← 返回
通过对比少样本学习检测电力驱动中的低强度网络攻击
Detecting Low-Intensity Cyber-Attacks in Electric Drives via Contrastive Few-Shot Learning
| 作者 | He Yang · Jin Ye |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2026年2月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 异常检测 智能电机驱动 对比学习 迁移学习 CNN 网络攻击 特征嵌入 |
语言:
中文摘要
本文提出了一种用于智能电机驱动的异常检测框架，集成了对比学习（CL）和迁移学习（TL）的卷积神经网络（CNN）架构。CL模块通过对相同运行状态的样本进行聚类并强制区分不同样本，增强了特征嵌入的判别能力，有效提升了对低强度网络攻击的检测精度。
English Abstract
This article proposes a novel anomaly detection framework for intelligent motor drives. The framework integrates contrastive learning (CL) and transfer learning (TL) into a convolutional neural network (CNN)-based architecture. The CL module enhances the discriminative capability of feature embeddings. It groups samples from identical operational states and enforces separation between samples coll...
S
SunView 深度解读
该技术在电力电子系统的安全性与智能化运维方面具有参考价值。阳光电源的iSolarCloud平台及风电变流器、储能PCS等产品均涉及复杂的控制逻辑，易受潜在网络攻击威胁。该研究提出的对比学习与少样本学习方法，可应用于阳光电源设备的异常状态监测与网络安全防御，通过识别微小的运行偏差，提升设备在复杂电网环境下的抗干扰能力与安全性。建议研发团队关注该算法在变流器控制系统中的轻量化部署，以增强iSolarCloud在电站运维中的主动安全预警能力。