CN110826888B - 一种电力系统动态状态估计中数据完整性攻击检测方法 - Google Patents

Abstract

本发明提供的一种电力系统动态状态估计中数据完整性攻击检测方法，通过给电力系统的量测数据中注入攻击向量，采用包含攻击向量的量测数据对深度循环神经网络进行训练，并将深度循环神经网络的输入层到中间层输出之间的映射为特征提取器，提取量测数据的特征并结合量测数据的标签，对构建的联合分类器进行优化，利用循环神经网络提取智能电网量测信息的时空特征，并结合多个分类器联合进行电力系统的数据完整性攻击检测。

Description

一种电力系统动态状态估计中数据完整性攻击检测方法

技术领域

本发明涉及电力系统数据安全和控制技术领域，具体为一种电力系统动态状态估计中数据完整性攻击检测方法。

背景技术

智能电网作为一个典型的信息物理融合系统，建立在集成高速双向通信网络的基础上，将物理与信息系统深度融合，通过传感技术、量测技术、控制方法和决策支持系统技术的应用，实现电网的安全、经济、高效、环境友好的目标。

为了识别电力系统当前的运行状态，通常采用状态估计器对运行状态进行预估。状态估计有利于精确有效的检测系统运行过程中的实时值，如输电线路负荷或总线电压幅值。它基于系统，提供了可靠的实时状态数据，为能量管理系统决策提供依据，从而保障智能电网的安全、高效运行。

智能电网中的量测设备以有线或无线的方式接入智能电网，并进行信息交互。网络攻击者能够通过传输路径中的漏洞入侵量测终端以及电力通信网络，向智能电网状态信息流中注入符合电力系统物理特性的恶意攻击，并绕过现有异常检测机制，这种攻击称为数据完整性攻击。

目前针对智能电网状态信息流中数据完整性攻击的检测手段，大多面向静态状态估计等传统电力系统的能量管理系统模块，针对单一时间或空间尺度的信息进行检测，仍不足以全面系统地解决由广域测量设备的引入所造成的多时空尺度耦合特征下，量测信息和动态状态估计所面临的数据完整性安全问题。为此，急需针对性地提出更有效的检测方法。

发明内容

针对现有技术中网络攻击者对电力系统物理特性的恶意攻击问题，本发明提供一种电力系统动态状态估计中数据完整性攻击检测方法，基于智能电网量测数据中多时空尺度耦合的特点，提取数据特征，并融合多个分类器提升智能电网中数据完整性注入攻击的检测效果，保障电网运行的经济性与安全性。

本发明是通过以下技术方案来实现：

一种电力系统动态状态估计中数据完整性攻击检测方法，包括步骤如下：

1)获取电力系统多个连续时刻的量测数据；

2)对步骤1)获得的量测数据注入攻击向量，得到包含有攻击和无攻击的量测数据z_a，并对有攻击和无攻击数据做标签；

3)采用步骤2)得到的量测数据z_a和数据标签，对深度循环神经网络进行训练；

4)构建联合分类器；

5)将步骤3)训练好的深度循环神经网络的输入层到隐层输出之间的映射为特征提取器，提取量测数据z_a的特征，将特征和量测数据z_a的标签作为联合分类器的训练数据集，优化联合分类器；

6)用步骤5)得到的特征提取器和优化后的联合分类器，在线检测电力系统是否遭受数据完整性攻击。

优选的，步骤1)中量测数据包括节点电压幅值、节点注入有功功率、节点注入无功功率、支路有功功率和支路无功功率。

优选的，步骤2)中，所述注入攻击向量的方法如下：

对于步骤1)获取的量测数据z，从某时刻开始，按照设定的方法向量测数据z中的部分时刻的测量数据或全部时刻的测量数据注入假数据。

优选的，步骤3)中，所述深度循环神经网络由多个循环神经网络进行级联构成，将量测数据z_a及其标签作为深度循环神经网络的输入和输入，对深度循环神经网络进行训练。

优选的，以交叉熵损失函数为目标函数对深度循环神经网络进行优化，交叉熵损失函数Loss表示如下：

其中，N表示训练样本数，优化目标是使交叉熵损失函数达到设定的终止条件，完成深度循环神经网络的训练，并保存训练后深度循环神经网络模型及其参数。

优选的，步骤4)中，采用集成学习方法bagging，构建联合分类器，联合分类器由多个BP神经网络组成。

优选的，步骤5)中联合分类器的优化方法如下；

S1、从训练数据集中随机提取n个样本，训练一个BP神经网络；

S2、重复步骤S1的方法，对多个BP神经网络进行训练，得到多个优化的BP神经网络。

优选的，步骤6)中在线检测方法如下：

实时采集电网量测数据，利用特征提取器提取量测数据的特征，将提取的特征输入联合分类器，用投票法综合多个BP神经网络的检测结果，确定电力系统是否遭受数据完整性攻击。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的一种电力系统动态状态估计中数据完整性攻击检测方法，通过给电力系统的量测数据中注入攻击向量，采用包含攻击向量的量测数据对深度循环神经网络进行训练，并将深度循环神经网络的输入层到中间层输出之间的映射为特征提取器，提取量测数据的特征并结合量测数据的标签，对构建的联合分类器进行优化，利用循环神经网络提取智能电网量测信息的时空特征，并结合多个分类器联合进行电力系统的数据完整性攻击检测。有效提升了电力系统动态状态估计中数据完整性攻击检测的精度，进一步丰富了信息物理融合视角下智能电网综合安全技术体系。

附图说明

图1为本发明的建模流程图；

图2为本发明一层循环神经网络示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

参照图1，一种电力系统动态状态估计中数据完整性攻击检测方法，包括步骤如下：

1)获取电力系统多个连续时刻的量测数据z。

具体为，通过传感器采集电力系统多个连续时刻的量测数据z；第k时刻的量测量表示为z_k＝(z_k,1,z_k,2,…,z_k,m)。

z_k包含k时刻的节点电压幅值、节点注入有功功率、节点注入无功功率、支路有功功率和支路无功功率。

2)对步骤1)获得的量测数据z注入攻击向量，即注入假数据，得到包含有攻击和无攻击的量测数据z_a，并对有攻击和无攻击数据做标签。

具体为，对于步骤1)获取的量测数据z，从某时刻开始，按照一定规则注入假数据，从而得到包含有攻击和无攻击的量测数据z_a，并对有攻击和无攻击数据做标签。

例如，对连续时刻中的某一时间段内所有时刻的量测数据注入假数据；或者按照间隔的方式注入假数据，即对第1时刻、第3时刻、第5时刻。。。。注入攻击向量。

根据状态估计器的不同，攻击向量的构造会有差异。为了阐明攻击者如何对状态估计器进行攻击，这里假定系统采用扩展卡尔曼滤波器来进行状态估计。

首先，网络攻击者会获取电力系统的网络参数，网络参数包括支路号、首节点和末节点号、线路电阻、线路电抗、线路电导和线路电纳。

扩展卡尔曼滤波器状态估计过程如下：

电力系统中的状态方程和量测方程表示为：

其中，z_k和x_k分别是k时刻的可测量输出和状态变量向量，u_k表示k时刻的可测输入，w_k表示k时刻的过程噪声方差，v_k表示k时刻的量测噪声，f代表系统函数，h是输出函数(代表系统拓扑结构)。

扩展卡尔曼滤波器预测步：

其中，

表示x_k的预测值，

表示x_k的估计值，

Q_k表示k时刻模型误差的方差。

扩展卡尔曼滤波器滤波步：

其中，

R_k表示k时刻量测误差的方差

由扩展卡尔曼滤波器计算步骤可知，预测步之后得到状态向量的预测值，滤波步之后可以的到状态向量的估计值。

定义新息向量：

其中O_k是原始量测量，

根据状态量预测值

计算得到的量测量预测值。

对于k时刻的第i个量测量，标准化新息过程如下：

λ_k,i＝v_k,i/ρ_k,i,i＝1,2,…,m (4)

令

λ_max取

对角线元素的最大值。

智能电网异常检测机制根据|λ_k,i|≤λ_max是否成立，判断量测量是否存在异常，若成立则不存在异常，反之亦然。

攻击者在掌握电力系统拓扑结构及参数的情况下，通过入侵传感器或者通链路，篡改量测值，并使得篡改后的量测量仍然满足：|λ_k,i|≤λ_max，即：

那么，异常检测机制将不能检测到攻击，状态估计器继续运行，得到错误的状态估计结果，电网运行的安全性和经济性将受到影响。

从电网采集多个连续时间点的量测值，用上述的攻击方法篡改部分时间节点的量测值，得到z_a，并为每个时间点的数据添加标签y，y＝0表示无攻击，y＝1表示有攻击。

3)将步骤2)得到的量测数据z_a，及其标签分别作为深度循环神经网络的输入和输出，对深度循环神经网络进行训练。

深度循环神经网络由多个循环神经网络进行级联构成，参照图2，为一层循环神经网络示意图。

以交叉熵损失函数为目标函数对深度循环神经网络进行训练，交叉熵损失函数如下：

其中，N表示训练样本数，y表示标签；当网络训练达到设定的终止条件，终止条件为最大迭代次数或者交叉熵损失函数值的变化在一段指定时间长度内小于预定值，完成深度循环神经网络的训练，并保存训练后深度循环神经网络模型及其参数。

4)采用集成学习方法bagging，构建联合分类器，联合分类器由多个分类器组成，分类器为BP神经网络。

5)将步骤3)训练好的深度循环神经网络的输入层到隐层输出之间的映射为特征提取器，提取含攻击量测数据z_a的特征G，将特征G和量测数据z_a的标签y作为联合分类器的训练数据集，优化联合分类器。

具体优化方法如下：

多个分类器的差异性是这种集成学习方法有效的前提，由于神经网络属于不稳定的学习算法，样本的微小改变就有可能给网络带来很大的影响，采用如下步骤，得到多个优化的BP神经网络：

步骤1)从训练数据集中随机提取n个样本，训练一个BP神经网络；

步骤2)重复步骤1)的方法，对T个BP神经网络进行训练，得到T个训练好的BP神经网络。

6)用步骤5)得到的特征提取器和优化后的联合分类器在线检测电力系统，确定是否遭受数据完整性攻击。

实时采集电网量测量，利用特征提取器提取量测数据的特征，将提取的特征输入联合分类器，用投票法综合多个BP神经网络的检测结果，确定电力系统是否遭受数据完整性攻击。

本发明提供的一种电力系统动态状态估计中数据完整性攻击检测方法，通过给电力系统的量测数据中注入攻击向量，采用包含攻击向量的量测数据对深度循环神经网络进行训练，并将深度循环神经网络的输入层到中间层输出之间的映射为特征提取器，提取量测数据的特征并结合量测数据的标签，对构建的联合分类器进行优化，利用循环神经网络提取智能电网量测信息的时空特征，并结合多个分类器联合进行电力系统的数据完整性攻击检测。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种电力系统动态状态估计中数据完整性攻击检测方法，其特征在于，包括步骤如下：

1)获取电力系统多个连续时刻的量测数据；

2)对步骤1)获得的量测数据注入攻击向量，得到包含有攻击和无攻击的量测数据z_a，并对有攻击和无攻击数据做标签；

3)采用步骤2)得到的量测数据z_a和数据标签，对深度循环神经网络进行训练，所述深度循环神经网络由多个循环神经网络进行级联构成；

4)采用集成学习方法bagging构建联合分类器，联合分类器由多个BP神经网络组成；

5)将步骤3)训练好的深度循环神经网络的输入层到隐层之间的映射为特征提取器，提取量测数据z_a的特征，将特征和量测数据z_a的标签作为联合分类器的训练数据集，优化联合分类器；

6)用步骤5)得到的特征提取器和优化后的联合分类器，实时采集电网量测数据，利用特征提取器提取量测数据的特征，将提取的特征输入联合分类器，用投票法综合多个BP神经网络的检测结果，确定电力系统是否遭受数据完整性攻击。

2.根据权利要求1所述的一种电力系统动态状态估计中数据完整性攻击检测方法，其特征在于，步骤1)中量测数据包括节点电压幅值、节点注入有功功率、节点注入无功功率、支路有功功率和支路无功功率。

3.根据权利要求1所述的一种电力系统动态状态估计中数据完整性攻击检测方法，其特征在于，步骤2)中，所述注入攻击向量的方法如下：

对于步骤1)获取的量测数据z，从某时刻开始，按照设定的方法向量测数据z中的部分时刻的测量数据或全部时刻的测量数据注入假数据。

4.根据权利要求1所述的一种电力系统动态状态估计中数据完整性攻击检测方法，其特征在于，步骤3)中，将量测数据z_a及其标签作为深度循环神经网络的输入和输入，对深度循环神经网络进行训练。

5.根据权利要求4所述的一种电力系统动态状态估计中数据完整性攻击检测方法，其特征在于，以交叉熵损失函数为目标函数对深度循环神经网络进行优化，交叉熵损失函数如下：

其中，N表示训练样本数，y表示标签；当交叉熵损失函数达到预定的终止条件，完成深度循环神经网络的训练。

6.根据权利要求1所述的一种电力系统动态状态估计中数据完整性攻击检测方法，其特征在于，步骤5)中联合分类器的优化方法如下；

S1、从训练数据集中随机提取n个样本，训练一个BP神经网络；

S2、重复步骤S1的方法，对多个BP神经网络进行训练，得到多个优化的BP神经网络。

Images