CN107808105A - 一种智能电网中基于预测的虚假数据检测方法 - Google Patents

一种智能电网中基于预测的虚假数据检测方法 Download PDF

Info

Publication number
CN107808105A
CN107808105A CN201710971293.1A CN201710971293A CN107808105A CN 107808105 A CN107808105 A CN 107808105A CN 201710971293 A CN201710971293 A CN 201710971293A CN 107808105 A CN107808105 A CN 107808105A
Authority
CN
China
Prior art keywords
data
value
prediction
afr control
afr
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.)
Pending
Application number
CN201710971293.1A
Other languages
English (en)
Inventor
王玉峰
施婉娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710971293.1A priority Critical patent/CN107808105A/zh
Publication of CN107808105A publication Critical patent/CN107808105A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种智能电网中基于预测的虚假数据检测方法。首先检测时间样本k+1处是否有虚假数据，将k+1时间点之前SCADA系统收集的历史数据进行预处理，包括识别并清除异常数据和补足空缺数据；接着根据处理过的观测量得出相应的状态量，并依据状态量的时空相关性，建立一阶向量自回归模型，估计模型的系数矩阵，得到k+1时间点的状态量预测值；最后使用状态量预测值得到观测量预测值并将观测量预测值与观察值做归一化残差，与阀值进行比较，达到检测虚假数据的目的。本发明利用了预测值进行检测，k+1时间点的预测值由k+1时间点之前的数据获得，与k+1时间点的观察值无关，所以在k+1时间点注入攻击，会导致残差值变大超过阀值，能有效检测相关度高的虚假数据。

Description

一种智能电网中基于预测的虚假数据检测方法
技术领域
本发明涉及一种智能电网中基于预测的虚假数据检测方法，属于电力系统安全领域。
背景技术
电力是文明的命脉，智能电网的最新进展可以显着提高电网的效率和可靠性。电力系统是一个复杂的系统，通过大型地理区域的输电和配电网络将发电机连接到消费者身上。然而，电网的安全可靠性并不总能得到保证，故障不管对电力生产者还是消费者来说都有着重大影响，会导致巨大的经济损失。系统监控对于确保电网的可靠运行是必要的，通过分析仪表测量和电力系统模型来最佳地估计电网状态，从而监控系统。然而获取的仪表测量也并不总是正确的，仪表损坏、恶意攻击等都可能引入污染值，目前已经开发了各种技术来检测和识别虚假数据，包括任意的非随机原因引入的虚假数据。
在虚假数据的检测中，需要关注的重点是恶意注入的数据的检测。由于恶意注入的数据相关度高，所以不能被现有的检测系统识别。本发明利用了预测值，能很好的解决这个问题。
发明内容
本发明提供了一种智能电网中基于预测的虚假数据检测方法，该方法包括三个部分，首先是数据预处理，将SCADA(Supervisory Control And Data Acquisition)系统通过传感器直接收集的历史数据进行预处理，包括识别并清除异常数据和补足空缺数据；然后是数据预测，根据处理过的观测量得出相应的状态量，并依据状态量的时空相关性，建立一阶向量自回归模型，从而预测未来时刻的数据值；最后是数据检测，将得到的观测量预测值与观测量观察值做归一化残差，与阀值进行比较。本方案利用了预测值进行检测，由于时间样本k+1处的预测值没有用到该时间点的观察值，故在时间k+1处注入攻击会导致残差变大，攻击被系统检测到。
为实现上述目的，本发明采用的技术方案包含以下步骤：
步骤1：对SCADA系统收集的历史数据进行预处理，首先用与均值比较的方式识别异常数据，将异常数据看作空缺数据处理，然后使用线性插补法填充空缺数据；
步骤2：使用加权最小二乘估计法通过预处理的测量数据求出状态量数据，根据多变量时间序列和短期预测的特性建立状态量的一阶向量自回归模型，求模型的系数矩阵，从而得到状态序列预测值；
步骤3：利用状态量预测值计算观测量预测值并与观测量观察值做归一化残差，与阀值进行比较，从而进行虚假数据的检测。
进一步，上述步骤1对数据的预处理的具体流程如下：
步骤1-1：异常数据的处理：预测k+1时间点的值需要Zk-M+1,Zk-M+2,…,Zk共计M个历史时间样本，该M个序列的值是SCADA系统收集到的测量值，记{Z}＝[Zk-M+1,Zk-M+2,…,Zk]，Zi是多变量时间序列，i＝k-M+1,k-M+2,…,k，是序列Zi的第j个变量，代表第i个时间样本第j个传感器的数据，j＝1,2,…,m，m为传感器总数，令得到的Z0为序列均值，如果或者其中为均值Z0的第j项，则认为是异常数据，清除并视为空缺数据进行处理；
步骤1-2：空缺数据的处理分为：首端和末端空缺数据的补全、中间单个空缺数据的补全和中间多个空缺数据的补全：
步骤1-2-1：对于首端和末端空缺数据的补全，即时间序列{Z}＝[Φk-M+1,Zk-M+2,…,Zk-1,Φk]，这里Φk-M+1和Φk为空缺数据，Φk-M+1可按右邻的级比生成，Φk可按左邻的级比生成，级比相邻时间点的级比可以认为是相同的，所以首端数据 末端数据
步骤1-2-2：对于中间单个空缺数据的补全，即时间序列{Z}＝[Zk-M+1,Zk-M+2,…,Zp-1,Φp,Zp+1,…,Zk]，其中Φp为空缺数据，该时间序列被认为是近似平稳的，采用线性插补法进行填充，则
步骤1-2-3：对于中间多个空缺数据的补全，即时间序列其中为空缺数据,若d为奇数，则所有空缺数据的中间值之前的空缺数据为之后的空缺数据为其中l＝1,3,5…；若d为偶数，则空缺数据的中间值 之前的数据为 之后的数据为其中l为1开始的奇数。
进一步，上述步骤2的具体过程如下：
步骤2-1：电力网络的直流模型可以表示为Z＝Hx+v，其中Z是测量向量，具体就是节点和支路中的有功功率；H是电网固有的拓扑结构，是m*n维矩阵，n是状态变量总数；x是状态向量，表示的是节点的电压相位角；v是均值为0、协方差矩阵为R的高斯测量噪声向量，对于每一个历史序列Zi，采用加权最小二乘估计法估计状态向量，最小化误差的加权平方和，得出状态估计值的近似解为R-1×Zi，从而将测量值序列[Zk-M+1,Zk-M+2,…,Zk]转化为状态值序列
步骤2-2：根据多变量时间序列的特性建立状态量的向量自回归模型并考虑一步预测，则 是k+1时间点的预测序列，Ak为系数矩阵，εk+1是模型误差，系数矩阵Ak的值由这M个序列估计，在长度为M的窗内，系数矩阵固定，即令则Xk,k-M+2＝AkXk-1,k-M+1+e，利用最小二乘法，最小化模型误差平方和，得出
进一步，上述步骤3具体包括以下步骤：求测量预测值令测量残差s＝1,2,…,m，rk+1的协方差矩阵 其中是的预测误差协方差矩阵， 是模型的误差协方差矩阵，是k时间点的估计误差协方差矩阵，归一化测量残差rN(s)＝|rk+1(s)|/σN(s)，其中如果rN(s)大于阀值γ，则认为存在虚假数据，把虚假数据用相应的预测值替代；如果rN(s)小于阀值γ，则认为无虚假数据。
与现有技术相比，本发明具有以下有益效果：
1.本发明对传感网络中直接收集的历史数据进行了预处理，提高了历史数据的质量；建立向量自回归模型，很好的考虑了状态时间序列的时空相关性，使得之后的预测值更精确。
2.对于精心设计的恶意攻击，由于其数据相关度很高，所以现用的虚假数据检测系统不能很好的进行检测。本发明使用预测值检测虚假数据，由于预测值是通过历史数据得出的，与k+1时间点的观察值无关，所以能有效的检测相关度高的虚假数据。
附图说明
图1为本发明的方案实施流程图。
图2为本发明的实施场景示意图。
图3为本发明的整体流程图。
具体实施方式
以下结合说明书附图对本发明做进一步的详细说明。
本发明首先检测时间样本k+1处是否有虚假数据，将k+1时间点之前SCADA系统收集的历史数据进行预处理，包括识别并清除异常数据和补足空缺数据；接着根据处理过的观测量得出相应的状态量，并依据状态量的时空相关性，建立一阶向量自回归模型，估计模型的系数矩阵，得到k+1时间点的状态量预测值；最后使用状态量预测值得到观测量预测值并将观测量预测值与观察值做归一化残差，与阀值进行比较，达到检测虚假数据的目的，本发明的整体流程图如图3所示。
如图1所示，在数据预处理结束之后，需要利用处理完的历史数据进行k+1时间点数据的预测，得到预测值之后利用预测值与k+1时间点观察值无关的特性进行虚假数据的检测。图2为实施场景的示意图，电力系统采集的数据由传感器网络获得，会存在缺失，所以首先要进行数据的预处理。
基于预测的虚假数据检测方法的运作流程如下：
步骤1：对SCADA系统收集的历史数据进行预处理，首先用与均值比较的方式识别异常数据，将异常数据看作空缺数据处理，然后使用线性插补法填充空缺数据。
步骤1-1：异常数据的处理：预测k+1时间点的值需要Zk-M+1,Zk-M+2,…,Zk这M个历史时间样本，这M个序列的值是SCADA系统收集到的测量值。记{Z}＝[Zk-M+1,Zk-M+2,…,Zk]，Zi是多变量时间序列，i＝k-M+1,k-M+2,…,k，是序列Zi的第j个变量，代表第i个时间样本第j个传感器的数据，j＝1,2,…,m，m为传感器总数。令得到的Z0为序列均值。如果 或者其中为均值Z0的第j项，则认为是异常数据，清除并视为空缺数据进行处理。
步骤1-2：空缺数据的处理分为：首端和末端空缺数据的补全、中间单个空缺数据的补全和中间多个空缺数据的补全。
步骤1-2-1：对于首端和末端空缺数据的补全，即时间序列{Z}＝[Φk-M+1,Zk-M+2,…,Zk-1,Φk]，这里Φk-M+1和Φk为空缺数据，Φk-M+1可按右邻的级比生成，Φk可按左邻的级比生成。级比相邻时间点的级比可以认为是相同的，所以首端数据 末端数据
步骤1-2-2：对于中间单个空缺数据的补全，即时间序列{Z}＝[Zk-M+1,Zk-M+2,…,Zp-1,Φp,Zp+1,…,Zk]，其中Φp为空缺数据，该时间序列被认为是近似平稳的，采用线性插补法进行填充，则
步骤1-2-3：对于中间多个空缺数据的补全，即时间序列其中为空缺数据。若d为奇数，则所有空缺数据的中间值之前的空缺数据为 之后的空缺数据为其中l＝1,3,5…；若d为偶数，则空缺数据的中间值 之前的数据为 之后的数据为其中l＝1,3,5…。
步骤2：使用加权最小二乘估计法通过预处理的测量数据求出状态量数据，根据多变量时间序列和短期预测的特性建立状态量的一阶向量自回归模型，求模型的系数矩阵，从而得到状态序列预测值。
步骤2-1：电力网络的直流模型可以表示为Z＝Hx+v，其中Z是测量向量，具体就是节点和支路中的有功功率；H是电网固有的拓扑结构，是m*n维矩阵，n是状态变量总数；x是状态向量，表示的是节点的电压相位角；v是均值为0、协方差矩阵为R的高斯测量噪声向量。对于每一个历史序列Zi，采用加权最小二乘估计法估计状态向量，最小化误差的加权平方和，得出状态估计值的近似解为 从而将测量值序列[Zk-M+1,Zk-M+2,…,Zk]转化为状态值序列
步骤2-2：根据多变量时间序列的特性建立状态量的向量自回归模型并考虑一步预测，则 是k+1时间点的预测序列，Ak为系数矩阵，εk+1是模型误差。系数矩阵Ak的值由这M个序列估计，在长度为M的窗内，系数矩阵固定，即令则Xk,k-M+2＝AkXk-1,k-M+1+e，利用最小二乘法，最小化模型误差平方和，得出
步骤3：利用状态量预测值计算观测量预测值并与观测量观察值做归一化残差，与阀值进行比较，从而进行虚假数据的检测。先求测量预测值令测量残差s＝1,2,…,m，rk+1的协方差矩阵 其中是的预测误差协方差矩阵， 是模型的误差协方差矩阵，是k时间点的估计误差协方差矩阵。归一化测量残差rN(s)＝|rk+1(s)|/σN(s)，其中如果rN(s)大于阀值γ，则认为存在虚假数据，把虚假数据用相应的预测值替代；如果rN(s)小于阀值γ，则认为无虚假数据。

Claims (4)

1.一种智能电网中基于预测的虚假数据检测方法，其特征在于，所述方法包括如下步骤：
步骤1：对SCADA系统收集的历史数据进行预处理，首先用与均值比较的方式识别异常数据，将异常数据看作空缺数据处理，然后使用线性插补法填充空缺数据；
步骤2：使用加权最小二乘估计法通过预处理的测量数据求出状态量数据，根据多变量时间序列和短期预测的特性建立状态量的一阶向量自回归模型，求模型的系数矩阵，从而得到状态序列预测值；
步骤3：利用状态量预测值计算观测量预测值并与观测量观察值做归一化残差，与阀值进行比较，从而进行虚假数据的检测。
2.根据权利要求1所述的一种智能电网中基于预测的虚假数据检测方法，其特征在于，所述步骤1对数据的预处理的具体流程如下：
步骤1-1：异常数据的处理：预测k+1时间点的值需要Zk-M+1,Zk-M+2,…,Zk共计M个历史时间样本，该M个序列的值是SCADA系统收集到的测量值，记{Z}＝[Zk-M+1,Zk-M+2,…,Zk]，Zi是多变量时间序列，i＝k-M+1,k-M+2,…,k，是序列Zi的第j个变量，代表第i个时间样本第j个传感器的数据，j＝1,2,…,m，m为传感器总数，令得到的Z0为序列均值，如果或者其中为均值Z0的第j项，则认为是异常数据，清除并视为空缺数据进行处理；
步骤1-2：空缺数据的处理分为：首端和末端空缺数据的补全、中间单个空缺数据的补全和中间多个空缺数据的补全：
步骤1-2-1：对于首端和末端空缺数据的补全，即时间序列{Z}＝[Φk-M+1,Zk-M+2,…,Zk-1,Φk]，这里Φk-M+1和Φk为空缺数据，Φk-M+1可按右邻的级比生成，Φk可按左邻的级比生成，级比相邻时间点的级比可以认为是相同的，所以首端数据末端数据
步骤1-2-2：对于中间单个空缺数据的补全，即时间序列{Z}＝[Zk-M+1,Zk-M+2,…,Zp-1,Φp,Zp+1,…,Zk]，其中Φp为空缺数据，该时间序列被认为是近似平稳的，采用线性插补法进行填充，则
步骤1-2-3：对于中间多个空缺数据的补全，即时间序列其中为空缺数据,若d为奇数，则所有空缺数据的中间值 之前的空缺数据为 之后的空缺数据为 其中l＝1,3,5…；若d为偶数，则空缺数据的中间值 之前的数据为 之后的数据为 其中l为1开始的奇数。
3.根据权利要求1所述的一种智能电网中基于预测的虚假数据检测方法，其特征在于，所述步骤2的具体过程如下：
步骤2-1：电力网络的直流模型可以表示为Z＝Hx+v，其中Z是测量向量，具体就是节点和支路中的有功功率；H是电网固有的拓扑结构，是m*n维矩阵，n是状态变量总数；x是状态向量，表示的是节点的电压相位角；v是均值为0、协方差矩阵为R的高斯测量噪声向量，对于每一个历史序列Zi，采用加权最小二乘估计法估计状态向量，最小化误差的加权平方和，得出状态估计值的近似解为从而将测量值序列[Zk-M+1,Zk-M+2,…,Zk]转化为状态值序列
步骤2-2：根据多变量时间序列的特性建立状态量的向量自回归模型并考虑一步预测，则 是k+1时间点的预测序列，Ak为系数矩阵，εk+1是模型误差，系数矩阵Ak的值由这M个序列估计，在长度为M的窗内，系数矩阵固定，即令则Xk,k-M+2＝AkXk-1,k-M+1+e，利用最小二乘法，最小化模型误差平方和，得出
4.根据权利要求1所述的一种智能电网中基于预测的虚假数据检测方法，其特征在于，所述步骤3具体包括以下步骤：求测量预测值令测量残差 s＝1,2,…,m，rk+1的协方差矩阵其中是的预测误差协方差矩阵， 是模型的误差协方差矩阵，是k时间点的估计误差协方差矩阵，归一化测量残差rN(s)＝|rk+1(s)|/σN(s)，其中 如果rN(s)大于阀值γ，则认为存在虚假数据，把虚假数据用相应的预测值替代；如果rN(s)小于阀值γ，则认为无虚假数据。
CN201710971293.1A 2017-10-18 2017-10-18 一种智能电网中基于预测的虚假数据检测方法 Pending CN107808105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710971293.1A CN107808105A (zh) 2017-10-18 2017-10-18 一种智能电网中基于预测的虚假数据检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710971293.1A CN107808105A (zh) 2017-10-18 2017-10-18 一种智能电网中基于预测的虚假数据检测方法

Publications (1)

Publication Number Publication Date
CN107808105A true CN107808105A (zh) 2018-03-16

Family

ID=61585168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710971293.1A Pending CN107808105A (zh) 2017-10-18 2017-10-18 一种智能电网中基于预测的虚假数据检测方法

Country Status (1)

Country Link
CN (1) CN107808105A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803565A (zh) * 2018-06-05 2018-11-13 北京科技大学 一种工控系统隐蔽攻击实时检测方法及装置
CN109587145A (zh) * 2018-12-11 2019-04-05 长沙理工大学 一种电力网络中的虚假数据入侵检测方法、装置及设备
CN109683029A (zh) * 2018-12-29 2019-04-26 云南电网有限责任公司电力科学研究院 一种计量自动化系统的异常值识别方法
CN110008080A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 基于时间序列的业务指标异常检测方法、装置和电子设备
CN110035090A (zh) * 2019-05-10 2019-07-19 燕山大学 一种智能电网虚假数据注入攻击检测方法
CN111507412A (zh) * 2020-04-20 2020-08-07 南京工程学院 一种基于历史数据辅助场景分析的电压缺失值填补方法
CN113297194A (zh) * 2021-06-22 2021-08-24 华北电力大学 一种电动汽车聚合商备用容量虚假数据识别与清洗的方法
CN113657644A (zh) * 2021-07-09 2021-11-16 南京邮电大学 智能电网中虚假数据检测方法、装置、设备及存储介质
CN113886765A (zh) * 2021-09-30 2022-01-04 广东电网有限责任公司 错误数据注入攻击的检测方法及装置
CN114997346A (zh) * 2022-08-08 2022-09-02 广东电网有限责任公司佛山供电局 一种虚假数据的识别方法及装置
CN117092255A (zh) * 2023-10-19 2023-11-21 广州恒广复合材料有限公司 一种洗护组合物中季铵盐质量检测分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033523A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法
CN104573510A (zh) * 2015-02-06 2015-04-29 西南科技大学 一种智能电网恶意数据注入攻击及检测方法
CN104714537A (zh) * 2015-01-10 2015-06-17 浙江大学 一种基于联合相对变化分析和自回归模型的故障预测方法
CN105447596A (zh) * 2015-11-19 2016-03-30 国网河南省电力公司电力科学研究院 一种优化的电力数据短期预测方法
CN105759719A (zh) * 2016-04-20 2016-07-13 合肥工业大学 一种基于无偏估计拆分模型的数控机床热误差预测方法及系统
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033523A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法
CN104714537A (zh) * 2015-01-10 2015-06-17 浙江大学 一种基于联合相对变化分析和自回归模型的故障预测方法
CN104573510A (zh) * 2015-02-06 2015-04-29 西南科技大学 一种智能电网恶意数据注入攻击及检测方法
CN105447596A (zh) * 2015-11-19 2016-03-30 国网河南省电力公司电力科学研究院 一种优化的电力数据短期预测方法
CN105759719A (zh) * 2016-04-20 2016-07-13 合肥工业大学 一种基于无偏估计拆分模型的数控机床热误差预测方法及系统
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803565A (zh) * 2018-06-05 2018-11-13 北京科技大学 一种工控系统隐蔽攻击实时检测方法及装置
CN109587145B (zh) * 2018-12-11 2021-03-09 长沙理工大学 一种电力网络中的虚假数据入侵检测方法、装置及设备
CN109587145A (zh) * 2018-12-11 2019-04-05 长沙理工大学 一种电力网络中的虚假数据入侵检测方法、装置及设备
CN110008080A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 基于时间序列的业务指标异常检测方法、装置和电子设备
CN110008080B (zh) * 2018-12-25 2023-08-11 创新先进技术有限公司 基于时间序列的业务指标异常检测方法、装置和电子设备
CN109683029A (zh) * 2018-12-29 2019-04-26 云南电网有限责任公司电力科学研究院 一种计量自动化系统的异常值识别方法
CN110035090A (zh) * 2019-05-10 2019-07-19 燕山大学 一种智能电网虚假数据注入攻击检测方法
CN111507412B (zh) * 2020-04-20 2021-02-19 南京工程学院 一种基于历史数据辅助场景分析的电压缺失值填补方法
CN111507412A (zh) * 2020-04-20 2020-08-07 南京工程学院 一种基于历史数据辅助场景分析的电压缺失值填补方法
CN113297194A (zh) * 2021-06-22 2021-08-24 华北电力大学 一种电动汽车聚合商备用容量虚假数据识别与清洗的方法
CN113297194B (zh) * 2021-06-22 2023-09-05 华北电力大学 一种电动汽车聚合商备用容量虚假数据识别与清洗的方法
CN113657644A (zh) * 2021-07-09 2021-11-16 南京邮电大学 智能电网中虚假数据检测方法、装置、设备及存储介质
CN113657644B (zh) * 2021-07-09 2024-02-23 南京邮电大学 智能电网中虚假数据检测方法、装置、设备及存储介质
CN113886765A (zh) * 2021-09-30 2022-01-04 广东电网有限责任公司 错误数据注入攻击的检测方法及装置
CN113886765B (zh) * 2021-09-30 2023-09-29 广东电网有限责任公司 错误数据注入攻击的检测方法及装置
CN114997346A (zh) * 2022-08-08 2022-09-02 广东电网有限责任公司佛山供电局 一种虚假数据的识别方法及装置
CN117092255A (zh) * 2023-10-19 2023-11-21 广州恒广复合材料有限公司 一种洗护组合物中季铵盐质量检测分析方法及装置

Similar Documents

Publication Publication Date Title
CN107808105A (zh) 一种智能电网中基于预测的虚假数据检测方法
CN108429254B (zh) 一种非侵入式用电负荷识别方法
CN110035090B (zh) 一种智能电网虚假数据注入攻击检测方法
CN109034191B (zh) 基于elm的单维遥测数据异常判读方法
CN110659693B (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及介质
CN111064180B (zh) 基于ami潮流匹配的中压配电网拓扑检测与辨识方法
CN103778305B (zh) 基于k‑VNN和LS‑SVM的输电线路覆冰建模方法
CN112836720B (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN113641723B (zh) 一种基于线路阻抗参数估计的窃电预测方法
CN106127047A (zh) 一种基于延森‑香农距离的电力系统恶意数据检测方法
CN110412417B (zh) 基于智能电力监测仪表的微电网数据故障诊断方法
Lu et al. False data injection attacks detection on power systems with convolutional neural network
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN114386331A (zh) 基于多智能体宽大强化学习的电力安全经济调度方法
CN113191485A (zh) 一种基于narx神经网络的电力信息网络安全检测系统及方法
Deng et al. Real-time detection of false data injection attacks based on load forecasting in smart grid
CN108761258A (zh) 基于人工智能和大数据技术的变压器短期过载能力评估系统
CN115293244B (zh) 一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法
Khanam et al. State Estimation of Smart Power Grid: A Literature Survey
Fang et al. The study of spacecraft telemetry data prediction based-on SERTS model
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统
CN108983045A (zh) 一种被动式孤岛检测方法
Wu et al. Adaptive Distributed Graph Model for Multiple-Line Outage Identification in Large-Scale Power System
CN115935262B (zh) 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质
Wu et al. A deep recognition network of capacitor voltage transformer based on dilated convolution and Bi-LSTM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180316

RJ01 Rejection of invention patent application after publication