一种电力系统FDIA高精度检测方法技术方案

本发明专利技术公开了一种电力系统FDIA高精度检测方法，包括如下步骤：获取电力系统的历史数据包以及电力监测历史数据；利用训练样本集对GRU进行训练，直至GRU的损失函数值低于损失函数阀阈值，以得到训练完成的GRU状态预测模型；电力系统接收数据包并检测到电力监测数据；训练完成的GRU状态预测模型得到电力系统在t

【技术实现步骤摘要】
一种电力系统FDIA高精度检测方法


[0001]本专利技术涉及一种电力系统FDIA高精度检测方法，属于电力系统监测方法领域。

技术介绍

[0002]随着传统电力系统逐渐智能化，其受到信息攻击的风险也逐渐增加，其中FDIA（虚假数据注入攻击）是电力系统受到的信息攻击中的一种常见类型。针对于FDIA的检测，现有技术中都是基于训练完成的GRU预测模型对电网状态值进行分析，以判断电力系统是否受到FDIA。但是针对于一些具有丰富经验的攻击者，FDIA中的数据往往经过伪装，这就导致虚假数据很容易被GRU预测模型误判成真实数据，这就导致经过训练的GRU预测模型对FDIA的检测精度受到很大制约。

技术实现思路

[0003]本专利技术所要解决的技术问题在于克服现有技术的不足而提供一种电力系统FDIA高精度检测方法。
[0004]解决上述技术问题，本专利技术采用如下技术方案：一种电力系统FDIA高精度检测方法，包括如下步骤：步骤S1：获取电力系统在时间段[t1,t
n
‑3]内的历史数据包以及电力监测历史数据；步骤S2：利用CNN提取历史数据包中的网络层特征，历史数据包中的网络层特征结合电力监测历史数据构成训练样本集，利用训练样本集对GRU进行训练，直至GRU的损失函数值低于损失函数阀阈值，以得到训练完成的GRU状态预测模型；步骤S3：电力系统在t
n
时刻接收数据包并检测到电力监测数据x
n
，利用CNN提取电力系统在t
n
时刻接收到的数据包中的网络层特征x
n
’
；步骤S4：训练完成的GRU状态预测模型利用x
n
和x
n
’
得到电力系统在t
n+1
时刻接收的数据包的网络层特征预估值a
n+1
’
以及电力监测数据预估值a
n+1
；步骤S5：电力系统在t
n+1
时刻实际接收数据包并实际检测得到电力监测数据x
n+1
，利用CNN提取电力系统在t
n+1
时刻实际接收的数据包中的网络层特征x
n+1
’
；步骤S6：GRU状态预测模型通过比较a
n+1
’
和x
n+1
’
，以及比较a
n+1
和x
n+1
，对电力系统在t
n+1
时刻是否受到FDIA进行判断。
[0005]本专利技术的有益效果为：电力监测数据是否存在异常是判断FDIA发生与否的最直观体现，相应也是判断FDIA发生与否的重要指标。但是值得注意的是，FDIA中的数据常常经过伪装，同时电力系统的电力监测数据波动也较大，因此单纯依靠电力系统的电力监测历史数据对GRU进行训练，训练完成后的GRU状态预测模型稳定性其实较低，准确度也较低。
[0006]FDIA发生的时候，由于电力系统处于连网状态，因此FDIA不仅会对电力系统的监测数据进行篡改，同时还会影响电力系统接收的数据包，使得数据包中的网络层特征发生
异常变化。由于数据包中的网络层特征的变化并非FDIA的主观目的，因此往往被攻击者忽略，也因此攻击者并不会主动对数据包中的网络层特征进行伪装篡改。此外网络层特征相较电力监测数据而言更为稳定，即使要进行伪装难度也较大。因此本专利技术中，利用历史数据包中的网络层特征和电力监测历史数据对GRU进行训练，训练完成的GRU状态预测模型在针对电力系统是否受到FDIA的判断准确性上提升十分明显，可以有效降低攻击者针对FDIA中的数据伪装效果，同时稳定性也有极大提升。
[0007]本专利技术利用CNN将电力监测历史数据和历史数据包中的网络层特征搭配，共同对GRU状态预测模型进行训练，训练完成的GRU状态预测模型在对t
n+1
时刻电力系统是否受到FDIA进行判断的时候，不仅会考虑t
n+1
时刻电力系统的电力监测数据，还会分析t
n+1
时刻电力系统的接收的数据包中的网络层特征，综合两方面因素判断在t
n+1
时刻电力系统的电力监测数据和接收的数据包中的网络层特征是否存在异常。
[0008]本专利技术步骤S1中,时间段[t1,t
n
‑3]包含时刻t1、t2......t
n
‑3，电力系统获取的所有历史数据包分别对应于时刻t1、t2......t
n
‑3，电力系统获取的所有电力监测历史数据分别为x1、x2......x
n
‑3，x1、x2......x
n
‑3分别对应于时刻t1、t2......t
n
‑3，步骤S2中，所有历史数据包对应的网络层特征分别为x1’
、x2’
......x
n
‑3’
，其中时刻t
α
对应的历史数据包的网络层特征为x
α
’
，n
‑
3≥α≥1，CNN的全连接层将x
α
’
和x
α
进行矩阵合并，步骤S3中，CNN的全连接层将x
n
和x
n
’
进行矩阵合并，步骤S4中，CNN的全连接层将a
n+1
’
和a
n+1
进行矩阵合并，步骤S5中，CNN的全连接层将x
n+1
’
和x
n+1
进行矩阵合并，步骤S6中，a
n+1
’
和a
n+1
合并后的矩阵对比x
n+1
’
和x
n+1
合并后的矩阵，以完成a
n+1
’
和x
n+1
’
的比较以及a
n+1
和x
n+1
的比较。
[0009]本专利技术x
α
’
、x
n
’
、x
n+1
’
、a
n+1
’
在CNN中经过多次卷积和池化，以剔除重复维度和无效维度，然后再进入全连接层。
[0010]本专利技术x
α
、x
n
、x
n+1
、a
n+1
在CNN中经过多次卷积和池化，以在进入全连接层后分别匹配于x
α
’
、x
n
’
、x
n+1
’
、a
n+1
’
。
[0011]本专利技术x
α
、x
n
、x
n+1
、a
n+1
包含节点编号、时间、节点电压幅值和节点电压相角信息。
[0012]本专利技术x
...

【技术保护点】

【技术特征摘要】
1.一种电力系统FDIA高精度检测方法，其特征在于，包括如下步骤：步骤S1：获取电力系统在时间段[t1,t
n
‑3]内的历史数据包以及电力监测历史数据；步骤S2：利用CNN提取历史数据包中的网络层特征，历史数据包中的网络层特征结合电力监测历史数据构成训练样本集，利用训练样本集对GRU进行训练，直至GRU的损失函数值低于损失函数阀阈值，以得到训练完成的GRU状态预测模型；步骤S3：电力系统在t
n
时刻接收数据包并检测到电力监测数据x
n
，利用CNN提取电力系统在t
n
时刻接收到的数据包中的网络层特征x
n
’
；步骤S4：训练完成的GRU状态预测模型利用x
n
和x
n
’
得到电力系统在t
n+1
时刻接收的数据包的网络层特征预估值a
n+1
’
以及电力监测数据预估值a
n+1
；步骤S5：电力系统在t
n+1
时刻实际接收数据包并实际检测得到电力监测数据x
n+1
，利用CNN提取电力系统在t
n+1
时刻实际接收的数据包中的网络层特征x
n+1
’
；步骤S6：GRU状态预测模型通过比较a
n+1
’
和x
n+1
’
，以及比较a
n+1
和x
n+1
，对电力系统在t
n+1
时刻是否受到FDIA进行判断。2.根据权利要求1所述的电力系统FDIA高精度检测方法，其特征在于，步骤S1中,时间段[t1,t
n
‑3]包含时刻t1、t2......t
n
‑3，电力系统获取的所有历史数据包分别对应于时刻t1、t2......t
n
‑3，电力系统获取的所有电力监测历史数据分别为x1、x2......x
n
‑3，x1、x2......x
n
‑3分别对应于时刻t1、t2......t
n
‑3，步骤S2中，所有历史数据包对应的网络层特征分别为x1’
、x2’
......x
n
‑3’
，其中时刻t
α
对应的历史数据包的网络层特征为x
α
’
，n
‑
3≥α≥1，CNN的全连接层将x
α
’
和x
α
进行矩阵合并，步骤S3中，CNN的全连接层将x
n
和x
n
’
进行矩阵合并，步骤S4中，CNN的全连接层将a
n+1
’
和a
n+1
进行矩阵合并，步骤S5中，CNN的全连接层将x
n+1
’
和x
n+1
进行矩阵合并，步骤S6中，a
n+1
’
和a
n+1
合并后的矩阵对比x
n+1
’
和x
n+1
合并后的矩阵，以完成a
n+1
’
和x
n+1
’
的比较以及a
n+1
和x
n+1
的比较。3.根据权利要求2所述的电...

【专利技术属性】
技术研发人员：张莹，顾晔，陈甜妹，徐天天，岑雷扬，
申请(专利权)人：国网浙江省电力有限公司物资分公司，
类型：发明
国别省市：