随着新一代信息化电子技术和网络化电子技术被应用到电力系统的电力网络中,逐渐打破了传统电力工控网络相对封闭的状态,由于大多数工控网络协议在设计之初没有考虑到安全方面会存在问题,使得工控网络的安全面临着被攻击的风险。在工业控制领域中,电力行业应用最为广泛,其中的变电站自动化约占整个工业控制系统的40%。智能电网大力发展建设的核心环节是智能变电站,网络信息化技术的应用促使电网的智能化上了新的台阶,然而更多的研究和应用侧重于信息化引入后新功能的实现,对信息化和网络化背景下的智能变电站的安全性缺乏足够的考虑。本文以电力系统网络作为研究对象,主要针对变电站自动化以及远程调度自动化的网络安全问题,结合工控网络周期性和流量数据包具有时序性的特点,提出了基于LSTM网络的工控网络流量异常检测方法,用于对智能变电站网络异常进行检测。首先通过镜像端口采集电力网络流量数据,然后对采集到的数据包进行深度解析,利用解析到的原始字段构造时序预测模型所需要的特征,最后训练预测模型,即模型通过学习一段历史时间内的正常流量特征值,然后预测下一时刻的流量特征值,模型在训练集上准确率较高的前提下,可以认为模型预测的流量特征值为正常流量值,通过对比时序模型的输出值和实际的流量特征值,可以分辨网络是否出现异于正常情况的流量。通过实验证明,本文提出的时序预测模型在电力系统网络中可用于检测网络异常,同时由于该方法提前计算出了预测值,在保证识别率的前提下,大幅度提高了检测效率。智能变电站网络线上检测的实现采用大数据技术搭建的分布式集群,平台设计为三层结构,Hadoop提供的分布式文件系统HDFS和统一资源调度Yarn作为平台系统的底层,实时计算引擎Flink和深度学习框架TensorFlow为中间的引擎层,通过Kafka消息队列连接底层和中间层,最上层的平台层提供实时的网络异常检测。实验结果表明,通过使用分布式架构和时序预测模型,大大提高了网络异常的检测效率。