一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法技术

本发明专利技术公开了一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，可用在电力系统状态估计环节之后，首先使用离散小波变换技术(Discrete Wavelet Transform，DWT)提取状态量行为特征生成高维特征向量；其次，使用改进的极限学习机(ImprovedExtreme Learning Machine，IELM)对高维特征向量进行约简以缩短检测器训练时间，并避免“维度灾难”；最后，以新生成的低维特征向量训练长短期记忆网络(Long Short TermMemory，LSTM)，生成智能电网虚假数据注入攻击检测器。过程中，新生成的低维特征向量存储在数据库中作为扩充数据集以持续优化检测器。本发明专利技术的目的在于提出一种实时准确的智能电网虚假数据注入攻击检测方法，确保电力系统安全稳定运行。确保电力系统安全稳定运行。确保电力系统安全稳定运行。

【技术实现步骤摘要】
一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法


[0001]本专利技术涉及智能电网安全
，更具体地，本专利技术考虑了电力系统新型攻击方式，及估计状态量间的时间相关性特征，提出一种基于离散小波，改进极限学习机和长短期记忆网络的实时电网虚假数据注入攻击检测方法。

技术介绍

[0002]通过引入先进的信息通信技术，智能电网实现了物理设备和信息系统之间的互联互通。大幅提高了可再生发电接入能力及应对电力故障的处理能力。电力系统的广域测量系统(Wide
‑
Area Measurement System，WAMS)和数据采集与监控系统(Supervisory Control and DataAcquisition,SCADA)通过电力系统定制协议采集量测量供控制中心进行可视化分析，控制中心通过能量管理系统(energy management system，EMS)等高级应用软件为整个电力系统提供潮流优化，自动发电控制，状态估计等功能。为执行精准的状态估计，控制中心必须获得可靠，准确的测量数据，近年来，一种新型的针对智能电网状态估计的攻击即虚假数据注入攻击(False Data Injection Attack，FDIA)受到了广泛关注，该攻击可向量测量注入虚假数据达到破坏数据完整性的目的。研究发现FDIA可误导操作人员对电力系统执行错误操作，达到改变电力系统运行状态，干扰电力市场定价，窃取终端用户电量的目的，最终影响电力系统调度，引起区域性停电，更严重的是FDIA很可能成为国外敌对势力攻击我国基础设施的手段。因此，针对某种特定的FDIA提出一套精准、高效的实时检测方法对保障智能电网安全稳定运行具有重大意义。
[0003]同时，离散小波变换(DWT)作为一种高效的信号处理技术，可处理非线性、非平稳信号并可应用在特征提取领域，基于DWT提取的特征较原始向量差异性更大。然而，使用高层级的DWT会提取大量特征，这无疑加大了训练检测器的时间开销，因此，本专利技术提出了一种基于改进极限学习机(IELM)的数据约简方法以提高检测模型训练效率及避免“维度灾难”。检测器选取Schmidhuber等人提出的长短期记忆网络，因为该深度学习网络在检测准确度上有优势，并可以实现数据的在线学习，同时训练好的模型可实现FDIA的实时检测。

技术实现思路

[0004]为提高FDIA检测准确度和效率，考虑到电力系统估计状态量间的时间相关性，本专利技术提供一种针对智能电网FDIA的实时检测方法。考虑到电力系统估计状态量序列在时间上呈现出非平稳的特性，直接从估计状态量中提取特征很难呈现FDIA本质特性，因此考虑使用信号处理方法分解估计状态量可提取更深层次、更易区分的高维特征。为避免高维数据引起的“维度灾难”现象，本专利技术考虑了一种非线性数据降维方法以最大程度地保留原始高维数据信息。本专利技术训练长短期记忆网络作为检测器以挖掘特征向量序列间的相关性，以时间窗口内的序列数据作为检测器训练和测试数据，有机结合离散小波变换和改进的极限学习机以提高检测器的辨识能力。本专利技术建立了高效精准的实时FDIA检测方案以保障状
态估计环节乃至整个电力系统的安全稳定运行。
[0005]为实现上述目的，本专利技术是根据以下技术方案实现的：
[0006]一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，包括如下步骤:
[0007]步骤S1：通过电网控制中心读取当前时刻一周(168小时)以内的电力负荷数据，计算系统量测量值z为m
×
n矩阵，均为1
×
n矩阵；
[0008]步骤S2：向计算的量测量注入虚假数据生成虚假量测量，定义攻击向量 a＝[P
a Q
a p
a q
a
]T
，其中P
a
，Q
a
，p
a
，q
a
分别为电力系统内节点的有功和无功注入功率及支路的有功和无功潮流注入量；
[0009]步骤S3：对正常和虚假的量测量执行状态估计并利用环节内的坏数据检测消除量测量中的异常数据，生成估计状态量
[0010]步骤S4：使用离散小波变换提取正常和虚假估计状态量的行为特征并重组成特征向量F＝[f1,f2,...,f
d
]T
；
[0011]步骤S5：使用改进的极限学习机约简特征向量F＝[f1,f2,...,f
d
]T
得到低维的特征向量F
l
＝[f1,f2,...,f
r
]T
，r≤d，对不同类型的低维特征向量添加标签；
[0012]步骤S6：将低维特征向量按比例划分训练集和测试集，将测试集样本存入特征数据库，调整长短期记忆网络的参数，持续优化训练检测器至全部训练集数据序列输入完毕；
[0013]步骤S7：实时输入测试集样本至长短期记忆检测器并计算得到预测标签，将预测标签与实际标签对比计算测试样本正确/错误检测的个数，求得检测准确度、精度、召回率；
[0014]步骤S8：利用训练好的长短期记忆检测器对智能电网虚假数据进行实时检测。
[0015]上述技术方案中，在步骤S2中，生成虚假量测量的具体步骤为：
[0016]步骤S201：初始化系统状态量[V θ]T
＝[V
0 θ0]T
，其中V0和θ0为随机初始的攻击状态量即电压幅值和电压相角；
[0017]步骤S202：使用当前系统状态量[V θ]T
计算注入后的虚假量测量 z
a
＝[P Q p q]T
,其中P，Q，p，q为电力系统节点的有功、无功注入，支路的有功、无功潮流；
[0018]步骤S203：使用如下标准检验生成的虚假量测量z
a
是否越界，若不越界，[V θ]T
可选为虚假状态量，反之，更新系统状态量：
[0019][0020]其中P和为节点有功注入的上下限，和p为支路有功潮流上下限，和q为支路无功潮流上下限；
[0021]步骤S204：通过求解以下优化问题计算状态量增量[ΔV Δθ]T
：
[0022][0023][0024][0024][0025]其中G为电压相交转化为支路相交差的系数矩阵，变量S
i
为决定状态量增量的松弛控制变量；
[0026]步骤S205：更新状态量[V θ]T
←
[V θ]T
+[ΔV Δθ]T
，返回步骤S202生成虚假量测；
[0027]上述技术方案中，在步骤S3中进行状态估计，生成估计状态量，系统量测量和系统状态量的关系表示为：
[0027]z＝h(x)+e
ꢀꢀꢀꢀꢀꢀ
(3)
[0028]式中z为量测量，由电力系统内节点的有功、无功注入和支路的有功、无功潮流组成，h(.)表示系统拓扑关系，e为量测误差；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，其特征在于，包括如下步骤：步骤S1：通过电网控制中心读取当前时刻一周(168小时)以内的电力负荷数据，计算系统量测量值z为m
×
n矩阵，均为1
×
n矩阵；步骤S2：向计算的量测量注入虚假数据生成虚假量测量，定义攻击向量a＝[P
a Q
a p
a q
a
]
T
，其中P
a
，Q
a
，p
a
，q
a
分别为电力系统内节点的有功和无功注入功率及支路的有功和无功潮流注入量；步骤S3：对正常和虚假的量测数据执行状态估计并利用该环节内的BDD消除量测数据中的异常数据，生成估计状态量步骤S4：使用离散小波变换对正常和虚假的估计状态量进行特征提取并重组成特征向量F＝[f1,f2,...,f
d
]
T
；步骤S5：使用改进的极限学习机约简特征向量F＝[f1,f2,...,f
d
]
T
的维度得到低维的特征向量F
l
＝[f1,f2,...,f
r
]
T
，r≤d，对每个低维特征向量添加标签；步骤S6：将低维特征向量按比例划分训练集和测试集，持续将训练集样本存入特征数据库，不断训练优化长短期记忆网络检测器至全部训练集数据输入完毕；步骤S7：实时输入测试集样本至长短期记忆网络检测器得到预测标签，将预测标签与实际标签对比计算测试样本正确/错误检测的个数，求得检测准确度、精度、召回率；步骤S8：利用训练好的长短期记忆网络检测器对智能电网虚假数据进行实时检测。2.根据权利要求1中所述的一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，其特征在于，在步骤S2中，生成虚假量测量的具体步骤为：步骤S201：初始化系统状态量[V θ]
T
＝[V
0 θ0]
T
，其中V0和θ0为随机初始的状态量即电压幅值和电压相角；步骤S202：使用当前系统状态量[V θ]
T
计算虚假量测量z
a
＝[P Q p q]
T
,其中P，Q，p，q为节点有功、无功注入功率，支路有功、无功潮流；步骤S203：使用如下标准检验生成的虚假量测数据z
a
是否越界，若不越界，[V θ]
T
可选为虚假状态量，反正，更新系统状态量：其中P和为节点有功注入的上下限，和p为支路有功潮流上下限，和q为支路无功潮流上下限；步骤S204：通过求解以下优化问题计算状态量增量[ΔV Δθ]
T
：：
其中G为电压相角转化为支路相角差的系数矩阵，变量S
i
为决定状态量增量的松弛控制变量；步骤S205：更新状态量[V θ]
T
←
[V θ]
T
+[ΔV Δθ]
T
，返回步骤S202生成虚假量测。3.根据权利要求2中所述的一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，其特征在于，步骤S3中生成估计状态量，系统量测量和系统状态量的关系表示为：z＝h(x)+e
ꢀꢀꢀꢀ
(3)其中z为量测数据，由电力系统内节点的有功、无功注入和支路的有功、无功潮流组成，h(.)表示系统拓扑关系，e为量测误差；使用加权最小二乘法(Weighted Least Square Method，WLSM)可估计电力系统最优状态量，其最优状态估计量计算函数为：其中R
‑1为对角协方差矩阵。4.根据权利要求3中所述的一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，其特征在于，在步骤S4中采用离散小波变换对正常和虚假的估计状态量进行特征提取并组成特征向量，具体步骤为：步骤S401：定义时刻t对应的母小波ψ(t)，根据母小波可计算出当前小波ψ
a,b
(t)：其中a和b分别为缩放因子和转移因子，使用离散小波变换可将a和b离散化为：步骤S402：设置a0＝2，b0＝1，定义估计状态向量为s(t)，使用小波ψ
a,b
(t)将s(t)分解为信号序列：其中为离散小波的复杂共轭；步骤S403：使用快速Mallat算法，将估计状态向量s(t)在M层分解为多重解：其中a
M,k
和为在M层级上的近似系数和伴随尺度函数，至此估计状态向量s(t...

【专利技术属性】
技术研发人员：杨立群，李舟军，徐同阁，翟优，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：