CN105467204A - 智能电网中基于假数据识别的用户实际耗电量的检测方法 - Google Patents
智能电网中基于假数据识别的用户实际耗电量的检测方法 Download PDFInfo
- Publication number
- CN105467204A CN105467204A CN201510881591.2A CN201510881591A CN105467204A CN 105467204 A CN105467204 A CN 105467204A CN 201510881591 A CN201510881591 A CN 201510881591A CN 105467204 A CN105467204 A CN 105467204A
- Authority
- CN
- China
- Prior art keywords
- user
- sigma
- power consumption
- electrical energy
- gap
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种智能电网中基于假数据识别的用户实际耗电量的检测方法,包括:1)智能电表检测t-1时刻各用户的历史用电信息、当前耗电量、分布式产能及电能存储装置的电能存储量,预测用户t时刻的电能需求量predi(t);2)控制中心将用户下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行离散化,然后使用贝叶斯网络得t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t);3)根据pi(t)确定最终预测的t时刻用户的电能需求di(t);4)di(t)与用户t时刻的实际用电量li(t)进行作差运算,得t时刻电网上的电力缺口Gap(t);5)根据步骤4)得到的t时刻电网上的电力缺口Gap(t)得t时刻用户的实际耗电量ri(t)。本发明能够准确地得到智能电网中用户实际耗电量。
Description
技术领域
本发明属于智能电网安全领域,涉及一种智能电网中基于假数据识别的用户实际耗电量的检测方法。
背景技术
随着智能电网的发展,智能电网中的网络攻击越来越值得重视。与传统电网相比,智能电网中的控制中心可以通过通信网络获取智能量测设备量测的电网运行参数及预测的用户电能需求,估计电网运行状态,进而对下一时刻电网操作进行决策。但是,智能电网中的智能设备通过无线网络相连,潜在的攻击者可以通过假数据注入攻击来使得控制中心获得虚假的用户耗电量,从而破坏整个电网的正常运行。
在智能电网中,需求响应是近些年来的一个研究热点。在需求响应过程中,供电公司通过获取用户的用电信息来对电网中的操作进行调节,从而更经济合理地分配电能,达到更高的能源利用效率。但是,智能电网中的智能设备通过无线网络相连,潜在的攻击者可以通过假数据注入攻击来使得控制中心获得虚假的用户的耗电量,从而破坏整个电网的正常运行。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种智能电网中基于假数据识别的用户实际耗电量的检测方法,该方法能够准备的得到智能电网中用户实际耗电量。
为达到上述目的,本发明所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,包括以下步骤:
1)智能电表检测t-1时刻各用户的历史用电信息、当前耗电量、分布式产能及电能存储装置的电能存储量,然后根据各用户的历史用电信息、实际耗电量、分布式产能及电能存储装置的存储量预测用户t时刻的电能需求量predi(t);
2)控制中心将用户下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行离散化,并根据离散化的用户在下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量使用贝叶斯网络得t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t);
3)根据步骤2)得到的t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t)确定最终预测的t时刻用户的电能需求di(t);
4)将步骤3)得到的最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)进行作差运算,然后根据作差运算的结果得t时刻电网上的电力缺口Gap(t);
5)根据步骤4)得到的t时刻电网上的电力缺口Gap(t)得t时刻用户的实际耗电量ri(t)。
预测的用户i在t时刻的电能需求量predi(t)的表达式为
predi(t)=P(Hi,ci(t-1),DGi(t-1),Si(t-1))(1)
其中,Hi为用户i的历史用电信息,ci(t)为用户i在时刻t消耗的电量,DGi(t)为用户i在时刻t内的分布式产能,Si(t)为用户i的电能存储装置在时刻t内的电能存储量,P(·)为电能需求的预测函数。
步骤2)中控制中心给用户t+1时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行散化,得离散化的用户i在t+1时刻的电能需求量S(p)={predi(t+1)|vi∈U}、用户i在t时刻的耗电量S(c)={ci(t)|vi∈U}、电网总耗电量S(C)={Ci(t)|vi∈U}及实际需求与预测值误差S(e)={erri(t)|vi∈U},其中,erri(t)=li(t)-predi(t),离散时的约束目标为:
其中,kp,kc,kC,ke分别为S(p),S(c),S(C),S(e)内的元素个数,μi为Si内所有值的均值,其中,选择μi作为Si中所有值的离散值。
最终预测的t时刻用户的电能需求di(t)的表达式为:
当则认定用户用电需求为假数据;当则认定用户用电需求为真实数据。
步骤4)的具体操作为:
步骤3)得到的最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)的表达式为:
εi(t)=li(t)-di(t)(9)
则t时刻电网上的电力缺口Gap(t)表达式为:
其中,Ε(t)为最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)的总和,即
步骤4)的具体操作为:
当Gap(t)<0,且时,则有
当Gap(t)<0,且时,则有
当Gap(t)>0时,则表明电网当前的电能需求大于电能供应,则断除电能需求最高的若干节点使电网满足
则断除电能需求最高的若干节点后电网的电能缺口Gap′(t)的表达式为:
当 时,则有
当 时,则有
本发明具有以下有益效果:
本发明所述的智能电网中基于假数据识别的用户实际耗电量的检测方法在具体操作时,控制中心根据离散化的用户在t+1时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量使用贝叶斯网络得t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t),再根据t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t)确定是否进行了假数据注入,从而得到真实的t时刻用户的电量需求,避免假数据注入对测量得到的t时刻用户的实际耗电量ri(t)的真实性的影响,提高测量数据的准确性。
附图说明
图1为本发明中贝叶斯网络结构图;
图2为本发明中不同置信阈值的假数据识别漏报率对比图;
图3为本发明中不同置信阈值的假数据识别误报率对比图;
图4为本发明中过滤假数据与未过滤假数据之间电能预测值与实际消耗值的误差对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1,本发明所述的智能电网中基于假数据识别的用户实际耗电量的检测方法包括以下步骤:
1)智能电表检测t-1时刻各用户的历史用电信息、当前耗电量、分布式产能及电能存储装置的电能存储量,然后根据各用户的历史用电信息、实际耗电量、分布式产能及电能存储装置的存储量预测用户t时刻的电能需求量predi(t);
2)控制中心将用户下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行离散化,并根据离散化的用户在t时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量使用贝叶斯网络得t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t);
其中,使用贝叶斯网络得t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t)的具体过程为:
a)对所有可观察随机变量用户用观察值实例化,对不可观察用户实例化为随机值。
b)对DAG进行遍历,对每一个不可观察用户y,计算 其中,wi表示除y以外的其它所有用户,a为正规化因子,sj表示y的第j个子用户。
c)使用步骤b)计算得到的各个不可观察用户y作为未知用户的新值进行实例化,重复b),直到结果充分收敛。
d)将收敛结果作为t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t)。
3)根据步骤2)得到的t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t)确定最终预测的t时刻用户的电能需求di(t);
4)将步骤3)得到的最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)进行作差运算,然后根据作差运算的结果得t时刻电网上的电力缺口Gap(t);
5)根据步骤4)得到的t时刻电网上的电力缺口Gap(t)得t时刻用户的实际耗电量ri(t)。
预测的用户i在t时刻的电能需求量predi(t)的表达式为
predi(t)=P(Hi,ci(t-1),DGi(t-1),Si(t-1))(1)
其中,Hi为用户i的历史用电信息,ci(t)为用户i在时刻t消耗的电量,DGi(t)为用户i在时刻t内的分布式产能,Si(t)为用户i的电能存储装置在时刻t内的电能存储量,P(·)为电能需求的预测函数。
步骤2)中控制中心给用户下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行散化,得离散化的用户i在下一时刻的电能需求量S(p)={predi(t)|vi∈U}、用户i在当前时刻的耗电量S(c)={ci(t)|vi∈U}、电网总耗电量S(C)={Ci(t)|vi∈U}及实际需求与预测值误差S(e)={erri(t)|vi∈U},其中,erri(t)=li(t)-predi(t),离散时的约束目标为:
其中,kp,kc,kC,ke分别为S(p),S(c),S(C),S(e)内的元素个数,μi为Si内所有值的均值,其中,选择μi作为Si中所有值的离散值。
最终预测的t时刻用户的电能需求di(t)的表达式为:
当则认定用户用电需求为假数据;当则认定用户用电需求为真实数据。
步骤4)的具体操作为:
设步骤3)得到的最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)满足正态分布,即
εi(t)~N(0,σ2)(6)
为保证最大化利用能源,供电公司将根据用户报告的电能需求来进行大型发电站(bulkgeneration)的生产调度,根据正态分布性质,则有
P(-3σ≤εi(t)≤3σ)=99.7%(7)
因此,供电公司可以设置其t时刻的发电量BG(t)为
其中,εi(t)的表达式为:
εi(t)=li(t)-di(t)(9)
则t时刻电网上的电力缺口Gap(t)表达式为:
其中,Ε(t)为最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)的总和,即
则显然供电公司的目标即确保Gap(t)<0并使得|Gap(t)|尽量小,即满足
当Gap(t)<0时,表明当前的电能需求小于电能供应,此时,供电公司将优先要求电能需求量大于实际值的节点按照实际电能需求与预测值的差值的比例分摊富余的电能存储在其各自的电能存储设备中,当富余的电能大于电能需求量与实际值的差值总和时,供电公司将会所有节点分摊多出部分的电能并存储在其各自的电能存储设备中。
则有:
当Gap(t)<0,且时,则有
当Gap(t)<0,且时,则有
当Gap(t)>0时,则表明电网当前的电能需求大于电能供应,则断除电能需求最高的若干节点使电网满足
则断除电能需求最高的若干节点后电网的电能缺口Gap′(t)的表达式为:
当时,则有
当时,则有
Claims (7)
1.一种智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,包括以下步骤:
1)智能电表检测t-1时刻各用户的历史用电信息、当前耗电量、分布式产能及电能存储装置的电能存储量,然后根据各用户的历史用电信息、实际耗电量、分布式产能及电能存储装置的存储量预测用户t时刻的电能需求量predi(t);
2)控制中心将用户下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行离散化,并根据离散化后的用户在t时刻的电能需求量、当前耗电量、分布式产能及电能存储装置的电能存储量使用贝叶斯网络得t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t);
3)根据步骤2)得到的t时刻用户报告的电能需求数据d(t)为真的条件概率pi(t)确定最终预测的t时刻用户的电能需求di(t);
4)将步骤3)得到的最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)进行作差运算,然后根据作差运算的结果得t时刻电网上的电力缺口Gap(t);
5)根据步骤4)得到的t时刻电网上的电力缺口Gap(t)得t时刻用户的实际耗电量ri(t)。
2.根据权利要求1所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,预测的用户i在t时刻的电能需求量predi(t)的表达式为
predi(t)=P(Hi,ci(t),DGi(t-1),Si(t-1))(1)
其中,Hi为用户i的历史用电信息,ci(t)为用户i在时刻t消耗的电量,DGi(t)为用户i在时刻t内的分布式产能,Si(t)为用户i的电能存储装置在时刻t内的电能存储量,P(·)为电能需求的预测函数。
3.根据权利要求1所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,步骤2)中控制中心给用户下一时刻的电能需求量、当前耗电量、分布式产能及电能存储装的电能存储量进行散化,得离散化的用户i在t时刻的电能需求量S(p)={predi(t)|vi∈U}、用户i在t-1时刻的耗电量S(c)={ci(t-1)|vi∈U}、电网总耗电量S(C)={Ci(t-1)|vi∈U}及实际需求与预测值误差S(e)={erri(t-1)|vi∈U},其中,erri(t)=li(t)-predi(t),U为所有节点的集合,vi为其中第i个节点,离散时的约束目标为:
其中,kp,kc,kC,ke分别为S(p),S(c),S(C),S(e)内的元素个数, 分别为S(p),S(c),S(C),S(e)内所有值的均值,其中,选择μi作为Si中所有值的离散值。
4.根据权利要求1所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,最终预测的t时刻用户的电能需求di(t)的表达式为:
其中ai(t-1)为t时刻的消耗电量,ai(t-j-1)为t-j时刻的消耗电量。
5.根据权利要求1所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,当则认定用户用电需求为假数据;当则认定用户用电需求为真实数据。
6.根据权利要求1所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,步骤4)的具体操作为:
步骤3)得到的最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)的表达式为:
εi(t)=li(t)-di(t)(9)
则t时刻电网上的电力缺口Gap(t)表达式为:
其中,BG(t)为电力公司供电量,N为节点总数,Ε(t)为最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)的总和,即σ为εi(t)的标准差。
7.根据权利要求1所述的智能电网中基于假数据识别的用户实际耗电量的检测方法,其特征在于,步骤4)的具体操作为:
当Gap(t)<0,且 时,则有
其中,Εl(t)为最终预测的t时刻用户的电量需求di(t)与用户t时刻的实际用电量li(t)之差εi(t)的总和,Ug为供电节点集合,Ul为需电节点集合;
当Gap(t)<0,且时,则有
当Gap(t)>0时,则表明电网当前的电能需求大于电能供应,则断除电能需求最高的若干节点使电网满足
min‖Uoutage‖
其中,Uoutage为断电节点集合;
则断除电能需求最高的若干节点后电网的电能缺口Gap′(t)的表达式为:
当 时,则有
其中,Uc为受染节点集合;
当 时,则有
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881591.2A CN105467204B (zh) | 2015-12-03 | 2015-12-03 | 智能电网中基于假数据识别的用户实际耗电量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881591.2A CN105467204B (zh) | 2015-12-03 | 2015-12-03 | 智能电网中基于假数据识别的用户实际耗电量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105467204A true CN105467204A (zh) | 2016-04-06 |
CN105467204B CN105467204B (zh) | 2018-07-17 |
Family
ID=55605123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510881591.2A Expired - Fee Related CN105467204B (zh) | 2015-12-03 | 2015-12-03 | 智能电网中基于假数据识别的用户实际耗电量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105467204B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337626A (zh) * | 2016-12-21 | 2019-10-15 | Abb公司 | 用于检测变电站中的错误数据注入的系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002092101A1 (en) * | 2001-05-15 | 2002-11-21 | Psychogenics Inc. | Systems and methods for monitoring behavior informatics |
JP2004117034A (ja) * | 2002-09-24 | 2004-04-15 | Toshiba Corp | 積算電力量計測システムおよびその方法 |
JP2013101057A (ja) * | 2011-11-09 | 2013-05-23 | Hitachi Ltd | 電力量管理方法、電力量管理装置、及び電力量管理プログラム |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
US20140218010A1 (en) * | 2011-11-02 | 2014-08-07 | Infinite Invention Llc | Meter collar for plug-in connection of distributed power generation |
CN104931776A (zh) * | 2015-04-21 | 2015-09-23 | 南通微能节能科技有限公司 | 基于虚拟融合技术的建筑能耗分项计量系统及方法 |
-
2015
- 2015-12-03 CN CN201510881591.2A patent/CN105467204B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002092101A1 (en) * | 2001-05-15 | 2002-11-21 | Psychogenics Inc. | Systems and methods for monitoring behavior informatics |
JP2004117034A (ja) * | 2002-09-24 | 2004-04-15 | Toshiba Corp | 積算電力量計測システムおよびその方法 |
US20140218010A1 (en) * | 2011-11-02 | 2014-08-07 | Infinite Invention Llc | Meter collar for plug-in connection of distributed power generation |
JP2013101057A (ja) * | 2011-11-09 | 2013-05-23 | Hitachi Ltd | 電力量管理方法、電力量管理装置、及び電力量管理プログラム |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
CN104931776A (zh) * | 2015-04-21 | 2015-09-23 | 南通微能节能科技有限公司 | 基于虚拟融合技术的建筑能耗分项计量系统及方法 |
Non-Patent Citations (5)
Title |
---|
DONGHAIZHU 等: "SPAIS_ A novel Self-checking Pollution Attackers Identification Scheme in network coding-based wireless mesh networks", 《COMPUTERNETWORKS》 * |
PO-YU CHEN 等: "Detection of false data injection attacks in smart-grid systems", 《IEEE COMMUNICATIONS MAGAZINE》 * |
张华赢 等: "基于大数据分析的暂态电能质量综合评估方法", 《南方电网技术》 * |
王以良: "智能电网虚假数据攻击检测及防范研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
霍利民: "基于贝叶斯网络的电力系统可靠性评估", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337626A (zh) * | 2016-12-21 | 2019-10-15 | Abb公司 | 用于检测变电站中的错误数据注入的系统和方法 |
CN110337626B (zh) * | 2016-12-21 | 2021-03-19 | Abb公司 | 用于检测变电站中的错误数据注入的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105467204B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bayram et al. | A stochastic sizing approach for sharing-based energy storage applications | |
Stephen et al. | Incorporating practice theory in sub-profile models for short term aggregated residential load forecasting | |
Ryu et al. | Denoising autoencoder-based missing value imputation for smart meters | |
Yang et al. | Optimal sharing and fair cost allocation of community energy storage | |
Salinas et al. | Privacy-preserving energy theft detection in microgrids: A state estimation approach | |
US7930070B2 (en) | System, method, and module capable of curtailing energy production within congestive grid operating environments | |
Zhu et al. | Intelligent short-term voltage stability assessment via spatial attention rectified RNN learning | |
Chin et al. | Privacy-protecting energy management unit through model-distribution predictive control | |
CN102938742B (zh) | 基于电力业务需求的通信带宽预测方法及装置 | |
Depuru et al. | A hybrid neural network model and encoding technique for enhanced classification of energy consumption data | |
Al-Jarrah et al. | Multi-layered clustering for power consumption profiling in smart grids | |
EP3770619A1 (en) | Degradation estimating device, computer program, and degradation estimating method | |
Liao et al. | Strategic FRTU deployment considering cybersecurity in secondary distribution network | |
Orsi et al. | Smart home energy planning using IoT and the cloud | |
Guo et al. | A novel typical day selection method for the robust planning of stand-alone wind-photovoltaic-diesel-battery microgrid | |
He et al. | Short-term residential load forecasting based on federated learning and load clustering | |
Ji et al. | Probabilistic forecast of real-time LMP via multiparametric programming | |
Kumar et al. | Multi‐objective design of advanced power distribution networks using restricted‐population‐based multi‐objective seeker‐optimisation‐algorithm and fuzzy‐operator | |
Wang et al. | Equilibrium allocation strategy of multiple ESSs considering the economics and restoration capability in DNs | |
CN105529714A (zh) | 基于正态分布组合特征的快速概率潮流计算方法 | |
Wu et al. | Learning-aided framework for storage control facing renewable energy | |
Hong et al. | Robust energy management system with safe reinforcement learning using short-horizon forecasts | |
CN105467204A (zh) | 智能电网中基于假数据识别的用户实际耗电量的检测方法 | |
Mohammadi et al. | Synthetic benchmarks for power systems | |
Khan et al. | Various types of smart grid techniques: a review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180717 Termination date: 20211203 |