面向网络攻击检测的配电网预测辅助区间状态估计方法技术

本发明专利技术属于配电网状态估计技术领域，公开了面向网络攻击检测的配电网预测辅助区间状态估计方法；其采用新型概率预测技术实现区间伪测量建模，以减小预测误差分位数的区间范围；通过基于Cornish

【技术实现步骤摘要】
面向网络攻击检测的配电网预测辅助区间状态估计方法


[0001]本专利技术属于配电网状态估计领域，具体是涉及面向网络攻击检测的配电网预测辅助区间状态估计方法。

技术介绍

[0002]随着电力系统信息化程度的快速提高，电力系统中物理系统与信息系统深度融合，网络攻击对信息系统产生的不良影响有可能进一步扩散到物理系统，产生电力系统信息物理安全问题。与输电网相比，配电网具有更为复杂的拓扑结构、电气参数复杂、负荷波动大，更容易受到网络攻击的威胁；而且配电网是国家电网“三型两网”战略中泛在电力物联网建设的侧重点和重要载体，其运行状况直接影响用户体验。如果配电网遭受虚假数据注入攻击，电力系统的运行成本会明显增加，给电网公司与消费者带来巨大的经济损失，甚至会影响配电网运行状态的精准感知，威胁系统供电的可靠性。因此，基于信息物理融合视角下开展考虑网络攻击的配电网状态估计方法研究的研究工作，对确保配电网状态估计结果可信，提升配电网运行状态自我感知能力具有重大意义。
[0003]目前，国内外针对面向输电网状态估计的虚假数据注入攻击问题已开展广泛分析与探讨。针对电源侧、输电网以及配电网的虚假数据注入攻击手段得到了完整的阐述，有学者提出了适用于分析配电网状态估计受虚假量测数据注入攻击的建模与求解方法，该方法只需要攻击者掌握配电网局部运行状态，从而可以花费较少的攻击代价完成对配电网全网量测数据的恶意篡改。针对配电网状态估计受虚假量测数据注入攻击问题，有学者提出基于云自适应粒子群优化脉冲神经网络构建配电网伪量测模型用以提高状态估计精度，随后利用非线性滤波算法的动态迟滞特性，在线检测动态、静态状态估计的估计值偏差，从而对虚假量测数据注入攻击进行有效辨识与防御。当前国内外针对配电网信息物理系统网络安全防御方法开展的相关研究工作尚且处于起步阶段，研究内容大致集中于配电网受信息物理协同攻击下的系统脆弱性建模与分析、考虑分布式电源接入的配电网信息物理系统可靠性评估以及配电网信息物理系统的故障危害评估等方向。
[0004]在文献《基于深度学习的交流智能电网对抗稀疏网络攻击的区间状态估计》（H. Wang et al.,IEEE Trans. Ind. Informat., vol. 14, no. 11, pp. 4766
‑
4778, Nov. 2018.）、《不确定性网络物理电力系统的动态数据注入攻击检测》（H. Wang et al.,IEEE Trans. Ind. Informat., vol. 15, no. 10, pp. 5505
‑
5518, Oct. 2019.）和《基于鲁棒区间状态估计的网络物理智能电网广义攻击分离方案》（H. Wang, X. Wen, S. Huang, B. Zhou, Q. Wu, and N. Liu, Int. J. Elect. Power Energy Syst., vol. 129, Jul. 2021, Art. no. 106741.）中，通过最坏情况分析得出了最大的状态变化区间，因此辅助区间状态估计的解可能会出现过度保守的问题。
[0005]当前，备受关注的能源互联网等工程建设正加快配电网从单纯电力系统向信息物理系统一体化方向演变的步伐，信息系统的高度集成在实现对配电网高清晰可观、高密度可控的同时，也在一定程度上给配电网状态估计精准感知系统运行状况带来新问题与挑
战。基于信息物理深度融合背景下开展配电网状态估计相关研究工作存在的技术难点与瓶颈主要包括配电网络规模庞大、实时量测配置覆盖率低、量测数据差异性强，以及黑客恶意攻击方式复杂多变等。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供了面向网络攻击检测的配电网预测辅助区间状态估计方法，对于受单一攻击场景下重点考察配电网遭受虚假量测数据注入攻击，基于攻击者视角研究计及攻击代价分析的配电网虚假量测数据注入攻击建模方法，基于防御者视角研究受攻击区域内量测数据的修复与重构，并生成配电网受攻击区域状态估计最优防御策略，最大化确保系统运行状态信息的安全可靠输出；解决配电网络攻击场景下配电网状态估计结果可信度低等难题，从而保障信息物理深度融合背景下配电网优化运行与高效控制的安全性、可靠性。
[0007]本专利技术所述的面向网络攻击检测的配电网预测辅助区间状态估计方法，包括以下步骤：步骤1、建立配电网线性状态估计模型，基于该模型建立考虑系统信息不完备条件下的稀疏虚假数据注入攻击模型；步骤2、基于未知但有界理论，对不同的测量值和线路参数设定了不同的确定性噪声界限，构建实时区间量测数据集；采用训练极限学习机生成具有规律的历史负荷概况、分布式电源出力和相应的气象统计数据，以构建包含节点功率注入和支路功率流的区间伪测量模型；基于所述稀疏虚假数据注入攻击模型构建新的概率预测辅助区间状态估计模型，通过区间量测变换方法将概率预测辅助区间状态估计模型转换为直角坐标形式，并采用改进的Krawczyk算子进行迭代求解；步骤3、将概率预测辅助区间状态估计模型的解集视为系统的正常运行水平；基于所述解集构建虚假数据注入攻击的识别方案，通过对比实际测量数据和正常运行水平，判断系统是否遭受了虚假数据注入攻击；并根据状态变量估计值的偏离差异进一步评估攻击的严重程度。
[0008]进一步，步骤1中，配电网线性状态估计模型的系统量测向量和区间状态向量之间的关系表示为：，H表示映射到的常数雅可比量测矩阵，并且是测量噪声的集合；当服从正态分布时，即，通过使用基于加权最小二乘的估计器来导出估计状态：，为随机变量的期望值，其表示了测量噪声在不同测量中的平均偏移或平均误差；表示测量噪声的期望值为零，指在多次测量中，测量噪声的平均偏移为零；表示测量噪声的协方差矩阵，其包含了测量误差的统计信息，其中对角线上的元素通常表示测量误差的方差，非对角线上的元素表示不同测量之间的协方差。
[0009]进一步的，步骤1中，基于所述配电网线性在状态估计模型，建立所述考虑系统信息不完备条件下的稀疏虚假数据注入攻击模型，具体步骤为：1）构建线性攻击模型：
，式中：是稀疏向量，表示虚假数据注入的攻击，其非零项对应于被攻击的测量值；为遭受虚假数据注入攻击后的量测值；该模型表示受到攻击后的系统量测向量与未受攻击的原始系统量测向量之间的关系；为了识别由此类攻击引起的潜在不良测量即异常值，使用测量残差向量，即将L2‑
范数与正常情况下的检验式中预先确定的检测阈值进行比较；2）假设理想情况下的攻击向量：假设攻击者可以构造一个完美的虚假数据注入攻击，表示目标状态的攻击强度的任意非零列向量；在这种情况下，攻击前后测量残差的 L2‑
范数保持不变，为了表述简洁，省略下标2： ，如式(4)所示，只要不触发告警，即，即可绕过基于残差检测原理的坏数据检测方案；3）将完美攻击向量放宽为不完美形式：为实施如此完美的虚假数据注入攻击需要攻击者拥有完整的系统知识，掌握完整的系统各类参数，由于配电网现存的防护措施，这在现实中很难实现；因此，将完美假设放宽为不完美形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向网络攻击检测的配电网预测辅助区间状态估计方法，其特征在于，包括以下步骤：步骤1、建立配电网线性状态估计模型，基于该模型建立考虑系统信息不完备条件下的稀疏虚假数据注入攻击模型；步骤2、基于未知但有界理论，对不同的测量值和线路参数设定了不同的确定性噪声界限，构建实时区间量测数据集；采用训练极限学习机生成具有规律的历史负荷概况、分布式电源出力和相应的气象统计数据，以构建包含节点功率注入和支路功率流的区间伪测量模型；基于所述稀疏虚假数据注入攻击模型构建新的概率预测辅助区间状态估计模型，通过区间量测变换方法将概率预测辅助区间状态估计模型转换为直角坐标形式，并采用改进的Krawczyk算子进行迭代求解；步骤3、将概率预测辅助区间状态估计模型的解集视为系统的正常运行水平；基于所述解集构建虚假数据注入攻击的识别方案，通过对比实际测量数据和正常运行水平，判断系统是否遭受了虚假数据注入攻击；并根据状态变量估计值的偏离差异进一步评估攻击的严重程度。2.根据权利要求1所述的面向网络攻击检测的配电网预测辅助区间状态估计方法，其特征在于，步骤1中，配电网线性状态估计模型的系统量测向量和区间状态向量之间的关系表示为：，H表示映射到的常数雅可比量测矩阵，并且是测量噪声的集合；当服从正态分布时，即，通过使用基于加权最小二乘的估计器来导出估计状态：，表示随机变量的期望值，表示测量噪声的协方差矩阵。3.根据权利要求2所述的面向网络攻击检测的配电网预测辅助区间状态估计方法，其特征在于，步骤1中，基于所述配电网线性在状态估计模型，建立所述考虑系统信息不完备条件下的稀疏虚假数据注入攻击模型，具体步骤为：1）构建线性攻击模型：，式中：是稀疏向量，表示虚假数据注入的攻击，其非零项对应于被攻击的测量值；为遭受虚假数据注入攻击后的量测值；该模型表示受到攻击后的系统量测向量与未受攻击的原始系统量测向量之间的关系；为了识别由此类攻击引起的潜在不良测量即异常值，使用测量残差向量，即将L2‑
范数与正常情况下的检验式中预先确定的检测阈值进行比较；2）假设理想情况下的攻击向量：假设攻击者构造一个完美的虚假数据注入攻击，表示目标状态的攻击强度的任意非零列向量；在这种情况下，攻击前后测量残差的 L2‑
范数保持不变，为了表述简洁，省略下标2：，
如式(4)所示，只要不触发告警，即，即可绕过基于残差检测原理的坏数据检测方案；3）将完美攻击向量放宽为不完美形式：为实施如此完美的虚假数据注入攻击需要攻击者拥有完整的系统知识，掌握完整的系统各类参数，由于配电网现存的防护措施，这在现实中很难实现；因此，将完美假设放宽为不完美形式是合理的；为了解决这种不完全性，认为系统拓扑的有限知识将导致雅可比测量矩阵中的偏项，即不完全性虚假数据注入攻击的形式为；之后的估计状态会从偏离到，写成：，则测量残差的L2‑
的范数为：，其中是帽矩阵，是一个单位矩阵；4）攻击结果评估：由式(6)推导出在检测阈值为的情况下，不完全虚假数据注入攻击绕过基于残差的坏数据检测方案的充分条件为：，在式(7)中，充分条件已转化为
‘⇔’
右边的不等式，对偏项有数值约束；如果偏项满足约束(7)，则不完全虚假数据注入攻击后的残值不会超过。4.根据权利要求2所述的面向网络攻击检测的配电网预测辅助区间状态估计方法，其特征在于，步骤1中，所述配电网线性状态估计模型为三相在状态估计模型：，式中：，为对应三相电压或电流的不同相位；为复支路电流，其中，分别为实部和虚部；表示支路电流向量，由节点之间的电压降和导纳矩阵计算得出；而表示节点i处的支路电流向量；为复节点电压，其中和分别为实部和虚部；为节点i到节点j之间的支路导纳矩阵，为节点i处的恒定节点导纳矩阵；是连接到节点上的条线路的总电压降矢量；表示连接到节点 i上的线路数量；i和j分别表示节点的索引号，其中i是第i个节点，j是第j个节点，i≠j。5.根据权利要求4所述的面向网络攻击检测的配电网预测辅助区间状态估计方法，其特征在于，对不同的测量值和线路参数设定了不同的确定性噪声界限，构建实时区间量测数据集；具体为：采用训练极限学习机生成具有规律的历史负荷概况、分布式电源出力和相应的气象统计数据，以构建包含节点功率注入和支路功率流的区间伪测量模型；包括以下步骤：
1）采集历史负荷概况、分布式电源出力、相应的气象统计数据，构建训练数据集；表示第 k个样本的输入特征向量；表示第k个样本的目标向量；表示训练数据集中包含的样本数量，即有个不同的和对；2）设计具有隐藏神经元N的极限学习机，对其进行初始化，推导出确定性点预测误差；3）基于Cornish
‑
Fisher展开构建约束非线性规划模型来训练极限学习机，得到概率预测结果；4）对所述概率预测结果进行评估，若达到最大迭代次数，或者两次迭代之间的确定性点预测误差最小，则终止训练，以获得最小化预测误差或最大化预测精度的模型并得到最优极限学习机；5）训练过程完成后，利用最优极限学习机输出权重向量来为测试数据集生成最优的概率预测结果。6.根据权利要求5所述的面向网络攻击检测的配电网预测辅助区间状态估计方法，其特征在于，设计具有隐藏神经元N的极限学习机来训练实时区间量测数据集，对其进行初始化，推导出确定性点预测误差，具体步骤为：对于训练数据集和由历史负荷概况和分布式电源出力组成的原始数据库的样本，设计具有隐藏神经元N的极限学习机的结构函数： ，式中，是与第个目标相对应的输出向量；是第i个输入隐藏权重向量；是第i个输出权重向量，是第i个隐藏神经...

【专利技术属性】
技术研发人员：徐俊俊，张晟，姜宇森，林瞳，阮欣雨，张腾飞，朱三立，吴巨爱，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：