خطوط پشتیبانی استاتیک

1. مجله علوم کاربردی
2. جلد 8 (12) ، 2008
3. 2226-2233

مجله علوم کاربردی

سال: 2008 |جلد: 8 |شماره: 12 |صفحه شماره: 2226-2233

مقاله تحقیق

سیستم قدرت ارزیابی امنیتی استاتیک آنلاین با استفاده از ماشین های بردار پشتیبانی چند طبقه

خلاصه

این مطالعه یک روش مبتنی بر دستگاه بردار پشتیبانی چند کلاس (SVM) برای ارزیابی امنیتی استاتیک آنلاین از سیستم های برق ارائه می دهد. برای طبقه بندی وضعیت امنیت سیستم ، گروهی از SVM های باینری آموزش دیده اند. از نمره چند طبقه فیشر برای الگوریتم انتخاب ویژگی استفاده شده است و انتخاب داده ها بر اساس اندازه گیری اطمینان انجام شده است ، تا اندازه مشکل را کاهش داده و به تبع آن کاهش زمان آموزش انجام شود. روش پیشنهادی برای سیستم قدرت 39-اتوبوس نیوانگلند اعمال شده است. نتایج شبیه سازی نشان دهنده اثربخشی و ثبات روش پیشنهادی برای روش ارزیابی امنیت استاتیک آنلاین از سیستم های قدرت در مقیاس بزرگ است. PDF انتزاعی XML استناد به استناد

نحوه استناد به این مقاله

M. Mohammadi و G. B. Gharehpetian ، 2008. ارزیابی امنیت استاتیک سیستم قدرت با استفاده از ماشین های بردار پشتیبانی چند طبقه. مجله علوم کاربردی ، 8: 2226-2233.

معرفی

روند فعلی به سمت مقررات زدایی ، ابزارهای برقی مدرن را وادار کرده است تا سیستم های خود را در شرایط عملیاتی استرس نزدیک به محدودیت های امنیتی خود انجام دهند. در این شرایط ، هرگونه اختلال می تواند امنیت سیستم را به خطر بیندازد. امنیت استاتیک سیستم قدرت به عنوان توانایی سیستم ، به دنبال یک شرط ، برای دستیابی به یک حالت عملیاتی در کیفیت ایمنی و کیفیت مشخص تعریف می شود (کیرشن ، 2002). در نتیجه ، ارزیابی امنیتی یک نگرانی اساسی در عملکرد سیستم های قدرت مدرن است و نیاز به توسعه روش نظارت سریع امنیتی آنلاین وجود دارد که می تواند سطح امنیت و پیشواری را برای اپراتورهای سیستم برای انجام اقدامات پیشگیرانه لازم تجزیه و تحلیل کند. بشر

ارزیابی وضعیت فعلی سیستم قدرت و تأثیر خطوط احتمالی خط یا قطع تولید ژنراتور بر امنیت سیستم می تواند با حل معادلات جریان بار غیرخطی برای همه شرایط احتمالی احتمالی یا برای مواردی که به عنوان مهمترین موارد رتبه بندی شده اند ، تعیین شود (Kirschen ، 2002). این روشهای عددی وقت گیر هستند و بنابراین برای برنامه های آنلاین مناسب نیستند.

استفاده از روشهای یادگیری ماشین برای ارزیابی امنیتی آنلاین توسط بسیاری از محققان ارائه شده است. برای ارزیابی سریع امنیت استاتیک شبکه های عصبی مصنوعی (ANN) (Neibur and Germond ، 1991 ؛ Shanti ، 2008 ؛ Zhou et al. ، 1994 ؛ Wehenkel ، 1998) ، درختان تصمیم گیری (DT) (Wehenkel ، 1998 ؛ Hatziargyriou et al. ، 1994444444) و طبقه بندی کننده های بیزی (کیم و سینگ ، 2005) پیشنهاد شده است.

محبوب ترین روش آن به دلیل توانایی طبقه بندی الگوهای و دقت خوب آن در مقایسه با سایر روشهای یادگیری ماشین است. معایب آن را می توان به شرح زیر ذکر کرد:

به تازگی ، دستگاه های بردار پشتیبانی (SVM) ، بر اساس تئوری یادگیری آماری ، در زمینه های مختلف یادگیری ماشین ، دید رایانه و تشخیص الگوی مورد استفاده قرار گرفته اند ، به دلیل دقت بالا و قابلیت تعمیم خوب آنها (Vapnik ، 1999 ؛ Platt ، 1998)بشرتفاوت اصلی بین ANN و SVM در اصل به حداقل رساندن ریسک است (Scholkopf ، 1998). در مورد SVM ، به حداقل رساندن ریسک ساختاری (SRM) برای به حداقل رساندن حد بالایی در ریسک مورد انتظار استفاده می شود. اما برای آن ، به حداقل رساندن ریسک تجربی سنتی (ERM) برای به حداقل رساندن خطا در داده های آموزش استفاده می شود. این تفاوت منجر به عملکرد تعمیم بهتر برای SVM می شود. SVM مزایای زیر نیز دارد:

کاربرد SVM برای ارزیابی امنیت پویا توسط مولین و همکاران گزارش شده است.(2004) و وهاب و همکاران.(2007). در این منابع ، عملکرد برتر SVM نسبت به ANN از نظر دقت ، سرعت و توزیع موارد پرخطر برای یک سیستم قدرت در مقیاس بزرگ ارائه شده است.

در این مطالعه ، وضعیت متفاوتی برای سطح امنیت سیستم مانند عادی (کلاس A) ، هشدار (کلاس B) ، اضطراری 1 (کلاس C) ، وضعیت اضطراری 2 یا وضعیت تقسیم سیستم (کلاس D). در نظر گرفته شده است و از SVM چند طبقه برای طبقه بندی امنیت سیستم قدرت استفاده شده است.

انتخاب ویژگی یکی از مراحل مهم در مشکل طبقه بندی است. در این مطالعه ، از معیار فیشر مانند (F-Score) برای انتخاب ویژگی استفاده شده است. همچنین از یک روش پیش پردازش داده برای انتخاب نامزدهای SVS نیز استفاده شده است.

SVM: دستگاه بردار پشتیبانی

SVM در اواخر دهه 1960 توسط Vapnik در پایه و اساس تئوری یادگیری آماری معرفی شده است (Vapnik ، 1999). با این حال ، از اواسط دهه 1990 ، الگوریتم های مورد استفاده برای SVM با در دسترس بودن بیشتر قدرت محاسبات شروع شده و راه را برای بسیاری از کاربردهای عملی هموار می کنند.

فرمولاسیون SVM باینری: SVM اساسی با مشکلات دو طبقه سروکار دارد ، که در آن داده ها توسط یک هواپیما بیش از حد تعریف شده توسط تعدادی از بردارهای پشتیبانی (SV) از هم جدا می شوند. عملکرد SVM را می توان به راحتی در صفحه دو بعدی توضیح داد ، همانطور که در شکل 1 نشان داده شده است ، بدون هیچ گونه از بین رفتن کلی. این شکل 1 مجموعه ای از نقاط را برای دو کلاس مختلف داده نشان می دهد. دایره ها (کلاس A) و مربع (کلاس B).

SVM سعی می کند یک مرز خطی (خط جامد در شکل 1) بین دو کلاس مختلف قرار دهد و آن را تغییر می دهد تا حاشیه حداکثر شود (خطوط نقطه ای در شکل 1). فاصله بین مرز و نزدیکترین نقطه داده در هر کلاس باید به حداکثر برسد. سپس مرز در وسط این حاشیه قرار می گیرد. نزدیکترین نقاط داده ، که برای تعریف حاشیه ها استفاده می شود ، به عنوان بردارهای پشتیبانی شناخته می شوند (دایره خاکستری و مربع در شکل 1). پس از انتخاب بردارهای پشتیبانی (SV) ، بقیه نقاط را می توان دور ریخت ، زیرا SV ها حاوی تمام اطلاعات لازم برای طبقه بندی کننده هستند.

مرز را می توان با معادله زیر بیان کرد:

جایی که ، بردار W مرز را تعریف می کند ، x بردار ورودی از ابعاد N است و B یک آستانه مقیاس پذیر است. در حاشیه ، جایی که SV ها در آن قرار دارند ، ما داریم: