1.一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,包括如下步骤:S1:利用数据采集工具,收集电力物联网中不同设备的流量数据和业务数据;
S2:对采集到的流量数据和业务数据进行Koopman分析,捕获流量数据和业务数据中存在的瞬时动力学的非线性震荡,学习流量数据和业务数据的自然振荡模式和异常振荡模式,将非线性数据转化为线性数据;
S3:以所述设备为节点,每个节点的流量数据和业务数据作为该节点的初始特征,设备之间的连接关系为边,构建图模型,所述图模型 ,其中V为节点的集合,E为边的集合;
S4:以所述图模型为输入,采用图卷积神经网络层1—ReLU层1—图卷积神经网络层2—ReLU层2—图注意力网络层的结构构建图神经网络模型,通过所述图神经网络模型对所述图模型的节点数据进行更新,以图卷积神经网络对图模型进行卷积运算,提取节点之间的空间特征,并通过图注意力机制对节点之间边的权重进行约束;
S5:以所述图神经网络模型的输出作为K‑Means聚类的输入,通过K‑Means聚类对所述图模型节点进行分类,将所述图模型中的节点分为中心节点和其他节点;采用欧式距离计算方法计算中心节点与其他节点之间的距离,并设定阈值;当其他节点与中心节点距离小于阈值时,说明对应的设备正常,当其他节点与中心节点距离大于阈值时,说明对应的设备异常。
2.根据权利要求1所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S1中的流量数据包括源IP地址,目标IP地址,源MAC地址、目标MAC地址、通信协议、数据包长度和时间戳;所述业务数据包括用电量,电压,设备状态,用户操作记录。
3.根据权利要求1所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S2的具体步骤为:S201:采用DMD(动态模态分解法)获取近似的Koopman算子;
S202:利用 Koopman 算子对步骤S1中采集到的流量数据和业务数据进行线性化处理,所述Koopman 算子是由非线性微分方程组成,能够捕获电力物联网非线性系统中的信息;
S203:定义相空间函数g(x),g(x)能够表达设备的所有状态,对于设备在t时刻的数据,满足公式:
其中,T表示映射函数,即当前数据到下一时刻数据的映射;
S204:定义作用在相空间函数g(x)上的Koopman算子U,所述Koopman算子U满足公式:。
4.根据权利要求1所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S4的具体步骤为:S401:根据设备的数量和每个设备之间的关系构建邻接矩阵A,所述邻接矩阵为N×N维的矩阵,其中N为设备的数量;
S402:每个节点 具有特征 ,其中i表示节点序号,i=1,2,……N,根据节点特征构建特征矩阵 ,其中N为节点数量,即设备数量,F为每个节点的特征数量;
S403:通过图卷积神经网络层提取节点的有效空间特征,即将邻接矩阵A和特征矩阵相乘,实现节点与该节点的邻居节点的特征聚合;并通过图注意力网络层对不同节点之间的连接关系设置不同的权重,整合两个图卷积神经网络层提取的有效空间特征,排除冗余信息;
S404:将步骤S403中得到的经过所述图注意力网络层整合后输出的节点特征作为所述图神经网络模型的输出。
5.根据权利要求4所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S403中邻接矩阵A和特征矩阵 相乘满足公式:其中,l表示网络层数, 表示第l层节点的特征矩阵,当l=0时, 表示初始特征矩阵,所述初始特征矩阵由步骤S1中获取的数据组成;A为邻接矩阵,f为非线性函数,具体表达式为:
l
其中, 为ReLU激活函数,D为度矩阵,W 为第l层的权重参数矩阵, ,I为单位矩阵;
的表达式如下所示:
对于单个节点,满足公式:
其中, 表示节点i的第l+1层的特征向量,i为节点序号,i=1,2,……N; 表示节点j的第l层的特征向量;j为节点i的邻居节点; , 分别为节点i和节点j的度,Ni表示节点i的所有邻居节点。
6.根据权利要求5所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S403中不同节点之间连接关系的权重满足公式:l
其中, 表示节点j相对于节点i的重要性,即权重系数,W 为第l层的权重参数矩阵,表示当前节点i的特征向量, 表示节点i的邻居节点j的特征向量, 为单层全连接神经网络;
对权重系数进行归一化处理:
其中 是节点j相对于节点i的归一化权重系数,softmax表示归一化函数;
将 代入 的表达式得到:
。
7.根据权利要求6所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S404中图神经网络模型的输出为 ;其中 表示单层全连接神经网络。
8.根据权利要求1所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S5的具体步骤为:S501:对N个节点随机选择K个节点,作为K个中心节点,其中K<N;每个中心节点代表一个簇的平均值或中心;
S502:计算剩余N‑K个节点与K个中心节点的距离,根据距离最短原则,将剩余N‑K个节点与距离最近的中心节点进行归类,即将剩余N‑K个节点赋予给距离最近的中心节点,然后重新计算每个中心节点的值,即每个簇的平均值;
S503:重复步骤S502,直至K个中心节点的值不再发生变化。
9.根据权利要求8所述的一种基于图神经网络的电力物联网设备异常检测方法,其特征在于,所述步骤S502中,将剩余N‑K个节点赋予给距离最近的中心节点时,采用平方和误差函数作为更新函数,所述平方和误差函数的具体表达式为:其中,Qi表示第i个节点,Ci表示第i簇,mi表示第i簇的中心节点, 表示Qi与mi之间的欧氏距离。