CN110011879A - 一种基于并行滤波的传感器网络安全实时在线监测系统 - Google Patents
一种基于并行滤波的传感器网络安全实时在线监测系统 Download PDFInfo
- Publication number
- CN110011879A CN110011879A CN201910352336.7A CN201910352336A CN110011879A CN 110011879 A CN110011879 A CN 110011879A CN 201910352336 A CN201910352336 A CN 201910352336A CN 110011879 A CN110011879 A CN 110011879A
- Authority
- CN
- China
- Prior art keywords
- data
- network security
- monitoring system
- failure
- real time
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于并行滤波的传感器网络安全实时在线监测系统,利用并行的无迹卡尔曼滤波器对各仪表所测功率值真值进行实时估计,当网络发生故障时,即发生系统运行故障,仪器仪表故障或网络攻击时,两滤波器间即产生偏差,利用以KL散度为指标的广义CUSUM检测方法累计此偏差,得出系统整体以及各个仪器仪表故障检测的决策统计量,当决策统计量超过预定义阈值时,即给出报警信息,表明故障发生。本发明所提监测系统从传感器数据角度出发对电力信息物理系统的异常状况进行有效的监测,系统具有较强的嵌入性、实时性与稳定性,方便在原有系统上开发,保证了电力系统的安全经济运行。
Description
技术领域
本发明涉及电力系统自动化技术领域,尤其涉及一种基于并行滤波的传感器网络安全实时在线监测系统。
背景技术
在物联网时代的背景下,电力系统正朝着信息系统与物理系统高度融合的方向发展,逐渐形成了将计算、通信以及控制技术深度融合的新一代电力信息物理融合系统。不断提高的自动化水平以及日益复杂的信息交互机理,使得系统的稳定运行对信息数据的依赖性逐渐增强,且信息系统与物理系统的故障均可以相互传递,因此,给网络安全的保障带来了新的挑战。
目前,电力系统中广泛采用的量测系统为基于具备遥测、遥信、遥控、遥调等四遥功能的远动终端的数据监控及采集系统,系统在电力器件故障、传感器失灵或发生网络攻击等情况下,必然会导致故障数据的产生,进而在信息交互与反馈作用的机理下使故障大范围传播。其中,在众多故障类型中以网络攻击的威胁最大,因为它大多是出于政治或经济的目的,且攻击的形式任意,当攻击者具备一定此电力系统的先验知识时,可获取权限并制定精确的攻击策略,即通过注入可躲避现有检测机制的针对性的虚假数据,影响电力系统的稳定经济运行。
针对上述故障的检测,现有技术中包含基于保护的方法与基于检测的方法。其中,基于保护的方法会影响信息传输的实时性,降低量测数据的冗余度,成本较高,且并不能保证一直有效;基于检测的方法一般都采用简化的直流潮流模型,利用最小二乘或线性卡尔曼滤波方法进行系统状估计,通过离群点或基于对数似然比的CUSUM检测方法进行变点检测,而实际电力系统为复杂的非线性系统,现有的基于直流潮流模型设计的检测算法暴露出许多不足之处,如实际系统模型的简化困难问题,系统状态估计误差大的问题等,而现有的基于交流潮流模型设计的检测算法还较少,且较难实现故障的实时在线监测,而随着系统故障表现形式的复杂化,需要一种更具有一般性的基于交流潮流模型设计的尽可能完备的故障实时在线监测机制。
发明内容
针对上述技术问题,本发明的目的在于提供一种基于并行滤波的传感器网络安全实时在线监测系统,适用于不同拓扑结构的电力系统,同时能提供尽可能优良的故障检测性能,提高检测的精度与速度,降低故障的误报率,保证电力系统的稳定经济运行。
为实现上述目的,本发明是根据以下技术方案实现的:
一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:包括信息物理系统以及嵌入的安全监测系统;所述安全监测系统包括数据传输机构与网络安全监测中心,所述数据传输机构用于将信息物理系统状态数据传输至安全监测系统,通过本地数据包直接调用的方式建立本地网络安全监测中心,或者通过移动通信网络﹑云端服务器与自组无线网络实现远端网络安全监测中心,所述网络安全监测中心实现网络安全监测,其实现步骤包括:
(1)确定当前电力信息物理系统各总线间的网络拓扑结构以及测量仪表的节点位置,所述测量仪表测量总线上的注入功率与总线间的流动功率;
(2)选定当前电力信息物理系统模型,确定系统的过程方程与量测方程以及初始化参数;
(3)设计并行滤波器,使得系统发生故障时,两滤波器之间发生偏离;
(4)利用以KL散度为指标的广义CUSUM检测方法累计系统故障时的两滤波器偏差,得到系统整体以及各个测量仪表故障检测的决策统计量;
(5)实时地将所得决策统计量与预定义阈值进行比较,超出阈值即视为故障发生,给出报警信息;
(6)当发生报警时,检测各个测量仪表的故障检测决策统计量,数值越大者,故障越严重。
上述技术方案中,所述信息物理系统模型选择交流潮流模型。
上述技术方案中,所述滤波器采用无迹卡尔曼滤波器,对系统真实状态数据进行实时估计。
上述技术方案中,所述并行滤波器的其中一个滤波器在零假设条件下设计,不考虑系统故障对状态的影响,另一个滤波器在备择假设条件下设计,将故障数据考虑为加性的恶性数据,并采用极大似然估计对此数据进行实时的估计。
上述技术方案中,所述广义CUSUM检测方法得到的决策统计量单调非减,对故障因素进行累加。
上述技术方案中,所述安全监测系统的程序直接嵌入在数据采集与控制中心中并直接调用系统状态数据数据包,或者通过移动通信网络或自组无线通信网络将系统状态数据传输至远端网络安全监测中心实现远程的实时监测,其中数据传输时间小于数据采样时间与程序执行周期的差值。
本发明与现有技术相比,具有如下优点:
本发明提供的一种基于并行滤波的传感器网络安全实时在线监测系统的嵌入性较强,方便在原有的电力信息物理系统中进行开发,所述安全监测方法基于交流潮流模型设计,充分利用了无迹卡尔曼滤波相比于线性卡尔曼滤波以及粒子滤波估计精度高,运算速度快的优点,并结合了KL散度在计算不同状态分布间差异的优势,再通过CUSUM检测方法对每一时刻差异的累积,使得本发明所提供的安全监测机制对故障数据的检测范围较大,对电力器件故障、传感器失灵引起的量测数据分布差异或因网络攻击导致的量测数据小范围扰动等均有一定的检测效果,保证了电力系统的稳定经济运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的检测系统组成框图;
图2为本发明的故障检测算法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明提供的一种基于并行滤波的传感器网络安全实时在线监测系统的组成框图如图1所示;包括信息物理系统与嵌入的安全监测系统;安全监测系统包括数据传输机构与网络安全监测中心;数据传输机构用于将信息物理系统状态数据传输至安全监测系统,通过本地数据包直接调用的方式建立本地网络安全监测中心,或通过移动通信网络、云端服务器与自组无线网络实现远端网络安全监测中心。网络安全监测中心监测机制流程图如图2所述,其步骤如下:所述网络安全监测中心实现网络安全监测,其实现步骤包括:
(1)确定当前电力信息物理系统各总线间的网络拓扑结构以及测量仪表的节点位置,所述测量仪表测量总线上的注入功率与总线间的流动功率;
(2)选定当前电力信息物理系统模型,确定系统的过程方程与量测方程以及初始化参数;
(3)设计并行滤波器,使得系统发生故障时,两滤波器之间发生偏离;
(4)利用以KL散度为指标的广义CUSUM检测方法累计系统故障时的两滤波器偏差,得到系统整体以及各个测量仪表故障检测的决策统计量;
(5)实时地将所得决策统计量与预定义阈值进行比较,超出阈值即视为故障发生,给出报警信息;
(6)当发生报警时,检测各个测量仪表的故障检测决策统计量,数值越大者,故障越严重。
具体地,根据本发明的一个具体实施例,本发明中实现网络安全监测的步骤如下:
获取当前电力信息物理系统的先验信息,尤其是系统的网络拓扑结构以及远动终端量测节点的位置信息;所述网络拓扑结构如图1对应位置所示,描述了供电总线编号与总线间的连接关系;所述远动终端量测节点的位置由实心的圆与方块表示。
将供电网络总线电压与相角作为系统的状态数据,总线间的流动功率与总线上的注入功率作为系统的量测数据,量测节点分别如网络拓扑中的实心圆与方块所示,在系统稳态时,对各节点功率值进行测量并分别取均值,并利用均值计算此时的系统状态数据。
根据获得的网络拓扑结构信息,确定供电系统具体的交流潮流模型数学表达式如下:
总线上注入的有功与无功功率表示为:
总线间流动的有功与无功功率表示为:
Pij=Vi2(gsi+gij)-ViVj(gijcosθij+bijsinθij)
Qij=-Vi 2(bsi+bij)-ViVj(gijsinθij-bijcosθij)
其中,Gij+jBij为总线间的线路导纳;gsi+jbsi为总线并联支路导纳,θij=θi-θj为总线间电压的相角差,Ωi为与总线i相连接的总线的集合。
将系统写成状态空间表达式的形式为:
Xk=AXk-1+ωk-1
Yk=H(Xk)+vk
其中,状态选取于系统稳态时刻,状态转移矩阵A选为单位阵;H()为上述多个非线性量测表达式所组成的非线性函数向量;ωk与vk分别为系统过程噪声与量测噪声,其分布特性考虑为高斯白噪声;此外,系统状态与量测初值也均选为上述步骤所述的系统稳态时刻的均值。
基于供电系统的状态空间表达式,对系统故障进行数学描述如下:
Yk=H(Xk)+αk+vk
其中,ak为未知的加性故障数据向量,维数与系统量测向量相同,在ak中与未发生故障的仪表相对应的元素为0。
分别根据如下假设条件设计并行滤波器,使得系统发生故障时,两滤波器之间发生偏离;
假设1:对应于图2中的滤波器1,
假设2,对应于图2中的滤波器2,
其中,hj()表示向量H()中的第j行;为系统量测噪声的方差;τ为故障发生时刻;为发生故障的仪表的集合,m为量测向量维数,上标f与0分别表示假设1与假设2。
设计的并行无迹卡尔曼滤波器如下:
首先,对状态估计误差协方差矩阵进行cholesky分解,并分别构造两假设下的sigma点集如下:
其中,计算均值与方差所对应权值分别为:
其中,η=α2(n+λ)-n,λ为常数,α表示sigma点与与其中心点间的距离,取值范围为0.0001至1,β也为常数,用于融合状态的先验信息,对于高斯分布,其取值为2时最优。
接着,所构造的sigma点集经过过程方程的传递,得到传递后的sigma 点集如下:
χi,k/k-1=Aχi,k-1/k-1 i=0,1,2,...,2n
将得到的sigma点集进行加权得到状态预测值如下:
所对应状态预测协方差矩阵如下:
接着,再将得到的传递后的sigma点集经过非线性量测方程传递后,得到每个sigma点所对应的量测预测值,通过对其进行加权得到量测值的预测值,具体如下:
所对应的量测值的预测协方差矩阵和状态值与量测值的互协方差矩阵分别为:
最后,进行量测更新,即对状态进行估计,得到更新的状态估计值为:
其中,卡尔曼滤波增益与状态估计协方差矩阵分别更新为:
其中,ei为第i个元素为1,其余元素为0的列向量;Qk与Rk分别为过程噪声与量测噪声协方差矩阵;
利用量测预测误差对未知的加性故障数据进行极大似然估计,结果表示如下:
其中,参数r的选择影响监测系统的检测精度,即r越小,所能检测的数据波动越小,其具体数值的设定要考虑系统状态和量测值的波动情况,以免造成较大的误报率;由于两滤波器采用相同的初始值,因此在无故障发生或量测数据在可接受的小范围内变化时,加性故障数据的估计值为零,此时,两滤波器输出值保持一致;当故障发生引起量测值的变化超出可接受范围时,在不同的滤波机制下,两滤波器的数值必然产生差异。
将供电系统的量测值考虑为高信噪比情况下的高斯分布,即在假设1 下,量测值满足均值为方差为τ2Im的高斯分布pf,在假设2下,量测值满足均值为方差为δ2Im的高斯分布p0,通过KL散度对两滤波器输出数据的差异进行计算,得到如下表达式:
其中,本发明假设量测噪声方差保持一致,即τ2=δ2,因此,上式可以简化为:
基于CUSUM算法对小差异信号进行累积的思想,对上述KL散度值在时间上进行累积,得到单调非减的故障判断决策统计量gk,表示如下:
gk=gk-1+βk
将其与预定于的阈值进行比较,当决策统计量超出阈值时,即认为系统发生故障,给出报警信息。
对于上述检测机制,本发明随机的选取部分量测仪表并人为改变其量测值以模仿系统故障,计总量测时间T=60,当随机选取故障发生时刻τ=51时,发生故障前与发生故障后,所有采样时刻得到的决策统计量依次为:
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,4.2837e+03,6.4777e+03, 2.2445e+04,1.5388e+05,1.9713e+05,2.6114e+05,2.9210e+05,3.3664e +05,3.5565e+05
通过决策统计量可以清晰的看到,当故障发生后,决策统计量发生明显的突变,并以单调非减的趋势迅速增加,并且,实验表明,发生故障的仪表数量越多,数据波动越大,所述监测系统的检测延时越小。
安全监测系统的程序直接嵌入在数据采集与控制中心中并直接调用系统状态数据数据包,或者通过移动通信网络或自组无线通信网络将系统状态数据传输至远端网络安全监测中心实现远程的实时监测,其中数据传输时间小于数据采样时间与程序执行周期的差值。
对于故障数据的定位,具体实现机制如下:
上述步骤得到的系统总体的KL散度可以表示为:
因此,可以对单个仪表所测数据的KL散度进行累计,即:
gj,k=gj,k-1+βj,k
用于判断编号为j的仪表所测节点是否受故障影响,进而通过对所有受影响节点的分析,可确定系统的具体故障位置。此外,考虑到各仪表所测数据中野值的存在会造成所述监测机制具有较高的误报率,当所述仪表的量测精度不高时,对量测数据中的斑点野值进行剔除,这样既可以降低所述监测机制的误报率,又可以提高其对故障的检测精度。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:包括信息物理系统以及嵌入的安全监测系统;所述安全监测系统包括数据传输机构与网络安全监测中心,所述数据传输机构用于将信息物理系统状态数据传输至安全监测系统,通过本地数据包直接调用的方式建立本地网络安全监测中心,或者通过移动通信网络﹑云端服务器与自组无线网络实现远端网络安全监测中心,所述网络安全监测中心实现网络安全监测,其实现步骤包括:
(1)确定当前电力信息物理系统各总线间的网络拓扑结构以及测量仪表的节点位置,所述测量仪表测量总线上的注入功率与总线间的流动功率;
(2)选定当前电力信息物理系统模型,确定系统的过程方程与量测方程以及初始化参数;
(3)设计并行滤波器,使得系统发生故障时,两滤波器之间发生偏离;
(4)利用以KL散度为指标的广义CUSUM检测方法累计系统故障时的两滤波器偏差,得到系统整体以及各个测量仪表故障检测的决策统计量;
(5)实时地将所得决策统计量与预定义阈值进行比较,超出阈值即视为故障发生,给出报警信息;
(6)当发生报警时,检测各个测量仪表的故障检测决策统计量,数值越大者,故障越严重。
2.根据权利要求1所述的一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:所述信息物理系统模型选择交流潮流模型。
3.根据权利要求1所述的一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:所述滤波器采用无迹卡尔曼滤波器,对系统真实状态数据进行实时估计。
4.根据权利要求3所述的一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:所述并行滤波器中的其中一个滤波器在零假设条件下设计,不考虑系统故障对状态的影响,另一个滤波器在备择假设条件下设计,将故障数据考虑为加性的恶性数据,并采用极大似然估计对此数据进行实时的估计。
5.根据权利要求1所述的一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:所述广义CUSUM检测方法得到的决策统计量单调非减,对故障因素进行累加。
6.根据权利要求1所述的一种基于并行滤波的传感器网络安全实时在线监测系统,其特征在于:所述安全监测系统的程序直接嵌入在数据采集与控制中心中并直接调用系统状态数据数据包,或者通过移动通信网络或自组无线通信网络将系统状态数据传输至远端网络安全监测中心实现远程的实时监测,其中数据传输时间小于数据采样时间与程序执行周期的差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910352336.7A CN110011879B (zh) | 2019-04-29 | 2019-04-29 | 一种基于并行滤波的传感器网络安全实时在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910352336.7A CN110011879B (zh) | 2019-04-29 | 2019-04-29 | 一种基于并行滤波的传感器网络安全实时在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110011879A true CN110011879A (zh) | 2019-07-12 |
CN110011879B CN110011879B (zh) | 2021-01-05 |
Family
ID=67174837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910352336.7A Active CN110011879B (zh) | 2019-04-29 | 2019-04-29 | 一种基于并行滤波的传感器网络安全实时在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110011879B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368407A (zh) * | 2020-02-26 | 2020-07-03 | 山东大学 | 一种考虑多层耦合的电力信息物理系统建模方法及系统 |
CN113741372A (zh) * | 2021-09-08 | 2021-12-03 | 南京富岛信息工程有限公司 | 一种降低工业过程控制系统偏差攻击误报的方法 |
CN114088927A (zh) * | 2021-12-02 | 2022-02-25 | 绍兴淼汇能源科技有限公司 | 一种润滑油在线健康监测方法 |
CN114826751A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市永达电子信息股份有限公司 | 一种多目标信息融合的卡尔曼滤波网络防控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102862666A (zh) * | 2011-07-08 | 2013-01-09 | 中国科学院沈阳自动化研究所 | 一种基于自适应ukf的水下机器人状态和参数联合估计方法 |
CN103440418A (zh) * | 2013-08-30 | 2013-12-11 | 中南大学 | 基于自组织卡尔曼滤波的多传感器主动容错估计方法 |
CN103777083A (zh) * | 2014-01-24 | 2014-05-07 | 武汉大学 | 基于卡尔曼频率跟踪的容性设备介损在线监测系统及方法 |
CN105162433A (zh) * | 2015-09-17 | 2015-12-16 | 广西大学 | 一种基波分量的提取方法及装置 |
US20170006394A1 (en) * | 2014-03-19 | 2017-01-05 | Cirrus Logic International Semiconductor Ltd. | Non-linear control of loudspeakers |
CN107025609A (zh) * | 2017-03-16 | 2017-08-08 | 河海大学 | 基于奇异值分解cdkf的电力系统动态状态估计方法 |
CN108092272A (zh) * | 2017-12-18 | 2018-05-29 | 湘潭大学 | 一种基于渐消卡尔曼滤波的电压稳定在线监测方法 |
CN109489987A (zh) * | 2018-10-12 | 2019-03-19 | 南京航空航天大学 | 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法 |
-
2019
- 2019-04-29 CN CN201910352336.7A patent/CN110011879B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102862666A (zh) * | 2011-07-08 | 2013-01-09 | 中国科学院沈阳自动化研究所 | 一种基于自适应ukf的水下机器人状态和参数联合估计方法 |
CN103440418A (zh) * | 2013-08-30 | 2013-12-11 | 中南大学 | 基于自组织卡尔曼滤波的多传感器主动容错估计方法 |
CN103777083A (zh) * | 2014-01-24 | 2014-05-07 | 武汉大学 | 基于卡尔曼频率跟踪的容性设备介损在线监测系统及方法 |
US20170006394A1 (en) * | 2014-03-19 | 2017-01-05 | Cirrus Logic International Semiconductor Ltd. | Non-linear control of loudspeakers |
CN105162433A (zh) * | 2015-09-17 | 2015-12-16 | 广西大学 | 一种基波分量的提取方法及装置 |
CN107025609A (zh) * | 2017-03-16 | 2017-08-08 | 河海大学 | 基于奇异值分解cdkf的电力系统动态状态估计方法 |
CN108092272A (zh) * | 2017-12-18 | 2018-05-29 | 湘潭大学 | 一种基于渐消卡尔曼滤波的电压稳定在线监测方法 |
CN109489987A (zh) * | 2018-10-12 | 2019-03-19 | 南京航空航天大学 | 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法 |
Non-Patent Citations (2)
Title |
---|
JIMMY C.-H. PENG,ET AL.,: ""Parallel computing for smart power oscillation monitoring using synchrophasor measurements"", 《TENCON 2010 - 2010 IEEE REGION 10 CONFERENCE》 * |
赵凯等,: ""无迹卡尔曼滤波的电池荷电状态估计试验研究"", 《汽车工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368407A (zh) * | 2020-02-26 | 2020-07-03 | 山东大学 | 一种考虑多层耦合的电力信息物理系统建模方法及系统 |
CN113741372A (zh) * | 2021-09-08 | 2021-12-03 | 南京富岛信息工程有限公司 | 一种降低工业过程控制系统偏差攻击误报的方法 |
CN113741372B (zh) * | 2021-09-08 | 2023-01-24 | 南京富岛信息工程有限公司 | 一种降低工业过程控制系统偏差攻击误报的方法 |
CN114088927A (zh) * | 2021-12-02 | 2022-02-25 | 绍兴淼汇能源科技有限公司 | 一种润滑油在线健康监测方法 |
CN114826751A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市永达电子信息股份有限公司 | 一种多目标信息融合的卡尔曼滤波网络防控方法 |
CN114826751B (zh) * | 2022-05-05 | 2022-10-28 | 深圳市永达电子信息股份有限公司 | 一种多目标信息融合的卡尔曼滤波网络防控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110011879B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110011879A (zh) | 一种基于并行滤波的传感器网络安全实时在线监测系统 | |
Tariq et al. | Vulnerability assessment of 6G-enabled smart grid cyber–physical systems | |
Xu et al. | Achieving efficient detection against false data injection attacks in smart grid | |
Rahman et al. | False data injection attacks with incomplete information against smart power grids | |
Teixeira et al. | A cyber security study of a SCADA energy management system: Stealthy deception attacks on the state estimator | |
Zeng et al. | A reputation-based secure distributed control methodology in D-NCS | |
CN110633761A (zh) | 一种基于改进卡尔曼滤波的电力系统虚假数据检测方法 | |
Habib et al. | False data injection attack in smart grid cyber physical system: Issues, challenges, and future direction | |
CN107517205B (zh) | 基于概率的智能变电站网络异常流量检测模型构建方法 | |
Drayer et al. | Detection of false data injection attacks in power systems with graph fourier transform | |
Han et al. | Local design of distributed H∞‐consensus filtering over sensor networks under multiplicative noises and deception attacks | |
CN104125112A (zh) | 基于物理-信息模糊推理的智能电网攻击检测方法 | |
Zhou et al. | Real-time detection of cyber-physical false data injection attacks on power systems | |
Shi et al. | PDL: An efficient prediction-based false data injection attack detection and location in smart grid | |
CN106548021A (zh) | 一种基于高维随机矩阵的电子式互感器误差状态评估方法 | |
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 | |
Wang et al. | An accurate false data detection in smart grid based on residual recurrent neural network and adaptive threshold | |
Li et al. | State estimation for distributed cyber-physical power systems under data attacks | |
CN110826888B (zh) | 一种电力系统动态状态估计中数据完整性攻击检测方法 | |
Wang et al. | Physics-guided deep learning for time-series state estimation against false data injection attacks | |
CN113325708B (zh) | 基于异构多智能体的多无人机系统的故障估计方法 | |
He et al. | Detection of false data injection attacks leading to line congestions using Neural networks | |
US11657148B2 (en) | Event analysis in an electric power system | |
Geng et al. | Fault detection for multi‐rate sensor fusion under multiple uncertainties | |
Li et al. | Dynamic load altering attack detection in smart grid based on multiple fading factor adaptive Kalman Filter |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |