CN110765454B - 一种电力系统的运行状态重构方法及终端 - Google Patents

Abstract

本发明公开了一种电力系统的运行状态重构方法及终端，获取原始测量值，对原始测量值进行状态估计，以得到初始状态值；输入原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则重构所述运行状态；本发明利用ELM分类器识别虚假数据注入攻击后的异常状态，从而可以高效识别协同虚假数据，在识别虚假数据方法中，由于ELM的单隐层结构特点，其本身具有速度快、准确度高的特点，从而使得识别的速度更快且准确度更高，之后进行运行状态的重构，以保证电力系统的稳定安全运行。

Description

一种电力系统的运行状态重构方法及终端

技术领域

本发明涉及电力系统恢复与运行控制技术领域，特别涉及一种电力系统的运行状态重构方法及终端。

背景技术

近年来，能源紧张、环境污染等问题日益严重，电力系统正在高速向智能电网方向发展。未来智能电网需要实现信息在电力系统内的双向流动和高效利用，并在此基础上提升对物理系统的感知和控制能力，从而保证整个系统能够灵活、高效、可持续地安全稳定运行。

电力信息物理系统(Cyber-Physical Power System,CPPS)的提出为上述问题的解决提供了有效途径。然而，随着信息系统和物理系统的深度融合，CPPS受到网络攻击的可能性也随之增加。作为网络攻击的典型代表，虚假数据注入攻击(False Data InjectionAttack,FDIA)篡改测量值，确保绕过不良数据检测，同时影响状态估计结果，使控制中心做出错误的控制决策，严重威胁电力系统的安全稳定运行。随着PMU装置(phasormeasurement unit,同步相量测量装置)大量投入运行，测量设备的精度大幅度提高，也增加了虚假数据注入攻击的难度。因此，如何对含有PMU装置的电力系统在FDIA后进行防御恢复，建立一套准确高效实时的虚假数据注入攻击检测方法，维护电力系统的安全稳定运行，成为目前电力系统安全技术领域关注的重点。

目前，电力系统构建虚假数据注入攻击的模型很多，但较少考虑加入PMU装置后的混合模型。从防御的角度，现有的研究对FDIA的检测方法也很多样，例如变分模态分解算法、利用SVM(Support Vector Machine,支持向量机)对虚假数据攻击分类、针对虚假数据注入攻击的双层防御方法等等，而这些检测方法大多适用于不含PMU装置的攻击模型，无法满足现代电力系统检测的需要，也无法保证电力系统的实时稳定运行。不仅如此，传统状态估计无法满足对协同虚假数据的识别，也对电力系统的安全稳定运行造成威胁。

发明内容

本发明所要解决的技术问题是：提供一种电力系统的运行状态重构方法及终端，可以实现对协同虚假数据的识别。

为了解决上述技术问题，本发明采用的技术方案为：

一种电力系统的运行状态重构方法，包括步骤：

S1、获取原始测量值，对所述原始测量值进行状态估计，以得到初始状态值；

S2、输入所述原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构所述运行状态。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种电力系统的运行状态重构终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取原始测量值，对所述原始测量值进行状态估计，以得到初始状态值；

S2、输入所述原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构所述运行状态。

本发明的有益效果在于：一种电力系统的运行状态重构方法及终端，利用ELM分类器识别虚假数据注入攻击后的异常状态，从而可以高效识别协同虚假数据，在识别虚假数据方法中，由于ELM的单隐层结构特点，其本身具有速度快、准确度高的特点，从而使得识别的速度更快且准确度更高，之后进行运行状态的重构，以保证电力系统的稳定安全运行。

附图说明

图1为本发明实施例的一种电力系统的运行状态重构方法的流程示意图；

图2为本发明实施例的一种电力系统的运行状态重构方法的整体概括示意图；

图3为本发明实施例的一种电力系统的运行状态重构方法的整体具体示意图；

图4为本发明实施例的一种电力系统的运行状态重构终端的结构示意图。

标号说明：

1、一种电力系统的运行状态重构终端；2、处理器；3、存储器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1至图3，一种电力系统的运行状态重构方法，包括步骤：

S1、获取原始测量值，对所述原始测量值进行状态估计，以得到初始状态值；

S2、输入所述原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构所述运行状态。

从上述描述可知，本发明的有益效果在于：利用ELM分类器识别虚假数据注入攻击后的异常状态，从而可以高效识别协同虚假数据，在识别虚假数据方法中，由于ELM的单隐层结构特点，其本身具有速度快、准确度高的特点，从而使得识别的速度更快且准确度更高，之后进行运行状态的重构，以保证电力系统的稳定安全运行。

进一步地，所述步骤S2与所述步骤S3之间还包括步骤：

S31、根据已知日负荷曲线以得到预测状态值，使用所述预测状态值替换掉异常的初始状态值，得到已替换状态值，将所述已替换状态值带入h(·)构造出一组已替换测量值，将所述原始测量值与所述已替换测量值一一代入所述第一表达式，得到第一输出值，将所述第一输出值大于设定阈值的原始测量值进行删除，以得到最终测量值，所述第一表达式为：

所述第一表达式中，z_t为t时刻的原始测量值，

为t时刻的已替换测量值，Ω＝R–HG^-1H^T为协方差矩阵，R为原始测量值误差协方差，H为雅可比矩阵，G为基于TWLS的增益矩阵。

从上述描述可知，考虑到基于ELM的异常状态分离方法中存在漏报以及误报的可能性，利用预测状态和实际数据之间的一致性，识别并删除前面未能识别的异常数据，最小化虚假数据注入攻击对电力系统造成的不良影响。

进一步地，所述步骤S3具体为：

S32、通过基于拟牛顿法和Armijo线性搜索的状态重构算法对所述最终测量值进行状态估计，以重构所述运行状态。

从上述描述可知，为了应对删除某些原始测量值使得系统不可观这种情况，我们提出基于拟牛顿法和Armijo线性搜索的状态重构算法，能够确保在不可观系统下依旧可以实现重构后原始测量值的状态估计。

进一步地，得到所述步骤S2中的ELM分类器包括以下步骤：

获取在正常状态下的混合测量值作为正常样本，获取在异常状态下的混合测量值作为攻击样本，得到包括所述正常样本和所述攻击样本的样本集，所述混合测量值包括SCADA测量值以及PMU测量值，所述SCADA测量值包括节点电压幅值、节点功率注入值以及支路功率流，所述PMU测量值包括电压相量以及电流相量；

将所述样本集中超过总样本数目的60％的样本作为训练集，将剩下的样本作为测试集，对每一个ELM都随意选择设定最优范围内的神经元数目和激励函数，取训练集中的80％至95％之间的样本作为单个ELM的训练样本，对所有的ELM进行训练并保存最优训练参数，使用测试集对每一个已训练好的ELM进行测试，以得到测试结果最佳的前N个ELM，所述N≥10；

将N个ELM的输出端连接至多数投票规则的输入端上，以得到ELM分类器，所述ELM分类器的输入端为运行状态下的混合测量值，所述ELM分类器的输出端为所述多数投票规则的输出端。

从上述描述可知，采用组合ELM后，结合多数投票集成规则，降低了偶然性的概率，使得攻击识别具有速度快、准确率高的优点；取训练集中的80％至95％之间的样本作为单个ELM的训练样本，既保证训练样本的多样性，也确保测试集的试验性。

进一步地，所述步骤S31中“根据已知日负荷曲线以得到预测状态值”具体为：

通过已知日负荷曲线对各节点负荷进行预测，所述预测为均值和方差值都为负荷增量的正态分布；

通过潮流分析得到运行状态的预测状态值。

从上述描述可知，能够保证预测状态值的准确性。

请参照图4，一种电力系统的运行状态重构终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取原始测量值，对所述原始测量值进行状态估计，以得到初始状态值；

S2、输入所述原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构所述运行状态。

从上述描述可知，本发明的有益效果在于：利用ELM分类器识别虚假数据注入攻击后的异常状态，从而可以高效识别协同虚假数据，在识别虚假数据方法中，由于ELM的单隐层结构特点，其本身具有速度快、准确度高的特点，从而使得识别的速度更快且准确度更高，之后进行运行状态的重构，以保证电力系统的稳定安全运行。

进一步地，所述步骤S2与所述步骤S3之间，所述处理器执行所述计算机程序时还实现以下步骤：

S31、根据已知日负荷曲线以得到预测状态值，使用所述预测状态值替换掉异常的初始状态值，得到已替换状态值，将所述已替换状态值带入h(·)构造出一组已替换测量值，将所述原始测量值与所述已替换测量值一一代入所述第一表达式，得到第一输出值，将所述第一输出值大于设定阈值的原始测量值进行删除，以得到最终测量值，所述第一表达式为：

所述第一表达式中，z_t为t时刻的原始测量值，

为t时刻的已替换测量值，Ω＝R–HG^-1H^T为协方差矩阵，R为原始测量值误差协方差，H为雅可比矩阵，G为基于TWLS的增益矩阵。

从上述描述可知，考虑到基于ELM的异常状态分离方法中存在漏报以及误报的可能性，利用预测状态和实际数据之间的一致性，识别并删除前面未能识别的异常数据，最小化虚假数据注入攻击对电力系统造成的不良影响。

进一步地，执行所述步骤S3时，所述处理器执行所述计算机程序时具体实现以下步骤：

S32、通过基于拟牛顿法和Armijo线性搜索的状态重构算法对所述最终测量值进行状态估计，以重构所述运行状态。

从上述描述可知，为了应对删除某些原始测量值使得系统不可观这种情况，我们提出基于拟牛顿法和Armijo线性搜索的状态重构算法，能够确保在不可观系统下依旧可以实现重构后原始测量值的状态估计。

进一步地，得到所述步骤S2中的ELM分类器时，所述处理器执行所述计算机程序时还实现以下步骤：

获取在正常状态下的混合测量值作为正常样本，获取在异常状态下的混合测量值作为攻击样本，得到包括所述正常样本和所述攻击样本的样本集，所述混合测量值包括SCADA测量值以及PMU测量值，所述SCADA测量值包括节点电压幅值、节点功率注入值以及支路功率流，所述PMU测量值包括电压相量以及电流相量；

将所述样本集中超过总样本数目的60％的样本作为训练集，将剩下的样本作为测试集，对每一个ELM都随意选择设定最优范围内的神经元数目和激励函数，取训练集中的80％至95％之间的样本作为单个ELM的训练样本，对所有的ELM进行训练并保存最优训练参数，使用测试集对每一个已训练好的ELM进行测试，以得到测试结果最佳的前N个ELM，所述N≥10；

将N个ELM的输出端连接至多数投票规则的输入端上，以得到ELM分类器，所述ELM分类器的输入端为运行状态下的混合测量值，所述ELM分类器的输出端为所述多数投票规则的输出端。

从上述描述可知，采用组合ELM后，结合多数投票集成规则，降低了偶然性的概率，使得攻击识别具有速度快、准确率高的优点；取训练集中的80％至95％之间的样本作为单个ELM的训练样本，既保证训练样本的多样性，也确保测试集的试验性。

进一步地，执行所述步骤S31中“根据已知日负荷曲线以得到预测状态值”时，所述处理器执行所述计算机程序时具体实现以下步骤：

通过已知日负荷曲线对各节点负荷进行预测，所述预测为均值和方差值都为负荷增量的正态分布；

通过潮流分析得到运行状态的预测状态值。

从上述描述可知，能够保证预测状态值的准确性。

请参照图1至图3，本发明的实施例一为：

其中，先对本实施例中的部分英文缩写说明如下：

1、SCADA是Supervisory Control And Data Acquisition的英文缩写，意为数据采集与监视控制，其中SCADA系统是以计算机为基础的DCS与电力自动化监控系统。

2、ELM是Extreme Learning Machine的英文缩写,意为极限学习机或超限学习机，它是一类基于前馈神经网络(Feedforward Neuron Network,FNN)构建的机器学习系统或方法。

3、PMU是Phasor Measurement Unit的英文缩写，意为同步相量测量单元，是利用全球定位系统(GPS)秒脉冲作为同步时钟构成的相量测量单元。

4、Armijo线性搜索是一种非精确性的线性搜索。

5、TWLS：WLS是weighted least squares的英文缩写，意为加权最小二乘法，TWLS意为电力系统最小二乘法状态估计。

一种电力系统的运行状态重构方法，包括步骤：

S1、获取原始测量值，对原始测量值进行状态估计，以得到初始状态值，即对全部的原始测量值进行状态估计，以得到所有的初始状态值；

S2、输入原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构运行状态。

在本实施例中，得到步骤S2中的ELM分类器包括以下步骤：

获取在正常状态下的混合测量值作为正常样本，获取在异常状态下的混合测量值作为攻击样本，得到包括正常样本和攻击样本的样本集，混合测量值包括SCADA测量值以及PMU测量值，SCADA测量值包括节点电压幅值、节点功率注入值以及支路功率流，PMU测量值包括电压相量以及电流相量；

将样本集中超过总样本数目的60％的样本作为训练集，将剩下的样本作为测试集，对每一个ELM都随意选择设定最优范围内的神经元数目和激励函数，取训练集中的80％至95％之间的样本作为单个ELM的训练样本，对所有的ELM进行训练并保存最优训练参数，使用测试集对每一个已训练好的ELM进行测试，以得到测试结果最佳的前N个ELM，N≥10；

将N个ELM的输出端连接至多数投票规则的输入端上，以得到ELM分类器，ELM分类器的输入端为运行状态下的混合测量值，ELM分类器的输出端为多数投票规则的输出端，即初始状态值的判断结果：表示状态异常的-1和表示状态正常的1作为单个ELM的输出，也是整个ELM分类器的输出。

在本实施例中，训练集为总样本数目的75％，测试集为总样本数目的25％，单个ELM的训练样本为训练集的90％，N为200，如图3所示的ELM E即为ELM 200。

其中，本实施例采集的是IEEE 57节点的混合测量值，其中Acc1，Acc2，Acc3，Acc4分别表示分类准确度为90-100％，80-90％，70-80％，70％以下。由此可知，本申请采用的ELM分类器的速度更快且准确率更高。

请参照图1至图3，本发明的实施例二为：

一种电力系统的运行状态重构方法，在上述实施例一的基础上，步骤S2与步骤S3之间还包括步骤：

S31、根据已知日负荷曲线以得到预测状态值，使用预测状态值替换掉异常的初始状态值，得到已替换状态值，将已替换状态值带入h(·)构造出一组已替换测量值，将原始测量值与已替换测量值一一代入第一表达式，得到第一输出值，将第一输出值大于设定阈值的原始测量值进行删除，以得到最终测量值，第一表达式为：

在第一表达式中，z_t为t时刻的原始测量值，

为t时刻的已替换测量值，Ω＝R–HG^-1H^T为协方差矩阵，R为原始测量值误差协方差，H为雅可比矩阵，G为基于TWLS的增益矩阵。

其中，步骤S31中“根据已知日负荷曲线以得到预测状态值”具体为：

通过已知日负荷曲线对各节点负荷进行预测，预测为均值和方差值都为负荷增量的正态分布；

通过潮流分析得到运行状态的预测状态值。

其中，步骤S3具体为：

S32、通过基于拟牛顿法和Armijo线性搜索的状态重构算法对最终测量值进行状态估计，以重构运行状态。最终通过比较重构后状态值与真实状态值的误差、攻击后状态值与真实状态值的误差、攻击前状态值与真实状态值的误差三条曲线可以确认重构后的准确性。

最终电力系统可以通过整个如图2和图3所示的重构机制来保持实时系统的安全稳定运行。

在本实施例中，设定阈值为3，其中异常情况的判定认为如下：运行状态的原始测量值值中幅值和相角的改变量百分比分别大于0.6％和1.6％时为异常状态。

请参照图4，本发明的实施例三为：

一种电力系统的运行状态重构终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器3执行计算机程序时实现上述实施例一的步骤。

请参照图4，本发明的实施例四为：

一种电力系统的运行状态重构终端1，在上述实施例三的基础上，处理器3执行计算机程序时实现上述实施例二的步骤。

综上所述，本发明提供的一种电力系统的运行状态重构方法及终端，利用ELM分类器识别虚假数据注入攻击后的异常状态，从而可以高效识别协同虚假数据，在识别虚假数据方法中，由于ELM的单隐层结构特点，其本身具有速度快、准确度高的特点，采用组合ELM后，结合多数投票集成规则，降低了偶然性的概率，使得攻击识别也具有速度快、准确率高的优点；考虑到基于ELM的异常状态分离方法中存在漏报以及误报的可能性，利用预测状态和实际数据之间的一致性，识别并删除前面未能识别的异常数据，最小化虚假数据注入攻击对电力系统造成的不良影响；之后进行运行状态的重构，以保证电力系统的稳定安全运行；为了应对删除某些原始测量值使得系统不可观这种情况，我们提出基于拟牛顿法和Armijo线性搜索的状态重构算法，能够确保在不可观系统下依旧可以实现重构后原始测量值的状态估计，从而保证系统的实时效果，维持系统的稳定运行，适合应用于电力系统状态重构等场景之中。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种电力系统的运行状态重构方法，其特征在于，包括步骤：

S1、获取原始测量值，对所述原始测量值进行状态估计，以得到初始状态值；

S2、输入所述原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构所述运行状态；

所述步骤S2与所述步骤S3之间还包括步骤：

S31、根据已知日负荷曲线以得到预测状态值，使用所述预测状态值替换掉异常的初始状态值，得到已替换状态值，将所述已替换状态值带入h(·)构造出一组已替换测量值，将所述原始测量值与所述已替换测量值一一代入第一表达式，得到第一输出值，将所述第一输出值大于设定阈值的原始测量值进行删除，以得到最终测量值，所述第一表达式为：

所述第一表达式中，z_t为t时刻的原始测量值，

为t时刻的已替换测量值，Ω＝R–HG^{- 1}H^T为协方差矩阵，R为原始测量值误差协方差，H为雅可比矩阵，G为基于TWLS的增益矩阵。

2.根据权利要求1所述的一种电力系统的运行状态重构方法，其特征在于，所述步骤S3具体为：

S32、通过基于拟牛顿法和Armijo线性搜索的状态重构算法对所述最终测量值进行状态估计，以重构所述运行状态。

3.根据权利要求1至2任一所述的一种电力系统的运行状态重构方法，其特征在于，得到所述步骤S2中的ELM分类器包括以下步骤：

获取在正常状态下的混合测量值作为正常样本，获取在异常状态下的混合测量值作为攻击样本，得到包括所述正常样本和所述攻击样本的样本集，所述混合测量值包括SCADA测量值以及PMU测量值，所述SCADA测量值包括节点电压幅值、节点功率注入值以及支路功率流，所述PMU测量值包括电压相量以及电流相量；

将所述样本集中超过总样本数目的60％的样本作为训练集，将剩下的样本作为测试集，对每一个ELM都随意选择设定最优范围内的神经元数目和激励函数，取训练集中的80％至95％之间的样本作为单个ELM的训练样本，对所有的ELM进行训练并保存最优训练参数，使用测试集对每一个已训练好的ELM进行测试，以得到测试结果最佳的前N个ELM，所述N≥10；

将N个ELM的输出端连接至多数投票规则的输入端上，以得到ELM分类器，所述ELM分类器的输入端为运行状态下的混合测量值，所述ELM分类器的输出端为所述多数投票规则的输出端。

4.根据权利要求1所述的一种电力系统的运行状态重构方法，其特征在于，所述步骤S31中“根据已知日负荷曲线以得到预测状态值”具体为：

通过已知日负荷曲线对各节点负荷进行预测，所述预测为均值和方差值都为负荷增量的正态分布；

通过潮流分析得到运行状态的预测状态值。

5.一种电力系统的运行状态重构终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取原始测量值，对所述原始测量值进行状态估计，以得到初始状态值；

S2、输入所述原始测量值至ELM分类器，以判断出是否存在异常的初始状态值，若是，则执行步骤S3；

S3、重构所述运行状态；

所述步骤S2与所述步骤S3之间，所述处理器执行所述计算机程序时还实现以下步骤：

S31、根据已知日负荷曲线以得到预测状态值，使用所述预测状态值替换掉异常的初始状态值，得到已替换状态值，将所述已替换状态值带入h(·)构造出一组已替换测量值，将所述原始测量值与所述已替换测量值一一代入第一表达式，得到第一输出值，将所述第一输出值大于设定阈值的原始测量值进行删除，以得到最终测量值，所述第一表达式为：

所述第一表达式中，z_t为t时刻的原始测量值，

为t时刻的已替换测量值，Ω＝R–HG^{- 1}H^T为协方差矩阵，R为原始测量值误差协方差，H为雅可比矩阵，G为基于TWLS的增益矩阵。

6.根据权利要求5所述的一种电力系统的运行状态重构终端，其特征在于，执行所述步骤S3时，所述处理器执行所述计算机程序时具体实现以下步骤：

S32、通过基于拟牛顿法和Armijo线性搜索的状态重构算法对所述最终测量值进行状态估计，以重构所述运行状态。

7.根据权利要求5至6任一所述的一种电力系统的运行状态重构终端，其特征在于，得到所述步骤S2中的ELM分类器时，所述处理器执行所述计算机程序时还实现以下步骤：

获取在正常状态下的混合测量值作为正常样本，获取在异常状态下的混合测量值作为攻击样本，得到包括所述正常样本和所述攻击样本的样本集，所述混合测量值包括SCADA测量值以及PMU测量值，所述SCADA测量值包括节点电压幅值、节点功率注入值以及支路功率流，所述PMU测量值包括电压相量以及电流相量；

将所述样本集中超过总样本数目的60％的样本作为训练集，将剩下的样本作为测试集，对每一个ELM都随意选择设定最优范围内的神经元数目和激励函数，取训练集中的80％至95％之间的样本作为单个ELM的训练样本，对所有的ELM进行训练并保存最优训练参数，使用测试集对每一个已训练好的ELM进行测试，以得到测试结果最佳的前N个ELM，所述N≥10；

将N个ELM的输出端连接至多数投票规则的输入端上，以得到ELM分类器，所述ELM分类器的输入端为运行状态下的混合测量值，所述ELM分类器的输出端为所述多数投票规则的输出端。

8.根据权利要求5所述的一种电力系统的运行状态重构终端，其特征在于，执行所述步骤S31中“根据已知日负荷曲线以得到预测状态值”时，所述处理器执行所述计算机程序时具体实现以下步骤：

通过已知日负荷曲线对各节点负荷进行预测，所述预测为均值和方差值都为负荷增量的正态分布；

通过潮流分析得到运行状态的预测状态值。

Images