个， 第2个， 第j 个和第N个个体， 1≤j ≤N， 每个个体表 示卷积神经网络模型的架 构和超参数信息， 每个个体sj的编码形式为 sj＝{setting,topo,conv1,conv2,conv3,conv4, conv5}， setting代表卷积神经网络模型的训练参数， topo代表卷积神经网络模型的拓扑参 数， convi代表第i个卷积模块的参数， 1≤i≤5； setting由4位整数编码构成， 其定义如公式 (2)所示： 其中Randint表示随机整数的生成函数， Randint(0,3)表示从0到3范围内随机产生一 个整数， bs表示训练批次大小的编码， 卷积神经网络模型的训练批次大小为256 ×(bs+1)； opt表示卷积神经网络模型优化器类型的编码， opt取值与优化器类型的对应关系如公式权　利　要　求　书 1/4 页 2 CN 115396198 A 2(3)所示： 其中SGD表示随机梯度下降优化器， Adam表示自适应矩估计优化器， AdaDelta表示改进 版自适应学习率优化器， Rmspr op表示均方根传播优化器； lr表 示卷积神经网络模 型学习率 的编码， 卷积神经网络模型的学习率设置为(lr+1) ×2.5×10‑4； reg表示 卷积神经网络模型 权重正则化类型的编码， reg取值与权 重正则化类型的对应关系如公式(4)所示： 其中None表示不对模型的权重使用正则化约束， L1表示对权重使用L1正则化约束， L2表 示对权重使用L2正则化约束， L1∧L2表示对权 重同时使用L1与L2正则化约束； topo表示10位二进制编码， 其定义为topo＝[bin1,bin2,…,bini,…,bin10],bini＝ Randint(0,1)， 其中bini表示topo内第i位二进制编码， Randint(0,1)表示随机产生一个0 到1之间范围内的整 数； 生成topo后， 按公 式(5)所示， 将其 10位二进制编码逐一赋值给一个 大小为4×4的上三角阵A， 以表 示卷积神经网络模型的网络拓扑信息； 网络拓扑的唯一起点 为第一个卷积模块， 对A中第i行第j列元素ai,j， 如果ai,j＝1， 则代表网络中第i个卷积模块 与第j+1个卷积模块相连接， 否则代 表两模块之间无直接连接； convi由5位整数编码构成， 其定义如公式(6)所示： 其中knum表示卷积核数量的编码， 卷积模块中卷积核数量为8 ×(knum+1)； ksize表示 卷积核尺寸的编码， 卷积模块中卷积核尺寸为ksize ×2+3； kact表示卷积核激活函数类型 的编码， kact取值与卷积模块中卷积核激活函数的对应关系如公式(7)所示：权　利　要　求　书 2/4 页 3 CN 115396198 A 3