一种面向虚拟电厂信息物理系统的多源传感数据融合方法技术方案

本发明专利技术提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，基于卷积神经网络CNN和长短时记忆神经网络LSTM来建立数据融合模型，利用数据融合模型对采集到的虚拟电厂多源传感数据中的每一个单源数据进行特征提取，对提取的特征进行深度卷积融合。本发明专利技术通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，相比于传统方法，本发明专利技术的检测性能更优。能更优。能更优。

【技术实现步骤摘要】
一种面向虚拟电厂信息物理系统的多源传感数据融合方法


[0001]本专利技术涉及虚拟电厂数据集成建模与融合领域，尤其涉及一种面向虚拟电厂信息物理系统的多源传感数据融合方法。

技术介绍

[0002]以虚拟电厂为代表的新型电力业务系统为现代社会提供持续可靠的电能供给。但是新能源电源与多元负荷广泛接入的系统架构以及公共互联网和电力专网(简称公专)互动信息物理融合的运行方式，给虚拟电厂系统的稳定运行带来严重的安全威胁。由于虚拟电厂中公专两侧信息流与能量流的动态交互，信息风险与电力风险可相互叠加并在公专两侧交叉传播，而新能源出力与多元负荷的随机波动特性进一步增加了虚拟电厂系统运行的脆弱性并暴露出更多薄弱节点。
[0003]随着机器学习、神经网络等智能算法的应用，相关学者也尝试从人工智能角度探讨虚拟电厂信息物理系统的建模与分析。但是，当前的研究依然存在一定局限性。首先，相对于传统电力系统，虚拟电厂业务系统的形态发生了较大演进，其内部包含了大量形态与功能各异的节点，大量潜在的安全漏洞导致风险来源多样化，以虚拟电厂为代表的新型电力业务系统的信息物理架构不能简单照搬传统的信息物理系统模型。其次，传统的信息流模型没有考虑虚拟电厂公专两侧跨时空的信息交互机制，忽略了公专两侧信息流与能量流的耦合效应；第三，虚拟电厂中公专两侧频繁的交互数据中存在大量多源异构数据，严重影响到公专两侧信息流与能量流动态交互特性的挖掘，增加了针对虚拟电厂信息物理系统攻击建模的难度。
[0004]这里的陈述仅提供与本专利技术有关的
技术介绍
，而并不必然地构成现有技术。

技术实现思路

[0005]本专利技术的目的在于提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，提高了检测性能。
[0006]为了达到上述目的，本专利技术提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，基于卷积神经网络CNN和长短时记忆神经网络LSTM来建立数据融合模型，利用数据融合模型对采集到的虚拟电厂多源传感数据中的每一个单源数据进行特征提取，对提取的特征进行深度卷积融合。
[0007]所述特征提取方法包含：
[0008]CNN网络提取单源数据的卷积层特征：
[0009][0010]其中，x为时间对齐的异构数据向量，为对x提取出的卷积层特征，conv代表一维卷积层Conv1D，最内层卷积核大小为5
×
5，其余两层卷积核大小为3
×
3，Conv1D卷积公式：
[0011][0012]其中，为第l层的第k次卷积，为与第l层对应的第k个卷积核的偏差，为对应卷积层参数；
[0013]LSTM网络提取单源数据的时序特征；
[0014]对于隐藏层状态：
[0015]h
t
＝f(h
t
‑1,x(t))
[0016]其中，x(t)代表t时刻的时序单源数据输入，h
t
‑1、h
t
分别代表时间t
‑
1时刻和时间t时刻的LSTM隐藏层状态输出；
[0017]提取数据的时序特征：
[0018]l＝Relu(W
t
·
h
t
+b
t
)
[0019][0020]其中，对于W
t
为训练参数矩阵，b
t
为偏差；通过计算归一化的时间特征f
(t)
乘以相应的变量h
t
，隐藏状态h
t
被增强或削弱，作为最终的整体状态输出，即为单源数据的时序特征；
[0021]卷积层特征和时序特征的级联作为一个单源数据的最终提取特征：
[0022][0023]其中，分别代表第i个单源数据的卷积特征和时序特征，contact(
·
)为特征向量的级联，f
i
代表一个单源数据的提取特征；
[0024]所述特征融合方法包含：
[0025]对提取的特征进行深度卷积融合；
[0026][0027]其中，f
s
、f
w
代表两个独立数据源数据的提取特征，contact(
·
)为特征向量的级联，conv代表一维卷积层Conv1D，内层卷积将多源级联特征升维，外层卷积将多源级联特征降维，内外卷积层卷积核大小为1
×
1，融合前后的时间特征信息可以有效保持；
[0028]再经过一个LSTM层来进一步提取整体时序特征。
[0029]所述虚拟电厂多源传感数据包含来自虚拟电厂数据载体的传感交互数据，所述数据载体至少包含：储能、光伏、充电桩。
[0030]对采集到的虚拟电厂多源传感数据进行预处理，所述预处理至少包含：划分筛选、数据清洗、数据补齐、时序对齐、归一化处理。
[0031]通过规模数据训练和虚假数据注入攻击FDIA测试来验证数据融合模型的有效性。
[0032]所述规模数据训练方法包含：
[0033]训练轮数为15轮，批处理大小为128，损失函数使用均方误差损失MSE，优化器使用Adam学习器，默认参数为(0.9，0.99)，初始学习率为10
‑4，且每过一轮进行权重衰减。
[0034]所述虚假数据注入攻击FDIA测试方法包含：
[0035]阈值选择：阈值分别根据最大F1‑
Score和ROC曲线进行选取；
[0036]根据最大F1‑
Score选取时，在一定阈值空间之间进行查找，直到找到最大F1‑
Score的对应阈值；
[0037]F1‑
Score定义如下：
[0038][0039]其中，Precision、Recall分别为精确率和回召率：
[0040][0041]其中，TP、FP、TN和FN分别是真阳性、假阳性、真阴性和假阴性；
[0042]根据ROC曲线选取时，ROC曲线最靠左上角的最佳临界值即为所取阈值；
[0043]ROC分别以假正例率FPR为横轴，以真正例率TPR为纵轴：
[0044][0045]攻击检测：根据不同标准划分得到阈值后，在攻击检测时，输入数据进行训练后得到的模型输出预测数据，预测数据和真实数据的损失差与阈值进行对比，低于阈值则预测数据为正常数据，反之，高于阈值为攻击数据。
[0046]本专利技术通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，相比于传统方法，本专利技术的检测性能更优。
附图说明
[0047]图1为本专利技术的算法流程图。
[0048]图2a为本专利技术模型训练(S＝2)的损失下降图。
[0049]图2b为本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，基于卷积神经网络CNN和长短时记忆神经网络LSTM来建立数据融合模型，利用数据融合模型对采集到的虚拟电厂多源传感数据中的每一个单源数据进行特征提取，对提取的特征进行深度卷积融合。2.如权利要求1所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述特征提取方法包含：CNN网络提取单源数据的卷积层特征：其中，x为时间对齐的异构数据向量，为对x提取出的卷积层特征，conv代表一维卷积层Conv1D，最内层卷积核大小为5
×
5，其余两层卷积核大小为3
×
3，Conv1D卷积公式：其中，为第l层的第k次卷积，为与第l层对应的第k个卷积核的偏差，为对应卷积层参数；LSTM网络提取单源数据的时序特征；对于隐藏层状态：h
t
＝f(h
t
‑1,x(t))其中，x(t)代表t时刻的时序单源数据输入，h
t
‑1、h
t
分别代表时间t
‑
1时刻和时间t时刻的LSTM隐藏层状态输出；提取数据的时序特征：l＝Relu(W
t
·
h
t
+b
t
)其中，对于W
t
为训练参数矩阵，b
t
为偏差；通过计算归一化的时间特征f
(t)
乘以相应的变量h
t
，隐藏状态h
t
被增强或削弱，作为最终的整体状态输出，即为单源数据的时序特征；卷积层特征和时序特征的级联作为一个单源数据的最终提取特征：其中，分别代表第i个单源数据的卷积特征和时序特征，contact(
·
)为特征向量的级联，f
i
代表一个单源数据的提取特征。3.如权利要求2所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述特征融合方法包含：对提取的特征进行深度卷积融合；
其中，f
s
、f
w
代表两个独立数据源数据的...

【专利技术属性】
技术研发人员：吴裔，张王俊，朱征，田英杰，方陈，郭乃网，栗风永，王彬彬，沈泉江，张蕾，刘畅，郑成，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：