一种对电网虚假数据注入攻击的时空检测方法技术

本发明专利技术公开了一种对电网虚假数据注入攻击的时空检测方法，包括以下步骤：确定虚假数据注入攻击检测模型的输入特征；建立空间特征提取模型，固定的图卷积层和空间自注意层分别用来探索空间依赖性的局部和全局分量；建立时间特征提取模型，通过对输入数据赋予不同的时间相关性权重来捕获电网数据的时间相关性特征；将虚假数据检测问题建模为分类问题，据此构建基于时空特征提取网络的FDIA检测整体模型。本发明专利技术提出的空间特征提取模块综合考虑了电网的局部和全局依赖关系。时间特征提取模块捕获电网数据的非线性和长期时间依赖关系。实现提高电力系统中FDIA的检测性能的目的。现提高电力系统中FDIA的检测性能的目的。现提高电力系统中FDIA的检测性能的目的。

【技术实现步骤摘要】
一种对电网虚假数据注入攻击的时空检测方法


[0001]本专利技术涉及电网虚假数据注入攻击检测领域，尤其是一种对电网虚假数据注入攻击的时空检测方法。

技术介绍

[0002]由于虚假数据注入攻击(FDIA)可以绕过传统的基于残差的检测技术，因此成功的FDIA可能会对电力系统的物理或经济运行产生不利影响。为了确保对电力系统的保护，国内外对抵御FDIA进行了大量研究。
[0003]FDIA检测的研究基本上可以分为基于模型的检测方法和数据驱动的检测方法。基于模型的方法不需要观测历史数据，但检测的精度也依赖于模型的精度，并且延迟问题也很难令人满意。数据驱动检测方法在应用过程中不涉及系统的参数及具体结构，该类方法只需历史数据便可以对FDIA进行检测。近年来，图神经网络(GNN)已经成为处理图形数据的强大工具，基于GNN的FDIA检测模型在中开发。然而，大多数基于GNN的模型只能捕获局部空间依赖。在时间相关性方面，基于LSTM和GRU的方法受到其固有的顺序性的影响，阻碍了长时间序列的学习能力。另外，大多现有的方法仅单独考虑了时间相关性或空间相关性来进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对电网虚假数据注入攻击的时空检测方法，其特征在于：包括如下步骤：步骤S1、确定虚假数据注入攻击检测模型的输入特征，输入特征包括表示电力系统母线间的连接关系的邻接矩阵A和各母线节点的功率；步骤S2、建立空间Transformer模型：应用一个固定的图卷积层和一个空间自注意层来分别探索局部空间依赖性和全局空间依赖性，将学习到的局部空间特征和全局空间特征使用门机制融合；步骤S3、建立时间Transformer模型，通过对输入数据赋予不同的时间相关性权重来捕获电网数据的时间相关性特征；步骤S4、将虚假数据检测问题建模为分类问题，据此构建基于时空Transformer网络的FDIA检测整体模型。2.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤S1中确定虚假数据注入攻击检测模型的输入特征的具体过程如下：电网表示为图G＝(V,E,A)，其中V表示N个母线的集合，E是母线之间支路的集合，根据电力系统母线间的连接关系获得邻接矩阵A，若母线节点直接相连，则在A中对应元素为1；若母线节点不直接相连，则在A中对应元素为0，将电网中N个母线的时间序列长度为M的节点功率数据视作时间
‑
空间
‑
特征三维时空矩阵即每个母线的每个采样时间点会采集到一个长度为d的特征向量，三维时空矩阵Z归一化之后，结合电网的邻接矩阵组成模型的输入特征。3.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤S2中应用一个固定的图卷积层探索局部空间依赖性的具体过程如下：图卷积的计算基于切比雪夫多项式近似，表示邻接矩阵A的对角度矩阵，I
n
为单位矩阵，将对称归一化拉普拉斯矩阵L定义为L＝I
n
‑
D
‑
1/2
AD
1/2
，从而得到一个缩放的拉普拉斯矩阵其中λ
max
是L的最大特征值，基于切比雪夫多项式T
k
的图卷积的近似输出写为：其中，K是图卷积的核大小，θ是多项式系数的向量。4.根据权利要求3所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤S2中应用一个空间自注意层来探索全局空间依赖性的具体过程如下：首先将每个时间步长的嵌入特征进行转换，通过应用可训练的线性变换，计算query向量key向量和value向量和value向量和value向量和value向量其中，和分别为和的权重矩阵；
计算在高维潜在子空间中query和key矩阵之间的相关性强度的权重计算方法为：式中，为具有嵌入特征的图G的所有节点之间的自注意得到的注意得分，即电网母线间...

【专利技术属性】
技术研发人员：李学平，胡琳博，何良策，
申请(专利权)人：燕山大学，
类型：发明
国别省市：