| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 智能电网安全研究现状 | 第12-13页 |
| 1.2.2 恶意数据攻击生成研究现状 | 第13-16页 |
| 1.2.3 恶意数据攻击检测研究现状 | 第16-19页 |
| 1.3 论文主要研究内容 | 第19页 |
| 1.4 论文组织架构 | 第19-21页 |
| 第2章 基于核主成分分析的盲恶意数据注入攻击 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 恶意数据攻击原理 | 第21-23页 |
| 2.2.1 电力系统模型 | 第21页 |
| 2.2.2 电力系统状态估计 | 第21-22页 |
| 2.2.3 传统恶意数据攻击模型 | 第22-23页 |
| 2.3 基于核主成分分析的盲恶意数据注入攻击 | 第23-26页 |
| 2.3.1 核主成分分析的基本原理 | 第23-25页 |
| 2.3.2 电力系统近似矩阵生成过程 | 第25页 |
| 2.3.3 攻击向量的生成过程 | 第25-26页 |
| 2.4 攻击的性能分析 | 第26-33页 |
| 2.4.1 信噪比对攻击的影响 | 第27-28页 |
| 2.4.2 恶意数据注入攻击效果评估 | 第28-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 恶意数据攻击样本降维方法 | 第34-45页 |
| 3.1 引言 | 第34页 |
| 3.2 基于线性方法的降维方法 | 第34-36页 |
| 3.2.1 基于主成分分析方法的降维 | 第34-35页 |
| 3.2.2 基于线性判别分析的降维 | 第35-36页 |
| 3.3 基于非线性方法的降维方法 | 第36-38页 |
| 3.3.1 基于多维尺度变换的降维 | 第36-37页 |
| 3.3.2 基于局部线性嵌入的降维 | 第37-38页 |
| 3.4 基于可逆自动编码器的降维方法 | 第38-41页 |
| 3.4.1 传统自动编码器 | 第38-39页 |
| 3.4.2 基于可逆函数的自动编码器 | 第39-41页 |
| 3.5 实验结果及分析 | 第41-44页 |
| 3.5.1 可逆自动编码器性能分析 | 第41-42页 |
| 3.5.2 不同方法降维结果分析 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于LSTM-RNN的恶意数据攻击检测模型 | 第45-62页 |
| 4.1 引言 | 第45页 |
| 4.2 循环神经网络基本模型 | 第45-48页 |
| 4.2.1 模型的定义和网络结构 | 第45-46页 |
| 4.2.2 模型的训练 | 第46-48页 |
| 4.3 长短时记忆模型 | 第48-52页 |
| 4.3.1 模型的定义和网络结构 | 第48-49页 |
| 4.3.2 模型的训练 | 第49-52页 |
| 4.4 基于LSTM-RNN的恶意数据检测模型 | 第52-57页 |
| 4.4.1 攻击数据集分析 | 第52-55页 |
| 4.4.2 评价指标 | 第55页 |
| 4.4.3 检测模型整体框架 | 第55-57页 |
| 4.5 实验结果及分析 | 第57-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 结论与展望 | 第62-64页 |
| 5.1 结论 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第71-72页 |
| 致谢 | 第72页 |