引言
随着信息技术的飞速发展，电力监控系统在智能电网中的核心地位日益凸显。电力监控系统负责实时监测和控制电力生产、传输、分配等各个环节，其安全性直接关系到电力系统的稳定运行以及国家能源安全。随着工业控制系统（ICS）的智能化和网络化发展，电力监控系统的安全问题日益严峻。电力监控系统面临的攻击手段不断升级，从传统的病毒、蠕虫攻击，到高级持续性威胁（APT）、零日攻击等，攻击者利用工控系统的漏洞发起针对性攻击[1]。然而，传统的异常检测方法存在显著局限性：基于规则的检测系统依赖于预定义的规则库，难以应对未知攻击和新型攻击模式，且规则库的维护和更新成本较高；单一机器学习模型虽然能够通过学习历史数据检测异常，但对复杂攻击的检测能力有限，且容易受到数据分布变化的影响；深度学习模型虽然具有较强的特征提取能力，但在小样本或数据不平衡的情况下表现不佳，且模型的可解释性较差。
电力监控系统的特殊性进一步增加了检测难度：电力监控系统对实时性要求极高，传统检测方法可能因计算复杂度高而无法满足实时检测需求；数据来源多样，包括传感器数据、控制指令、日志数据等，数据格式和协议各异，增加了检测的复杂性；同时，电力生产网中存在大量噪声数据（如传感器误差、通信延迟等），容易导致误报和漏报。现有的异常检测系统往往针对特定场景设计，难以适应不同电力生产网环境的变化，在面对新型攻击或网络环境变化时，检测系统的性能可能显著下降。单一模型往往只能从某个角度分析网络流量，难以全面覆盖各种异常行为，且不同模型之间的检测结果可能存在冲突，缺乏有效的融合机制来综合各模型的优势[2]。
因此，亟需一种能够融合多模型优势、适应复杂电力监控系统环境，并具备高鲁棒性和实时性的异常检测技术，以应对日益复杂的攻击手段和多样化的网络环境挑战[3]。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006974
作者信息：
张伟1，乔一帆2，丁朝晖1，刘腾1，李季凡3
（1.中国大唐集团科学技术研究总院有限公司，北京 100043；
2.浙江大学，浙江 杭州 310000；3.华北电力大学，北京 100043）
