CN113297194A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113297194A CN113297194A CN202110689758.0A CN202110689758A CN113297194A CN 113297194 A CN113297194 A CN 113297194A CN 202110689758 A CN202110689758 A CN 202110689758A CN 113297194 A CN113297194 A CN 113297194A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- electric vehicle
- spare capacity
- capacity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004140 cleaning Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 230000001172 regenerating effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 33
- 238000002347 injection Methods 0.000 description 13
- 239000007924 injection Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提出了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,电动汽车聚合商上报的实时的备用容量由日前预测的tk时段上报的向上调频容量与向下调频容量和tk‑1时段总的调频功率决定;在缓冲网侧采集电动汽车聚合商上报的实时的备用容量信息,生成检测数据时间序列;对不同电动汽车聚合商的检测数据时间序列进行整合,形成统一的检测数据矩阵,计算协方差矩阵,在存在虚假数据时,对应的协方差矩阵中的主对角线元素会出现较大的浮动,通过矩阵元素与阈值的比较判断是否存在虚假数据;对存在虚假数据的时段的检测数据进行估计,寻找最优的不存在虚假数据时的原数据的估计值,用此估计值替换存在虚假数据的数据,并重新生成上报备用容量数据。
Description
技术领域
本发明属于电力系统优化调度领域,具体涉及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。
背景技术
随着电动汽车(electric vehicle,EV)的大量普及与电动汽车入网(vehicle toGrid,V2G)技术的发展,越来越多的电动汽车并入电网,电动汽车与电网的能量交换过程日益密切。分散的电动汽车不利于优化与控制的过程,电动汽车聚合商作为代理人通过集群控制电动汽车参与电动汽车与电力系统的能量交换与辅助服务。
本发明面向的对象是电动汽车聚合商为电力系统提供调频辅助服务时上报备用容量中的虚假数据。电动汽车聚合商通过对接入电网的电动汽车充放电功率的控制为系统提供备用容量。电动汽车聚合商需将备用容量上报电力系统的调度中心,调度中心根据系统的调频需求产生调度指令,指令下发调频辅助服务市场参与者,其中包括了电动汽车聚合商。市场参与者执行调度指令为电力系统提供调频辅助服务。
在电动汽车聚合商上报备用容量数据的过程中,考虑通过互联网进行数据传输,这种数据传输方法随着互联网技术的不断发展具有方便快捷的优点,但同时也为数据传输过程增添了很多的不确定性与安全隐患。尤其是电动汽车聚合商侧完全开放的环境易受到虚假数据攻击。对于网络黑客而言,其出于破坏社会秩序的目的有意破坏电力系统的安全运行,对电动汽车聚合商上报的备用容量数据施以虚假数据攻击。而对于市场中的参与人员,电动汽车聚合商在上报备用容量时也可能存在无意的数据更改的情况。上述的这些过程都可以理解为在数据上报过程中存在的虚假数据。
目前有一些方法针对虚假数据攻击的识别与清洗,但面向的对象不是电动汽车聚合商实时上报的备用容量数据。常见的虚假数据攻击的识别与清洗的方法主要分为下面两类。
第一类识别方法基于历史数据。基于双马尔科夫链的检测方法建立了系统的运行状态空间,同时考虑不同运行状态之间的空间距离与历史数据建立状态转移矩阵,以两种极端的运行场景的状态为基准构建双马尔科夫链。通过马尔科夫链预测的下一时间段的状态与测量状态之间的空间距离与空间距离阈值的比较完成对测量状态的数据存在虚假数据的识别过程,对于存在虚假数据攻击的状态采用预测状态的参数替换测量状态的参数完成虚假数据清洗过程。基于深度学习的虚假数据注入攻击的识别方法与基于时间序列的虚假数据注入攻击的识别方法同样是利用历史数据实现识别过程。其中基于时间序列的虚假数据注入攻击的识别方法通过对历史时间序列与当前时间序列的相似度实现对虚假数据的识别,同时通过多源异构的方法实现数据的清洗过程。
第一类虚假数据注入攻击的识别方法面向的对象主要是电力系统的状态变量与配网的负荷数据等类型的数据。上述检测数据具有明显的数据特征,对于电力系统的状态变量其状态的转移具有很强的规律性,根据历史数据获得的状态转移矩阵可以较为精确的预测下一时刻的运行状态;对于配网的负荷数据具有以日为周期的周期特征,取一定时间范围内的配网负荷数据其在每天的变化规律相同,可以利用每天对应时段的负荷数据的相似性进行识别与检测。而对于电动汽车聚合商而言,上述方法并不适用。一方面电动汽车聚合商上报的实时层面的备用容量数据规律性不明显,另一方面其数据也不具有明显的周期性。
第二类识别方法基于实时的数据序列。这种识别方法不需要大规模的历史数据去寻求数据特征,仅仅根据短期的数据对下一时刻的数据进行识别与清洗,这种方法面向的是短期波动比较小或着变化规律确定的数据。而电动汽车聚合商上报的实时层面的数据的波动剧烈也不适合这种检测方法。因此需要寻找一种新的方法实现对电动汽车聚合商上报的备用容量数据的中的虚假数据的识别与清洗。
发明内容
针对上述问题,本发明面向电动汽车聚合商参与调频辅助服务过程中的虚假数据,提供一种有效的虚假数据识别与清洗方法。其中,所提出的方法充分考虑了电动汽车聚合商实时上报的备用容量的数据特点,克服虚假数据攻击混淆于正常的由于响应调频调度指令带来的备用容量数据的波动中的难点问题。在虚假数据识别与清洗过程中要保证计算方法的简洁性,同时使完成数据清洗后的数据与原有的正常的没有受到虚假数据攻击的数据保持最大的一致性。
本发明提出了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,包含如下步骤:
步骤A.定义电动汽车聚合商日前与实时的备用容量及二者的关系;
步骤B.在缓冲网侧采集电动汽车聚合商上报的实时的备用容量信息,生成检测数据时间序列;
步骤C.对检测数据时间序列进行虚假数据识别;
步骤D.基于识别结果进行虚假数据清洗,并重新生成上报备用容量数据。
进一步,步骤A中,电动汽车聚合商日前制定充电计划,在以此充电计划为基准功率的基础上计算电动汽车聚合商能够调整的功率大小,从而得到日前的备用容量数据;电动汽车聚合商上报的实时的备用容量与日前的备用容量之间的关系为:
进一步,步骤B中,对接收的备用容量数据做如下处理,
公式中与分别表示缓冲网在tk时段生成的针对电动汽车聚合商上报的向上调频容量与向下调频容量的检测数据;与分别表示缓冲网在tk时段接收到的向上调频容量与向下调频容量的检测数据;表示到tk-1时段电动汽车聚合商总的调频功率;缓冲网储存连续的时间段内的全部数据形成如下的时间序列结构:
进一步,步骤C中,对不同电动汽车聚合商的检测数据时间序列进行整合,形成统一的检测数据矩阵,计算协方差矩阵,在存在虚假数据时,对应的协方差矩阵中的主对角线元素会出现较大的浮动,即从一个较小的值升高为一个很大的值,通过矩阵元素与阈值的比较判断是否存在虚假数据;当协方差矩阵中的第i行第i列元素大于基于历史信息获得的阈值时,则认为此检测数据时间序列在tk时间段的数据存在虚假数据,否则认为数据正常。
更进一步,步骤C中,检测数据矩阵为
其中,该矩阵为N*2m的矩阵,N表示截取的时间段,tk为当前的时段,m表示参与调频辅助服务上传了备用容量数据的电动汽车聚合商的数量,第1名电动汽车聚合商上报的备用容量形成的检测数据时间序列分别为向上调频容量检测数据时间序列与向下调频容量检测数据时间序列以为例,截取N个时间段的时间序列即将此时间序列作为检测数据矩阵的第1列数据,则最后一列为第m名电动汽车聚合商向下调频容量监测数据时间序列
基于检测数据矩阵生成协方差矩阵的计算公式如下:
Q=COV(Z)=E[Z,ZT]
其中矩阵中的元素:
其中,qij表示Q矩阵中第i行第j列元素,zi表示检测数据矩阵中的第i列检测数据时间序列,表示第i列检测数据时间序列在其N个时间窗口内的平均值;qii(tk)表示第i列检测数据时间序列的自方差,而qij(tk)表示第i列检测数据时间序列与第j列检测数据时间序列的协方差;
选取正常的不存在虚假数据的电动汽车聚合商日前的备用容量作为检测数据时间序列,通过上述方法建立检测数据矩阵,求解协方差矩阵;记录当前时段协方差矩阵中的主对角线元素,向前推移截取不同的检测数据时间序列,15min为1个时间段,一天有96个时间段,从而得到主对角线元素时间序列:
qii={qii(t1),qii(t2),……,qii(t96)}
则选取的阈值等于对角线元素时间序列中元素的最大值,表示为:
优选地,对于同一电动汽车聚合商,设置不同的阈值;对于不同的电动汽车聚合商也应设置不同的阈值。
进一步,步骤D中,对存在虚假数据的时段的检测数据进行估计,寻找最优的不存在虚假数据时的原数据的估计值,用此估计值替换存在虚假数据的数据完成数据清洗。
更进一步,对检测数据进行估计时考虑利用前L个时间窗口的检测数据对当前的此检测数据时间序列进行回归分析,求解检测数据关于时间段t的函数,将t=tk代入所求得的函数解析式中得到估计值。
本发明的有益效果在于:本发明的方法将虚假数据注入攻击的识别与清洗的对象确立为电动汽车聚合商实时上报的备用容量数据,基于缓冲网的理念提出了新的问题,面对新的问题提出了对特殊类型数据虚假数据注入攻击的识别与清洗方法,可以有效剔除实时上报的备用容量中存在的虚假数据,可以有效的减小欠功率对系统造成的恶性影响,将欠功率控制在系统运行允许的误差范围内,也有效地克服了虚假数据注入攻击混淆于正常的由于响应调频带来的数据波动之中的难点问题。本发明的方法不依赖于大规模的历史数据的训练过程,仅仅需要考虑一天内几个连续时间段的数据特征,可以避免大规模历史数据带来的固化影响,对不具有周期性的电动汽车聚合商上报的实时层面的备用容量数据更加有效。由于本发明的方法在虚假数据注入攻击的识别时通过检测数据矩阵完成,因此可以对所有电动汽车聚合商的上报数据同时检测,效率更高同时更加便捷,可以在短时间内有效识别不同电动汽车聚合商存在的虚假数据注入攻击。
附图说明
图1是本发明所涉及的系统框架;
图2是本发明的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流程图;
图3是采用本发明的方法与不采用本发明的方法,电动汽车聚合商上报数据与电力系统调度中心接收数据的对比效果;
图4是采用本发明的方法前后微网系统中的欠功率。
具体实施方式
下面结合附图,对本发明进行详细的说明。
图1示出了本发明所涉及的系统框架。从图1中可以看出,电动汽车聚合商采集实时的充放电功率并计算实时层面的上报备用容量数据。电动汽车聚合商通过互联网环境传输备用容量的数据包,在互联网环境中可能受到虚假数据的攻击,此数据包在进入电力系统内网前首先经过缓冲网结构,对数据包中的数据进行虚假数据识别与清洗。此过程完成后数据包再发送至电力系统的调度中心。本发明的方法的流程图如图2所示。
步骤A:定义电动汽车聚合商日前与实时的备用容量及二者的关系。
电动汽车聚合商日前的备用容量的定义。对于电动汽车聚合商的备用容量,向上调频容量是指当系统的频率过低时,电动汽车聚合商减小其用电功率或者向系统注入有功功率时的功率变化量;向下调频容量与之相反,即系统的频率过高时,电动汽车聚合商增大其用电功率时的功率变化量。电动汽车聚合商基于历史电动汽车的数据与物理模型和预测方法预测日前的备用容量。电动汽车聚合商日前制定充电计划,在以此充电计划为基准功率的基础上计算电动汽车聚合商能够调整的功率大小,从而得到日前的备用容量数据。有研究表示日前的备用容量具有很强的连续性,且在短时间窗口内数值变化不大。
电动汽车聚合商实时的备用容量的定义。电动汽车实时的备用容量与其日前的备用容量不等,原因是实时层面电动汽车聚合商需要响应电力系统的调度,从而产生调频功率,这部分调频功率调用了日前的备用容量,则下一时段的调频容量就会受影响。受影响的过程解释如下:
首先考虑1d时间尺度内电动汽车聚合商参与调频辅助服务的初始时段t0,此时电动汽车聚合商上报的备用容量等于日前预测的备用容量数据。调度中心在此数据的基础上对这一时间段内的电动汽车聚合商的备用能力进行调用,在此过程中产生的调频功率为PFM(t0),则在下一时段上报备用容量时不是日前预测的备用容量,而是在此基础上考虑被调用的备用容量的影响。假设PFM(t0)>0,则表示在这段时间里调用了向上调频容量,相应的在下一时间段上报备用容量时实时层面的向上调频容量等于日前预测的向上调频容量减去PFM(t0),实时层面的向下调频容量等于日前预测的向下调频容量加上PFM(t0)。
以公式的形式表示电动汽车聚合商日前的备用容量与上报的实时的备用容量之间的关系。如公式(1)和(2)所示:
步骤B:在缓冲网侧采集电动汽车聚合商上报的实时的备用容量信息,生成检测数据时间序列。
缓冲网侧采集步骤A中的电动汽车聚合商的上传数据,从上传到接收的过程中可能引入虚假数据,基于缓冲网接收的数据生成的检测数据时间序列。在生成检测数据时间序列时需要考虑生成的时间序列与实时上报备用容量数据的联系,同时这里需要考虑的更重要的问题是这里生成的检测数据时间序列是否可以便于虚假数据的识别与清洗,能否克服实时上报的备用容量波动较大的难点。在此过程中充分利用步骤A中电动汽车聚合商日前与实时的备用容量的数据关系。通过数据之间的相关关系生成的检测数据时间序列应该具有与日前的备用容量数据相类似的数据特点。
基于电动汽车聚合商实时上报的备用容量信息,考虑到其数据特点的波动是由于响应调频调度的调频功率造成的,这里为消除调频功率造成的波动影响,对接收的备用容量数据做如下处理:
公式中,与分别表示缓冲网在tk时段生成的针对电动汽车聚合商上报的向上调频容量与向下调频容量的检测数据;与分别表示缓冲网在tk时段接收到的向上调频容量与向下调频容量的检测数据;表示到tk-1时段电动汽车聚合商总的调频功率,这一数据涉及到最终调频过程完成后的收益结算过程,所以无论是电网侧还是电动汽车聚合商都将传递这一数据信息,缓冲网侧可以接收并使用这一数据。则在缓冲网侧利用数据之间的关联性生成检测数据时间序列的过程,如公式(5)和(6)所示。上述检测时间序列的生成过程是连续的,缓冲网将储存连续的时间段内的全部数据形成如下的时间序列结构:
步骤C:对检测数据时间序列进行虚假数据识别。
步骤C1:生成检测数据矩阵。电力系统的调度中心接收的电动汽车聚合商的备用容量数据不是简单的一名电动汽车聚合商的上报数据,对于隶属于此区域的全部电动汽车聚合商均要完成备用容量数据的上报过程。为对全部电动汽车聚合商上报的数据进行检测,则首先对不同的电动汽车聚合商上报的备用容量统一表示,形成检测数据矩阵:
公式(7)所示的矩阵的形成过程:通过截取N个时间段的不同的电动汽车聚合商采集到的检测数据时间序列形成。假设当前的时段为tk,第1名电动汽车聚合商上报的备用容量形成的检测数据时间序列分别为向上调频容量检测数据时间序列与向下调频容量检测数据时间序列以为例,截取N个时间段的时间序列即将此时间序列作为检测数据矩阵的第1列数据。同理对其他电动汽车聚合商的数据作相同的处理形成N*2m的矩阵,m表示有m名电动汽车聚合商参与调频辅助服务上传了备用容量数据。
步骤C2:协方差矩阵的计算与矩阵元素的说明。首先计算基于检测数据矩阵生成协方差矩阵,计算公式如下:
Q=COV(Z)=E[Z,ZT] (8)
其中矩阵中的元素:
上述公式中的qij表示Q矩阵中第i行第j列元素,zi表示检测数据矩阵中的第i列检测数据时间序列,表示第i列检测数据时间序列在其N个时间段内的平均值。qii(tk)表示的第i列检测数据时间序列的自方差,而qij(tk)表示第i列检测数据时间序列与第j列检测数据时间序列的协方差。假设电动汽车聚合商上报备用容量的过程中没有虚假数据攻击,从理论上来分析协方差矩阵中的元素:对于主对角线的元素为非零元素,但主对角线元素的值较小,原因是生成的检测数据时间序列与电动汽车聚合商日前预测的备用容量数据保持一致,而这一时间序列在一定的时间窗口内的变化不大,则主对角线的自方差的值也比较小。对于非对角线元素计算各时间序列间的相关性大小,对于同一电动汽车聚合商上报的向上调频与向下调频的数据之间的相关性较强,不同的EVG上报的备用容量数据的相关性较小。则协方差矩阵中对应的元素也会显现出对应的特点。
步骤C3:阈值的确定。在存在虚假数据时,对应的协方差矩阵中的主对角线元素会出现较大的浮动,即从一个较小的值升高为一个很大的值,这时需要选定阈值判别是否存在虚假数据。下面详细表述阈值的产生过程:首先选取正常的不存在虚假数据的电动汽车聚合商日前的备用容量作为检测数据时间序列,通过本节描述的方法建立检测数据矩阵,求解协方差矩阵。记录当前时段协方差矩阵中的主对角线元素,向前推移截取不同的检测数据时间序列,以15min为1个时间段,一天有96个时间段,从而得到一天内主对角线元素时间序列,
qii={qii(t1),qii(t2),……,qii(t96)} (10)
则选取的阈值等于对角线元素时间序列中元素的最大值,可以表示为:
对于同一电动汽车聚合商来说,为保证向上调频容量与向下调频容量的虚假数据识别过程更加精确应当设置不同的阈值。对于不同的电动汽车聚合商而言,由于电动汽车聚合商之间的空间特征与时间特征不同造成的日前的备用容量的特征具有很大的差别,则不同的电动汽车聚合商之间也应设置不同的阈值以保证虚假数据识别过程中的准确性与合理性。
步骤C4:判断条件。识别电动汽车聚合商上报的实时的备用容量是否存在虚假数据时的判别条件如下:
如上式所示,当协方差矩阵中的第i行第i列元素大于基于历史信息获得的阈值时,则认为此检测数据时间序列在tk时间段的数据存在虚假数据,否则认为数据正常。
步骤D.基于识别结果进行虚假数据清洗,并重新生成上报的备用的容量数据。
步骤D1:虚假数据的清洗的整体思路。在完成虚假数据的识别后需要对存在虚假数据的数据进行清洗。进行数据清洗的对象仍然为步骤C中的数据检测的时间序列。对于步骤C内容完成虚假数据的识别后,假设某电动汽车聚合商的存在虚假数据,则本节内容需要完成的工作是对这一数据进行修正。整体思路是对这一时段的检测数据进行估计,寻找最贴合不存在虚假数据时的原数据的估计值,用此估计值替换存在虚假数据的数据完成数据清洗过程。
步骤D2:基于回归分析的清洗方法。采用与电动汽车聚合商日前的备用容量最贴合的多项式函数拟合检测数据时间序列。由于电动汽车聚合商上报的备用容量生成的两组检测数据时间序列的清洗方法是一致的,这里将以为例进行说明。假设满足公式(13)中的多项式函数关系:
公式中的a0,a1,......,an表示待定参数,n表示多项式的阶数。求解公式中的待定参数的过程:选取检测数据时间序列中L个时间窗口的检测数据与其对应的时间段组成L对自变量与函数值的数据对。在选取L时要求L>n,避免出现过拟合的现象。这里采用最小二乘法求待定参数。在以上内容的基础上定义平方差和:
则求解待定参数的过程转化为以a0,a1,......,an为优化变量,以式(15)为优化目标的优化问题。
min(D2) (15)
上述优化过程的优化目标是凸函数,便于求解。
然后重新生成上报数据:
不同于以往的虚假数据注入攻击的识别与清洗方法,本发明的方法将虚假数据注入攻击的识别与清洗的对象确立为电动汽车聚合商实时上报的备用的容量数据。图3对比了电动汽车聚合商上报的实时的备用容量在受到虚假数据攻击的情况下,采用本发明的方法与不采用本发明方法时调度中心接收到的备用的容量数据对比效果。通过图3中的对比可以发现,采用本发明方法可以有效剔除实时上报的备用的容量中存在的虚假数据。采用本发明方法后调度中心接收的备用的容量数据与电动汽车聚合商上报的备用的容量数据基本重合,从而说明本发明方法的有效性。
本发明的方法的主要目的在于维持电力系统调频辅助服务的正常运行。在存在虚假数据的情况下,电动汽车聚合商与电力系统调度中心的备用容量数据的不统一,会对调频辅助服务造成一定的影响。例如,调度中心依据接收到的备用容量产生调度指令,调度指令下发后由于其存在的备用容量数据不统一的问题,电动汽车聚合商执行完调度指令后并不能满足系统的调频需求,仍然存在一定量的欠功率。图4对比了采用本发明方法前后微网系统中的欠功率情况。通过图4中的对比结果可以发现,采用本发明所提出的方法前,由于虚假数据问题,系统存在很大的欠功率,这将严重威胁系统的安全运行,对系统的频率造成很大的恶性影响,而采用本发明方法后可以有效减小这种恶性影响,将欠功率控制在系统运行允许的误差范围内。
由于本发明的方法在虚假数据注入攻击的识别时,通过检测数据矩阵完成,因此可以对所有电动汽车聚合商的上报数据同时检测,效率更高同时更加便捷,可以在短时间内有效识别不同电动汽车聚合商存在的虚假数据注入攻击。上述虚假数据识别与清洗过程的计算时间远远小于国内的调频周期,满足调频的需求。全天96个时间段的虚假数据识别与清洗过程的运行时间仅为0.102s,从运行时间上看远远小于系统的调频周期,满足系统调频的时间要求。
上述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种电动汽车聚合商备用容量虚假数据识别与清洗的方法,包含如下步骤:
步骤A.定义电动汽车聚合商日前与实时的备用容量及二者的关系;
步骤B.在缓冲网侧采集电动汽车聚合商上报的实时的备用容量信息,生成检测数据时间序列;
步骤C.对检测数据时间序列进行虚假数据识别;
步骤D.基于识别结果进行虚假数据清洗,并重新生成上报备用容量数据。
4.根据权利要求3所述的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,其特征在于:所述步骤C中,对不同电动汽车聚合商的检测数据时间序列进行整合,形成统一的检测数据矩阵,计算协方差矩阵,在存在虚假数据时,对应的协方差矩阵中的主对角线元素会出现较大的浮动,即从一个较小的值升高为一个很大的值,通过矩阵元素与阈值的比较判断是否存在虚假数据;当协方差矩阵中的第i行第i列元素大于基于历史信息获得的阈值时,则认为此检测数据时间序列在tk时间段的数据存在虚假数据,否则认为数据正常。
5.根据权利要求4所述的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,其特征在于:所述步骤C中,所述检测数据矩阵为
其中,该矩阵为N*2m的矩阵,N表示截取的时间段,tk为当前的时段,m表示参与调频辅助服务上传了备用容量数据的电动汽车聚合商的数量,第1名电动汽车聚合商上报的备用容量形成的检测数据时间序列分别为向上调频容量检测数据时间序列与向下调频容量检测数据时间序列以为例,截取N个时间段的时间序列即将此时间序列作为检测数据矩阵的第1列数据,则最后一列为第m名电动汽车聚合商向下调频容量监测数据时间序列
基于检测数据矩阵生成协方差矩阵的计算公式如下:
Q=COV(Z)=E[Z,ZT] (8)
其中矩阵中的元素:
其中,qij表示Q矩阵中第i行第j列元素,zi表示检测数据矩阵中的第i列检测数据时间序列,表示第i列检测数据时间序列在其N个时间窗口内的平均值;qii(tk)表示第i列检测数据时间序列的自方差,而qij(tk)表示第i列检测数据时间序列与第j列检测数据时间序列的协方差;
选取正常的不存在虚假数据的电动汽车聚合商日前的备用容量作为检测数据时间序列,通过上述方法建立检测数据矩阵,求解协方差矩阵;记录当前时段协方差矩阵中的主对角线元素,向前推移截取不同的检测数据时间序列,15min为1个时间段,一天有96个时间段,从而得到主对角线元素时间序列:
qii={qii(t1),qii(t2),……,qii(t96)} (10)
则选取的阈值等于对角线元素时间序列中元素的最大值,表示为:
6.根据权利要求4所述的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,其特征在于:对于同一电动汽车聚合商,设置不同的阈值;对于不同的电动汽车聚合商也应设置不同的阈值。
7.根据权利要求4所述的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,其特征在于:所述步骤D中,对存在虚假数据的时段的检测数据进行估计,寻找最优的不存在虚假数据时的原数据的估计值,用此估计值替换存在虚假数据的数据完成数据清洗。
8.根据权利要求7所述的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,其特征在于:对检测数据进行估计时考虑利用前L个时间窗口的检测数据对当前的此检测数据时间序列进行回归分析,求解检测数据关于时间段t的函数,将t=tk代入所求得的函数解析式中得到估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689758.0A CN113297194B (zh) | 2021-06-22 | 2021-06-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689758.0A CN113297194B (zh) | 2021-06-22 | 2021-06-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297194A true CN113297194A (zh) | 2021-08-24 |
CN113297194B CN113297194B (zh) | 2023-09-05 |
Family
ID=77329026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689758.0A Active CN113297194B (zh) | 2021-06-22 | 2021-06-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297194B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1148920A (zh) * | 1994-05-27 | 1997-04-30 | 英国电讯有限公司 | 具有信道转换装置的数据通信系统 |
US20150094957A1 (en) * | 2013-09-30 | 2015-04-02 | Elwha Llc | Communication and Control System and Method Regarding Electric Vehicle for Wireless Electric Vehicle Electrical Energy Transfer |
WO2016095114A1 (en) * | 2014-12-17 | 2016-06-23 | Volkswagen (China) Investment Co., Ltd. | Method and system for driving assistant and vehicle having the same |
CN107808105A (zh) * | 2017-10-18 | 2018-03-16 | 南京邮电大学 | 一种智能电网中基于预测的虚假数据检测方法 |
CN109103904A (zh) * | 2018-10-16 | 2018-12-28 | 中电普瑞电力工程有限公司 | 一种频率稳定判定方法、装置、电子设备 |
CN110048406A (zh) * | 2019-04-12 | 2019-07-23 | 东北大学 | 一种基于大规模电动汽车分群参与电网调频的控制方法 |
-
2021
- 2021-06-22 CN CN202110689758.0A patent/CN113297194B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1148920A (zh) * | 1994-05-27 | 1997-04-30 | 英国电讯有限公司 | 具有信道转换装置的数据通信系统 |
US20150094957A1 (en) * | 2013-09-30 | 2015-04-02 | Elwha Llc | Communication and Control System and Method Regarding Electric Vehicle for Wireless Electric Vehicle Electrical Energy Transfer |
WO2016095114A1 (en) * | 2014-12-17 | 2016-06-23 | Volkswagen (China) Investment Co., Ltd. | Method and system for driving assistant and vehicle having the same |
CN107110659A (zh) * | 2014-12-17 | 2017-08-29 | 大众汽车(中国)投资有限公司 | 驾驶辅助方法和系统以及具有驾驶辅助方法和系统的车辆 |
CN107808105A (zh) * | 2017-10-18 | 2018-03-16 | 南京邮电大学 | 一种智能电网中基于预测的虚假数据检测方法 |
CN109103904A (zh) * | 2018-10-16 | 2018-12-28 | 中电普瑞电力工程有限公司 | 一种频率稳定判定方法、装置、电子设备 |
CN110048406A (zh) * | 2019-04-12 | 2019-07-23 | 东北大学 | 一种基于大规模电动汽车分群参与电网调频的控制方法 |
Non-Patent Citations (5)
Title |
---|
İBRAHIM ŞENGÖR 等: "User-comfort oriented optimal bidding strategy of an electric vehicle aggregator in day-ahead and reserve markets", 《JOURNAL OF CLEANER PRODUCTION》, pages 1 - 15 * |
姚丽 等: "电动汽车参与电网调频优化策略建模与仿真", 《系统仿真学报》, pages 1417 - 1429 * |
姚伟锋: "考虑电动汽车广泛接入的电力系统规划与运行策略", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, pages 042 - 122 * |
张琨 等: "智能配电系统环境下的电动汽车调频竞标模型", 《电网技术》, pages 2588 - 2595 * |
陆凌蓉 等: "电动汽车提供辅助服务的经济性分析", 《电力系统自动化》, pages 43 - 49 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113297194B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN105023433B (zh) | 一种高速公路交通异常事件影响范围预估方法 | |
CN110667434A (zh) | 一种自适应工况的纯电动汽车行驶里程估计方法及系统 | |
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN104464304A (zh) | 一种基于路网特性的城市道路车辆行驶速度预测方法 | |
CN110610260A (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
CN109525956B (zh) | 无线传感网中基于数据驱动的分簇的节能的数据收集方法 | |
CN108847686B (zh) | 一种光伏逆变器故障预测方法 | |
CN108960321B (zh) | 一种大型锂电池储能电站电池故障预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN115347591A (zh) | 基于柔性充电的充电设备电力均衡分配方法及相关装置 | |
CN113269372A (zh) | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 | |
CN112200932A (zh) | 一种评估重型柴油车能耗的方法和设备 | |
CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
CN113297194A (zh) | 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 | |
CN115577860B (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN101551940A (zh) | 城市快速道路交通状态判别与发布系统及其方法 | |
CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Ma et al. | Short-term traffic flow prediction based on genetic artificial neural network and exponential smoothing | |
CN109033569B (zh) | 一种用于舰载机传感器系统预防检修阈强度和次数优化的方法 |
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 |