随着时代的发展,智能电网无论在技术层面还是在实践层面,都取得了较大的进步,随之而来的智能电网安全问题也越来越受到人们的关注。智能电网一旦受到攻击,不仅造成电力公司的重大经济损失,甚至对人们的生活和安全造成毁灭性的影响。高级量测体系(Adavanced Metering Infrastructure,AMI)是智能电网的核心部件,确保AMI的信息机密性、完整性、可用性和可靠性是智能电网安全问题的核心。AMI是一种基于双向通信网络的系统,AMI可以为实时双向交互、需求响应管理、分布式能源发电和存储等高级应用提供信息平台和技术支持。由于与计算机相连通,容易遭受网络攻击,但又与传统的网络环境不同,AMI具有一些独特的特点,例如,有限的计算和处理资源要求模型训练速度快,同时入侵检测率要高,而超限学习机训练速度快,模型泛化能力强,满足智能电网AMI入侵检测的需求。本文在分析了AMI的安全性后,提出了三种智能电网AMI安全策略。(1)提出了一种基于集成学习和超限学习机的入侵检测策略。智能电网中数据量大,特征维度高,存在许多冗余特征,提出了一种基于集成学习的特征选择算法——BFSBEL算法,通过该算法可以获取到数据特征的重要性,根据特征重要性完成特征降维的同时也可以获取到特征对于模型的分类增益,接着,将BFSBEL算法与ELM算法相结合,改进了基于ELM算法的入侵检测模型,提高了模型的性能。(2)提出了一种基于多层超限学习机自编码器的入侵检测策略。该算法相较于浅层网络,能够挖掘出原始特征中更多的隐藏特征,训练速度快且稳定,在面对大样本数据集时,正确率和精度高,误报率和漏报率低,同时也能提高大样本数据集中的小样本入侵攻击的检测率。(3)提出了一种基于遗传算法的超限学习机入侵检测策略。超限学习机中输入权重和隐藏层偏置的随机性并不能保证超限学习机入侵检测模型性能达到最优,在超限学习机中引入遗传算法,对输入权重和隐藏层的偏置进行寻优,从而获得最佳的输入权重和隐藏层的偏置,相较于原始的超限学习机,入侵检测的正确率和精度变高,漏报率和误报率变小。