一种电力系统检测数据攻击的方法、计算机设备和存储介质技术方案

本发明专利技术公开了一种电力系统检测数据攻击的方法、计算机设备和存储介质，包括：获取数据驱动电力系统历史量测数据并对其进行归一化预处理；时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。实施本发明专利技术，攻击检测的准确率更高、检测的时间间隔合理、检测的泛化性能更好，检测器能够识别虚假数据，从而采取有效及时的措施。

A method, computer equipment and storage medium for detecting data attack in power system

【技术实现步骤摘要】
一种电力系统检测数据攻击的方法、计算机设备和存储介质
本专利技术属于电力监测领域，涉及一种电力系统检测数据攻击的方法、计算机设备和存储介质。
技术介绍
目前，随着第三次工业革命的基本完成与能源工业系统物联网3.0的逐步推进，泛在电力物联网与坚强智能电网组成的能源互联网逐渐在电力系统领域得到深入研究与应用。作为能源互联网重要组成部分的电力信息物理融合系统的组成与运作机理趋于复杂，新一代能源电力系统代表一次设备的能量流与代表二次设备的信息流紧密耦合且高效率相互作用。因此，电力系统的量测信息容易受到攻击篡改，从而使电力系统信息安全风险增大。针对电力系统中可能发生的信息攻击的特性与后果进行相关探究，并初步构建风险感知机对量测数据进行异常检测，可以降低电力系统信息攻击的风险与损失，为新一代能源互联网发展的规划设计、安全稳定、调度分配、紧急控制提供相应参考。国内外相关电力部门大多采用EMS/SCADA系统基于状态估计与坏数据识别(BadDataDetection,BDD)来对相量同步量测单元(PhasorMeasurementUnit,PMU)、远方终端(RemoteTerminalUnit,RTU)等量测单元上传至调控中心的不良数据进行检测识别并随之剔除。具体地，电力系统基于状态估计的不良数据的实用检测方法多为最小二乘法与基于卡尔曼滤波的递推状态估计法，并未考虑篡改攻击等外来网络攻击的特点。同时，网络攻击者掌握实际电力系统拓扑数据时可以构造并注入虚假数据(FalseDataInjectionAttack,FDIA)以成功绕过BDD，虚假数据使电力系统错误决策从而逐步失稳，最终造成大停电事故。总之，仅依靠传统的状态估计检测不良数据在新一代泛在电力物联网信息系统中无法充分保障网络安全。现有技术中，基于神经网络、基于模糊理论与聚类分析、基于间歇统计、基于支持向量机、基于贝叶斯网络等检测异常数据新方法被相关研究者提出。上述方法在一定程度上能成功辨识不良数据，但大部分只考虑了量测数据的空间关联性或时间关联性，未充分挖电力系统数据的复杂时空特性，其监测水准仍待进一步提升。同时，为了提升框架的检测性能，深度学习框架的构建使上述大部分方法在训练时消耗大量计算机资源，收敛时间增加，其监测的实时性与实用性无法得到充分保障。量测单元上传至控制中心的数据普遍具有时空关联性，时间关联性指同一量测值在时间上的变化特性，而空间关联性指同一时间段内全网或某区域多个量测值关联性。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种电力系统检测数据攻击的方法、计算机设备和存储介质，解决现有技术中没有基于时空关联性的检测器架构，检测准确度低，识别虚假数据的成功率差，无法有效保护电力系统信息安全的问题。本专利技术的一方面，提供一种电力系统检测数据攻击的方法，其包括如下步骤：步骤S1,获取数据驱动电力系统历史量测数据并对其进行归一化预处理；步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。进一步，在步骤S1中，所述进行预处理与归一化操作具体过程包括:步骤S11，将保存在本地的历史原始PMU/RTU量测数据读取到检测器的存储器中，按照不同区域、不同量测单元与不同调度单位进行预处理；步骤S12，将PMU数据分类为电压幅值、电压相位、电流幅值和电流相位，当检测器同时对电力系统某区域的m个量测单元进行训练学习，采样时间序列长度为T，一个量测单元量测参数个数为n，数据的维度为d＝m×n,数据集用下公式进行表示为：其中，D表示量测数据集；xt为在t时刻量测单元测得的量测值，其值为实数且数据的维度为m×n，可以表示为检测器数据挖掘将时间段的数据重塑为一个时间片段值，最终获得的数据表示为：其中，Dmap表示经过处理后量测数据集；xvm表示电压幅值数据；xca表示电流相位数据；T为时间序列长度；T′为时间片段序列长度；经过处理后的实数数据集xt,map的维度为进一步，在步骤S11中，所述预处理根据以下公式进行归一预处理：其中，yscaler为归一化之后的量测值，分布于ymin到ymax之间，ymin为归一化后值的最小值，ymax为归一化后的最大值，xmin为实际量测值的最小值，xmax为实际量测值的最大值，而x表示该次归一化处理的实际量测值。进一步，在步骤S2中，根据以下公式进行卷积神经网络抓取数据空间特征：其中，为输入的量测数据，为第一层卷积层的第j个特征图的卷积核，M为卷积过程中每次滑动时所选取的矩阵块值，b表示偏置矩阵参数，down(.)为池化函数，βj表示可训练的标量，Q2表示池化过程中的池化块的大小，Flatten为一维化函数，ReLU函数为常见的修正线性激活函数，w(n)是神经网络误差反向传播时模型需要不断调整的参数。进一步，在步骤S3中，根据依以下公式进行长短时记忆神经网络抓取数据时间特征：ft＝σ(Wxfxt+Whfht-1+bf)it＝σ(Wxixt+Whiht-1+bi)ot＝σ(Wxoxt+Whoht-1+bo)ht＝ottanh(ct)其中，ft为遗忘门的遗忘系数，σ为sigmoid激活函数，W为权重矩阵，xt为当前时刻的输入值，ht-1为上一时刻的元胞隐藏层的输出值，b为偏置矩阵，it为输入门的权重值系数，为新输入元胞的状态值，tanh为激活函数，ct为更新后当前状态的元胞状态，ct-1为上一时刻的元胞的状态值，ot为输出门的权重系数值，ht为隐藏层的输出值。进一步，在步骤S4中，所述设置Dropout层、批量标准化层的具体过程为，在当检测器对数据进行训练并拟合时，按概率随机断开神经元之间的连接使得检测器不过多学习到训练集特有的局部特征；通过正则化规范方法把每个神经元的输入值的分布强行处理为均值为0方差为1的标准正态分布，根据以下公式调整每个神经元的输入与输出反馈：y(k)＝γ(k)x(k)+β(k)其中，为第k个被标准化之后的神经网络输入数据值，x(k)为原始的输入数据值，E[.]为求其输入数据的均值，Var[.]为求其输入数据值的方差值，y(k)为输入数据对应的神经网络输出值，γ为神经网络训练时的权值参数，β为神经网络训练时的权值偏置。进一步，在步骤S4中，所述长短时记忆神经网络的输出层设置注意力机制具体根据以下公式：hi＝oitanh(ci)＝f1(xi,hi-1)tanh(f2(xi,hi-1))＝f(xi本文档来自技高网...

【技术保护点】
1.一种电力系统检测数据攻击的方法，其特征在于，包括如下步骤：/n步骤S1,获取数据驱动电力系统历史量测数据并对其进行归一化预处理；/n步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；/n步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；/n步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；/n步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。/n

【技术特征摘要】
1.一种电力系统检测数据攻击的方法，其特征在于，包括如下步骤：
步骤S1,获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；
步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；
步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。


2.如权利要求1所述的方法，其特征在于，在步骤S1中，所述进行预处理与归一化操作具体过程包括:
步骤S11，将保存在本地的历史原始PMU/RTU量测数据读取到检测器的存储器中，按照不同区域、不同量测单元与不同调度单位进行预处理；
步骤S12，将PMU数据分类为电压幅值、电压相位、电流幅值和电流相位，当检测器同时对电力系统某区域的m个量测单元进行训练学习，采样时间序列长度为T，一个量测单元量测参数个数为n，数据的维度为d＝m×n,数据集用下公式进行表示为：



其中，D表示量测数据集；xt为在t时刻量测单元测得的量测值，其值为实数且数据的维度为m×n，可以表示为
检测器数据挖掘将时间段的数据重塑为一个时间片段值，最终获得的数据表示为：



其中，Dmap表示经过处理后量测数据集；xvm表示电压幅值数据，xca表示电流相位数据；T为时间序列长度；T′为时间片段序列长度；经过处理后的实数数据集xt,map的维度为


3.如权利要求2所述的方法，其特征在于，在步骤S11中，所述预处理根据以下公式进行归一预处理：



其中，yscaler为归一化之后的量测值，分布于ymin到ymax之间，ymin为归一化后值的最小值，ymax为归一化后的最大值，xmin为实际量测值的最小值，xmax为实际量测值的最大值，而x表示该次归一化处理的实际量测值。


4.如权利要求3所述的方法，其特征在于，在步骤S2中，根据以下公式进行卷积神经网络抓取数据空间特征：












其中，为输入的量测数据，为第一层卷积层的第j个特征图的卷积核，M为卷积过程中每次滑动时所选取的矩阵块值，b表示偏置矩阵参数，down(.)为池化函数，βj表示可训练的标量，Q2表示池化过程中的池化块的大小，Flatten为一维化函数，ReLU函数为常见的修正线性激活函数，w(n)是神经网络误差反向传播时模型需要不断调整的参数。


5.如权利要求4所述的方法，其特征在于，在步骤S3中，根据依以下公式进行长短时记忆神经网络抓取数据时间特征：
ft＝σ(Wxfxt+Whfht-1+bf)
it＝σ(Wxixt+Whiht-1+bi)



...

【专利技术属性】
技术研发人员：张安龙，黄福全，刘子俊，晋龙兴，简学之，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：广东;44