CN103077325B - 基于自适应分区状态估计的智能电网不良数据检测方法 - Google Patents
基于自适应分区状态估计的智能电网不良数据检测方法 Download PDFInfo
- Publication number
- CN103077325B CN103077325B CN201310036393.7A CN201310036393A CN103077325B CN 103077325 B CN103077325 B CN 103077325B CN 201310036393 A CN201310036393 A CN 201310036393A CN 103077325 B CN103077325 B CN 103077325B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- graph model
- intelligent grid
- node
- bad data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于自适应分区状态估计的智能电网不良数据检测方法:根据已有的智能电网物理结构参数生成相应的图模型;利用聚类算法将图模型分为若干子图,每个子图均对应于智能电网中的一个子系统;对于每个子系统进行不良数据检测,并根据检测结果更新图模型,执行新的分区与检测,以此将不良数据定位于较小的区间内。本发明可用于检测针对智能电网设计的不良数据注入攻击,利用分区技术,提高了不良数据检测精度,并降低了检测的时间复杂度;同时,通过多次分区的策略,在有效时间内将不良数据定位于较小的范围内。
Description
技术领域:
本发明涉及智能电网数据安全领域,特别涉及一种针对智能电网不良数据注入的检测以及定位方法。
背景技术:
智能电网利用信息网络技术对电力网络中发电、配电和耗电设备进行实时监测和优化控制,实现节能、减排等目标。控制中心通过采集终端以及传输线的电表量测数据,估计当前电网的运行状态,并进行相应的调度决策。如何保证及时发现智能电表量测值的错误,防止黑客的恶意数据注入,是智能电网稳定运行的基础。目前,电力系统中已提供了较为成熟的不良数据检测数据技术,但是针对智能电网的特殊性质,其存在的严重隐患主要在于:
(1)智能电网的广泛使用,导致第三方可以获取智能电网终端装置,了解智能电网的物理拓扑布局以及线路参数,并针对特定的网络精心设计不良数据注入攻击以避开传统的电力系统不良数据检测技术,最终实现入侵者在经济、政治上的利益攫取;
(2)智能电网通信节点数量巨大、工作环境复杂,传统不良数据检测技术针对大型网络检测需要消耗大量的计算时间,这对上级控制中心的运算能力以及存储空间均提出了较高的要求。
现有研究中,从理论上已经针对智能电网的直流传输模型提出了部分解决方案,但是,针对实际中复杂的交流传输问题,还没有一种有效的方法可以从本质上解决上述问题。因此,从智能电网实际安全要求出发,需要找到一种具有较高灵敏度以及较快运行速度的不良数据注入检测技术。
发明内容:
本发明的主要目的在于提供一种基于自适应分区状态估计的智能电网不良数据检测方法,其根据已有的智能电网物理结构参数生成相应的图模型;利用聚类算法将图模型分为若干子图,每个子图均对应于智能电网中的子系统;对每个子系统进行不良数据检测,并针对检测结果更新图模型,执行新的分区与检测,以此将不良数据注入定位于较小的区间内。
本发明的目的通过以下技术方案实现:
基于自适应分区状态估计的智能电网不良数据检测方法,包括如下步骤:
1)、根据给定的智能电网,构造相应的图模型;
2)、根据构造的图模型,通过分区/聚类算法对图模型分区,将图模型划分为若干子图,每个子图对应于智能电网中一个的子系统;
3)、根据子系统分区结果,对每个子系统进行不良数据检测;
4)、根据不良数据检测结果,当所检测的每个子系统内均无不良数据,或者具有不良数据的子系统的结点数均小于或等于4,则满足检测终止条件,结束检测;
5)、当不满足检测终止条件,则更新图模型,并执行步骤2)-步骤4)直到满足检测终止条件。
本发明的进一步改进在于,所述步骤1)中建立图模型的方法为:首先根据给定的智能电网的物理参数以及拓扑结构,选取发电机或者负载结点作为图的顶点;当两个结点直接通过物理输电线路相连,则对应的顶点之间有直接相连的边;所述给定的智能电网中含有n个发电/负载结点,m条传输线路,n和m均为正整数;构建的图模型G={V,A};其中,V={V1,V2,...Vn}为图的顶点,对应于电网中的发电/负载结点;A={aij}i,j=1,2,…,n为图的权重矩阵,当aij=0代表顶点之间没有传输线路直接相连;选取传输线路的阻抗值、网络连通状况或者是线路上的实际功率潮流作为图模型中边的权重。
本发明的进一步改进在于,步骤2)的分区过程中,顶点之间的距离以步骤1)中所设定的边的权重为准,并采用基于图模型的L-bounded分区算法、K均值算法或K中心算法,对步骤1)中所建立的图模型进行分区,得到若干个连通子图;每个子图对应于智能电网中的一个物理子系统。
本发明的进一步改进在于,步骤3)的不良数据检测的过程为:在每个子系统内,根据现有的量测值,先进行一次状态估计得到子系统内每个结点当前的运行状态,再采用卡方检测或者是标准化残差检测,对每个子系统进行不良数据检测;所述现有的量测值包括线路有功功率,线路无功功率,电力结点的运行电压幅值,电力结点的运行电压相角和结点的注入功率中一种或多种。
本发明的进一步改进在于,步骤4)根据步骤3)中的不良数据检测结果,进行下一个步骤的选择:如果在每个子系统均没有不良数据,或者不良数据均已被定位在结点数小于或等于4的子系统范围内,则检测过程结束;否则,针对步骤1)建立的原有图模型进行更新后,重复步骤2)-步骤4)直到满足检测结束的条件。
本发明的进一步改进在于,原有图模型的更新过程为:a、当不良数据被定位在某个结点数大于4的子系统中,选取该子系统中的结点以及与该子系统直接相连的结点作为新的图模型所包含的结点,建立新的图模型;或者,b、将步骤2)所得到的分区中用于连接子系统的边的结点相融合得到新的图模型。
本发明的进一步改进在于,步骤2)中分区所得每个子系统内有足够的量测量冗余度用于实现状态估计。
本发明的进一步改进在于,步骤3)中现有的量测值为传输线路上的有功功率和无功功率;系统结点的状态估计值为结点运行电压的幅值和相角。
相对于现有技术,本发明具有以下有益效果:
(1)通过建立图模型对电力系统进行自适应分区,在每个子系统内进行不良数据检测,降低了每个子系统的量测量冗余度,提高了不良数据的检测灵敏度;并通过多次分区缩小了不良注入数据所在的范围初步实现了不良数据的定位;
(2)算法复杂度低:相比于传统不良数据检测技术基于全局系统的状态估计,本发明对每个子系统分别作基于状态估计的不良数据检测,使得运算时间大幅降低;并且在不良注入数据的定位过程中,进一步降低运算时间;
(3)具有较好的普适性:本发明针对实际的交直流传输系统均可以进行不良数据检测。
附图说明:
图1为本发明基于自适应分区状态估计的智能电网不良数据检测方法框图。
具体实施方式:
请参阅图1所示,本发明一种基于自适应分区状态估计的智能电网不良数据检测方法框图,包括以下步骤:
1)给定一个含有n个发电/负载结点,m条传输线路的智能电网,构建图模型G={V,A};n和m均为正整数;其中,V={V1,V2,..,Vn}为图的顶点,对应于电网中的发电/负载结点;A={aij}i,j=1,2,…,n为图的权重矩阵,当aij=0代表顶点之间没有传输线路直接相连;选取电网中的物理参数,如传输线路的阻抗值(建议)、网络连通状况或者是线路上的实际功率潮流作为权重矩阵中非零元素的值。由此,根据智能电网建立了相应的图模型。
2)根据步骤1)中建立的图模型,选取基于图模型的分区/聚类算法,如L-bounded分区算法(建议)、K均值算法或K中心算法,将图模型G划分为N个子图{Gi}i=1,2,…,N,N为正整数,每个子图Gi均含有ni个顶点以及mi条边;子图Gi和子图Gj之间有连接线{Tij}。每个子图均对应于电网中的一个物理子系统,子系统有足够的量测值冗余度用于状态估计;对于不满足冗余度要求的分区结果,加以相应的调整。
3)根据已有的电力参数量测值,(可选的参数包含:线路有功功率,线路无功功率,电力结点的运行电压幅值、相角,结点的注入功率)对每个子系统进行状态估计,估计子系统内结点的运行状态,结点状态值为结点的电压幅值与相角。并采用不良数据检测技术,如卡方检验或者标准化残差检验,检测每个子系统中的量测值是否含有不良数据。
4)根据步骤3)中的检测结果,如果每个子系统内均没有不良数据,或者不良数据已经被定位在一个较小的范围内(即具有不良数据的子系统的结点数小于或等于4),则检测过程终止;否则,更新已有的图模型。
5)图模型的更新过程主要基于步骤3)中的检测结果,建立新的图模型,可选的策略有:a.当不良数据被定位在某个结点数大于4的子系统Gi中,则取与该子系统相连的连接线{Tij}以及连接线上的顶点并入子图Gi中得到新子系统Gnew,并以此新的子系统作为新的图模型;b.选取步骤2)分区结果中的所有连接线{Tij},将其两端顶点Vi和Vj融合作为新的顶点Vi,new,更新原图模型G得到新的图模型。对于新建立的图模型,重复步骤2)-步骤4)直到满足检测终止条件。
由此,完成了一次基于自适应分区状态估计的智能电网不良数据检测过程。
Claims (4)
1.基于自适应分区状态估计的智能电网不良数据检测方法,其特征在于,包括如下步骤:
1)、根据给定的智能电网,构造相应的图模型;
2)、根据构造的图模型,通过分区/聚类算法对图模型分区,将图模型划分为若干子图,每个子图对应于智能电网中一个的子系统;
3)、根据子系统分区结果,对每个子系统进行不良数据检测;
4)、根据不良数据检测结果:当所检测的每个子系统内均无不良数据,或者具有不良数据的子系统的结点数均小于或等于4,则满足检测终止条件,结束检测;
5)、当不满足检测终止条件,则更新图模型,并执行步骤2)-步骤4)直到满足检测终止条件;
所述步骤1)中建立图模型的方法为:首先根据给定的智能电网的物理参数以及拓扑结构,选取发电机或者负载结点作为图的顶点;当两个结点直接通过物理输电线路相连,则对应的顶点之间有直接相连的边;所述给定的智能电网中含有n个发电/负载结点,m条传输线路,n和m均为正整数;构建图模型G={V,A};其中,V={V1,V2,...Vn}为图的顶点,对应于电网中的发电/负载结点;A={aij}i,j=1,2,…,n为图的权重矩阵,当aij=0代表顶点之间没有传输线路直接相连;选取传输线路的阻抗值、网络连通状况或者是线路上的实际功率潮流作为图模型中边的权重;
步骤2)的分区过程中,顶点之间的距离以步骤1)中所设定的边的权重为准,并采用基于图模型的L-bounded分区算法、K均值算法或K中心算法,对步骤1)中所建立的图模型进行分区,得到若干个连通子图;每个子图对应于智能电网中的一个物理子系统;
步骤3)的不良数据检测的过程为:在每个子系统内,根据现有的量测值,先进行一次状态估计得到子系统内每个结点当前的运行状态,再采用卡方检测或者是标准化残差检测,对每个子系统进行不良数据检测;所述现有的量测值包括线路有功功率,线路无功功率,电力结点的运行电压幅值,电力结点的运行电压相角和结点的注入功率中一种或多种;
步骤4)根据步骤3)中的不良数据检测结果,进行下一个步骤的选择:如果在每个子系统均没有不良数据,或者不良数据均已被定位在结点数小于或等于4的子系统范围内,则检测过程结束;否则,针对步骤1)建立的原有图模型进行更新后,重复步骤2)-步骤4)直到满足检测结束的条件。
2.根据权利要求1所述的基于自适应分区状态估计的智能电网不良数据检测方法,其特征在于,原有图模型的更新过程为:a、当不良数据被定位在某个结点数大于4的子系统中,选取该子系统中的结点以及与该子系统直接相连的结点作为新的图模型所包含的结点,建立新的图模型;或者,b、将步骤2)所得到的分区中用于连接子系统的边的结点相融合得到新的图模型。
3.根据权利要求1所述的基于自适应分区状态估计的智能电网不良数据检测方法,其特征在于,步骤2)中分区所得每个子系统内有足够的量测量冗余度用于实现状态估计。
4.根据权利要求1所述的基于自适应分区状态估计的智能电网不良数据检测方法,其特征在于,步骤3)中现有的量测值为传输线路上的有功功率和无功功率;系统结点的状态估计值为结点运行电压的幅值和相角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310036393.7A CN103077325B (zh) | 2013-01-30 | 2013-01-30 | 基于自适应分区状态估计的智能电网不良数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310036393.7A CN103077325B (zh) | 2013-01-30 | 2013-01-30 | 基于自适应分区状态估计的智能电网不良数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077325A CN103077325A (zh) | 2013-05-01 |
CN103077325B true CN103077325B (zh) | 2015-08-05 |
Family
ID=48153854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310036393.7A Active CN103077325B (zh) | 2013-01-30 | 2013-01-30 | 基于自适应分区状态估计的智能电网不良数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077325B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766248B (zh) * | 2015-04-16 | 2019-05-03 | 东南大学 | 一种有功坏数据辨识与修正方法 |
CN105048461B (zh) * | 2015-08-25 | 2017-08-15 | 西安交通大学 | 电力系统直流最优潮流计算的数据完整性的攻防演练方法 |
CN106372440B (zh) * | 2016-09-21 | 2019-05-07 | 中国农业大学 | 一种并行计算的配电网自适应抗差状态估计方法及装置 |
CN108333468B (zh) * | 2018-01-05 | 2019-08-06 | 南京邮电大学 | 一种有源配电网下不良数据的识别方法及装置 |
CN113629769B (zh) * | 2021-08-16 | 2023-09-01 | 华中科技大学 | 一种基于线路权重的电网分区搜索方法和系统 |
CN114490836B (zh) * | 2022-04-15 | 2022-08-02 | 国网天津市电力公司电力科学研究院 | 一种适用于电动汽车充电故障的数据挖掘处理方法 |
CN114584403B (zh) * | 2022-05-07 | 2022-07-19 | 中国长江三峡集团有限公司 | 一种发电厂巡检设备认证管理系统和方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354357A (zh) * | 2011-09-28 | 2012-02-15 | 上海电力学院 | 智能电网分区防护系统漏洞的格蕴含推理算法 |
-
2013
- 2013-01-30 CN CN201310036393.7A patent/CN103077325B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354357A (zh) * | 2011-09-28 | 2012-02-15 | 上海电力学院 | 智能电网分区防护系统漏洞的格蕴含推理算法 |
Non-Patent Citations (3)
Title |
---|
基于权函数的电网参数分区辨识与估计方法;颜伟等;《电力系统自动化》;20110310;第35卷(第5期);第25-30页 * |
多个可疑电网参数的分区辨识与估计方法;宋林滔等;《中国高等学校电力系统及其自动化专业第二十六届学术年会暨中国电机工程学会电力系统专业委员会2010年年会》;20101001;全文 * |
考虑分区的电网参数辨识与估计方法;张良等;《研究与分析》;20111231;第39卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103077325A (zh) | 2013-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077325B (zh) | 基于自适应分区状态估计的智能电网不良数据检测方法 | |
Orlando et al. | A smart meter infrastructure for smart grid IoT applications | |
Ardakanian et al. | Event detection and localization in distribution grids with phasor measurement units | |
Sandberg et al. | On security indices for state estimators in power networks | |
CN105429133B (zh) | 一种面向信息网络攻击的电网脆弱性节点评估方法 | |
Deng et al. | Fault location in loop distribution network using SVM technology | |
Huang et al. | Characterization of cascading failures in interdependent cyber-physical systems | |
CN105791280B (zh) | 一种抵御电力系统直流状态估计中数据完整性攻击的方法 | |
Cavraro et al. | Real-time identifiability of power distribution network topologies with limited monitoring | |
Ashraf et al. | Performance analysis of static network reduction methods commonly used in power systems | |
CN103066689A (zh) | 一种10kV馈线负荷转供路径在线选择系统 | |
Yang et al. | PMU placement for optimal three-phase state estimation performance | |
CN105676157A (zh) | Wams低频振荡识别功能的测试系统及方法 | |
Rahman et al. | Novel attacks against contingency analysis in power grids | |
Naderi et al. | Detection of false data injection cyberattacks: Experimental validation on a lab-scale microgrid | |
CN113595246B (zh) | 微电网状态在线监测方法、装置、计算机设备和存储介质 | |
Li et al. | Deep reinforcement learning for penetration testing of cyber-physical attacks in the smart grid | |
Bolognani | Grid topology identification via distributed statistical hypothesis testing | |
CN106789275B (zh) | 电力系统输电网络安全性测试系统及方法 | |
de Sousa et al. | Cloud computing in the smart grid context: an application to aid fault location in distribution systems concerning the multiple estimation problem | |
CN102509168A (zh) | 一种基于改进整数规划法的pmu最优配置方法 | |
CN108414889A (zh) | 电网孤岛的检测、确定孤岛组的方法及装置 | |
Chen et al. | Complex network theory based power grid vulnerability assessment from past to future | |
Almutairi et al. | A blockchain‐enabled secured fault allocation in smart grids based on μPMUs and UT | |
Shitole et al. | Real-time digital twin of residential energy storage system for cyber-security study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |