电力工控系统是应用在电力系统上的工业控制系统技术,也被称为智能电网。智能电网中存在规模巨大的网络流量,因此使用基于机器学习的异常流量监测系统效果并不好。近年来,基于深度学习的异常流量检测技术也得到了很大的发展,可以用于电力工控网络中。有鉴于此,提出了一种集成学习方法,该方法使用了堆叠泛化思想。首先提出一种创建时间序列样本的方法,采用滑动窗口方法,把窗口内的原始数据堆叠成时间序列数据,让输入数据的结构合理,提高检测准确率。接下来对长短期记忆网络算法,卷积神经网络算法进行了建模和调优。最后在logistics回归,随机森林算法和梯度提升决策树算法中选择一个元学习器,起到堆叠泛化思想中纠正各个初级学习器偏差的作用,再使用k折交叉验证算法训练元学习器以避免过拟合情况发生。建模完成后,在标准智能电网控制系统异常检测数据集上测试了方法的性能,并和支持向量机算法,随机森林算法,单独的长短期记忆网络算法,单独的卷积神经网络算法进行了对比试验。对比试验得到的结果是,提出的集成算法在二元分类和多元分类情况下均达到了更高的准确率,但在多元分类中宏召回率指标低于初级学习器中较高的那一个。因为实验平台计算资源的限制,提出的集成算法的训练时间长更长,但如果提升计算资源以达到并行训练的效果则训练时间可以缩短。从多元分类的分析结果看出,提出的集成算法对恶意状态码注入攻击的检测效果不好,但仍然优于其他对比算法,对拒绝服务攻击和恶意功能码注入攻击的检测效果特别好,召回率接近100%,在最后分析了其原因。