CN113657644B - 智能电网中虚假数据检测方法、装置、设备及存储介质 - Google Patents
智能电网中虚假数据检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113657644B CN113657644B CN202110779286.8A CN202110779286A CN113657644B CN 113657644 B CN113657644 B CN 113657644B CN 202110779286 A CN202110779286 A CN 202110779286A CN 113657644 B CN113657644 B CN 113657644B
- Authority
- CN
- China
- Prior art keywords
- value
- real
- time
- average value
- data
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000001186 cumulative effect Effects 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Abstract
本发明公开了一种智能电网中虚假数据检测方法、装置、设备及存储介质,其方法包括:将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值;将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值;利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值;判断实时的类平均值与设定的阈值的大小,若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击。本发明能够精确的预测虚拟数据的攻击,从而保证电力系统的安全。
Description
技术领域
本发明涉及一种智能电网中虚假数据检测方法、装置、设备及存储介质,属于电力系统技术领域。
背景技术
现在的电力系统越来越智能化,因此被称之为智能电网。智能电网通过智能仪表采集数据,并通过通信网络将数据传递到控制中心,由控制中心对收集到的数据进行处理并依据处理结果相应的对智能电网做出指令。正是由于通信网络和智能仪表的使用使得电力系统可能遭受更多的威胁。虚假数据攻击即为智能电网威胁的一种,它通过改变智能仪表的数据完整性而对电力系统发起攻击,使得控制系统在错误数据下做出错误指令,进而对电力系统进行破坏造成经济损失。
为了对虚假数据进行检测从而保证电力系统安全,本发明提出了一种智能电网中虚假数据检测方法、装置、设备及存储介质。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种智能电网中虚假数据检测方法、装置、设备及存储介质,解决电力系统中虚假数据检测的技术问题
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种智能电网中虚假数据检测方法,包括:
将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值;
将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值;
利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值;
判断实时的类平均值与设定的阈值的大小,
若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;
若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击。
优选的,所述阈值的设定包括:
取训练集中测量值输入训练好的多模型神经网络中输出对应的预测值;
将每个时刻的测量值和预测值做差得到差值,并求得每个时刻的差值平均值;
利用聚类方法将每个时刻的差值平均值分为两类,选取其中数据量大的一类并求得其类平均值;
将每个时刻的类平均值组成时间序列,并基于时间序列求出累积概率分布曲线;
通过威布尔函数对累积概率分布曲线进行拟合,并给定预设的虚假警示率求得阈值。
优选的,所述多模型神经网络的训练包括:
根据智能电网拓扑结构将收到的1×(b+l)维测量数据构建为b×b维的测量矩阵;其中,b为电网节点总数,l为节点之间传输线总数;
利用随机函数生成n×k维随机矩阵;其中,n∈[0,b],k的取值取决于时间复杂度和预测效果之间的平衡;
测量矩阵按照随机矩阵的第m∈[1,k]列剔除n行n列,从而生成k个(b-n)×(b-n)维的数据矩阵;
将生成的k个数据矩阵输入k个多模型神经网络,对多模型神经网络进行训练;其中,多模型神经网络由卷积神经网络、回归神经网络和全连接层组成。
优选的,所述根据智能电网拓扑结构将收到的1×(b+l)维测量数据构建为b×b维的测量矩阵包括:
将收到的1×(b+l)维测量数据分为节点测量值 和传输线测量值/>
将节点测量值放在测量矩阵的对角线位置,将传输线测量值放在上三角和下三角位置,两节点之间没有传输线则用0填充,则测量矩阵的表达式如下:
优选的,所述将生成的k个数据矩阵输入k个多模型神经网络包括:
生成的k个数据矩阵送入k个卷积神经网络,用于提取智能电网的空间特征;
将卷积神经网络输出值送入k个回归神经网络,用于提取数据之间的时间特征;
将每个回归神经网络的输出值连接到一个全连接层,每个全连接层输出一个预测矩阵。
优选的,所述通过威布尔函数对累积概率分布曲线进行拟合,并给定预设的虚假警示率求得阈值包括:
取累积概率分布曲线的横轴的类平均值记为M,取累积概率分布曲线的纵轴的类平均值对应的累积概率记为F(M);
设定威布尔函数的表达式如下:
通过拟合得到参数α和β;
取预设的虚假警示率记为FAR,1-FAR对应累积概率密度曲线的纵轴的累积概率,对应横坐标即为阈值其表达式如下:
第二方面,本发明提供了一种智能电网中虚假数据检测装置,其特征在于,所述装置包括:
预测值获取模块,用于将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值;
差值平均值获取模块,用于将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值;
类平均值获取模块,用于利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值;
虚假数据判断模块,用于判断实时的类平均值与设定的阈值的大小,
若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;
若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击。
第三方面,本发明提供了一种智能电网中虚假数据检测设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面,本发明提供了计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的一种智能电网中虚假数据检测方法、装置、设备及存储介质,对测量数据进行预处理,即将测量数据(矢量形式)按照智能电网拓扑结构映射为矩阵形式,然后采取随机剔除构建矩阵部分数据并构建多模型的冗余措施,以减小攻击数据对预测结果的影响;
通过卷积神经网络对构建矩阵进行空间特征提取,回归神经网络对卷积神经网络结果进行时间预测,充分利用数据之间的时空关系,以便获得更为精确的预测效果,进而获得更好的检测结果,并且做到了实时监测。
附图说明
图1是本发明实施例提供的一种实施场景示意图;
图2是本发明实施例提供的智能电网中虚假数据检测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的实施场景如图1所示,仪表/传感器、远程终端单元等易受到虚假数据的攻击,因此需要在控制系统收集数据之前对数据是否存在虚假数据进行检测。
实施例一:
如图2所示,本实施例提供了一种智能电网中虚假数据检测方法,包括以下步骤:
步骤1、将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值。
步骤2、将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值。
步骤3、利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值。
步骤4、判断实时的类平均值与设定的阈值的大小,
若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;
若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击。
其中,阈值的设定包括:
步骤4.1、取训练集中测量值输入训练好的多模型神经网络中输出对应的预测值;
多模型神经网络的训练包括:
步骤4.1.1、根据智能电网拓扑结构将收到的1×(b+l)维测量数据构建为b×b维的测量矩阵;其中,b为电网节点总数,l为节点之间传输线总数;
具体为:将收到的1×(b+l)维测量数据分为节点测量值 和传输线测量值/>
将节点测量值放在测量矩阵的对角线位置,将传输线测量值放在上三角和下三角位置,两节点之间没有传输线则用0填充,则测量矩阵的表达式如下:
步骤4.1.2、利用随机函数生成n×k维随机矩阵;其中,n∈[0,b],k的取值取决于时间复杂度和预测效果之间的平衡;k的取值一般为节点连接传输线最多的数量的1-2倍,例如,一个节点连接的传输线最多,连接了3条,则k取3-6即可。
步骤4.1.3、测量矩阵按照随机矩阵的第m∈[1,k]列剔除n行n列,从而生成k个(b-n)×(b-n)维的数据矩阵;
步骤4.1.4、将生成的k个数据矩阵输入k个多模型神经网络,对多模型神经网络进行训练;其中,多模型神经网络由卷积神经网络、回归神经网络和全连接层组成。
具体为:生成的k个数据矩阵送入k个卷积神经网络,用于提取智能电网的空间特征;
将卷积神经网络输出值送入k个回归神经网络,用于提取数据之间的时间特征;
将每个回归神经网络的输出值连接到一个全连接层,每个全连接层输出一个预测矩阵。
步骤4.2、将每个时刻的测量值和预测值做差得到差值,并求得每个时刻的差值平均值;
假设有T时刻的数据。将其每个时刻输出的k组测量值预测数据 与实际收到的测量数据Z=[z1,z2,…,z(b+l)]做差Rx=[r1,r2,…r(b+l)],并分别求得k组差值数据的平均值/>
步骤4.3、利用聚类方法将每个时刻的差值平均值分为两类,选取其中数据量大的一类并求得其类平均值;
将每个时刻的k组差值平均值利用聚类方法聚为两类(A和B),并将数据量大的一类A(如果A和B数据量相等,则随机选取其中一类。)求数据的平均值
步骤4.4、将每个时刻的类平均值组成时间序列,并基于时间序列求出累积概率分布曲线;累积概率分布曲线即对类平均值数据进行统计,取数据的范围,然后把数据范围进行等分,将数据落在等分范围占总体的概率累积所得;
步骤4.5、通过威布尔函数对累积概率分布曲线进行拟合,并给定预设的虚假警示率求得阈值。
具体为:取累积概率分布曲线的横轴的类平均值记为M,取累积概率分布曲线的纵轴的类平均值对应的累积概率记为F(M);
设定威布尔函数的表达式如下:
通过拟合得到参数α和β;
取预设的虚假警示率记为FAR,1-FAR对应累积概率密度曲线的纵轴的累积概率,对应横坐标即为阈值其表达式如下:
实施例二:
本实施例提供了一种智能电网中虚假数据检测装置,装置包括:
预测值获取模块,用于将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值;
差值平均值获取模块,用于将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值;
类平均值获取模块,用于利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值;
虚假数据判断模块,用于判断实时的类平均值与设定的阈值的大小,
若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;
若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击。
实施例三:
本实施例提供了一种智能电网中虚假数据检测设备,包括处理器及存储介质;
存储介质用于存储指令;
处理器用于根据指令进行操作以执行根据实施例一的方法的步骤。
实施例四:
本实施例提供了计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现实施例一的方法的步骤。
本发明智能电网中虚假数据检测方法、装置、设备及存储介质,该方法首先利用电网拓扑将收集到的测量数据矢量按照拓扑结构重构成二维矩阵形式,以便于卷积神经网络(多模型神经网络一部分)提取智能电网的空间结构特征。接着随机选取2≤n≤b/2个电网节点(其中b为智能电网总节点数),将这n个电网节点在二维矩阵中所在行和列删除,目的是在预测过程中最大限度保持空间结构的基础上减少电网测量量中受攻击的数量,提高预测精度。随后将设计好的二维矩阵送入神经网络对神经网络进行训练。为了提高系统稳定性以及达到随机删除节点带来的减少攻击节点对预测影响的效果达到实时监测的目的,需采用多模型冗余的方式,即构建k个上述二维矩阵进行k组神经网络训练。将训练集数据送入训练好的多模型神经网络,输出为每个时刻测量数据的预测值。将该预测值与实际收到的测量值做差,并求得每个时刻k组差值的平均值。然后利用聚类方法将每个时刻的差值平均值聚为两类,将数据量大的一类求平均值,并求得该平均值时间序列的累积概率分布曲线,然后利用威布尔函数对该曲线进行拟合,在给定虚假警示率的情况下求得阈值。最后利用训练好的多模型神经网络和阈值进行实时预测分析。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种智能电网中虚假数据检测方法,其特征在于,包括:
将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值;
将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值;
利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值;
判断实时的类平均值与设定的阈值的大小,
若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;
若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击;
其中,所述阈值的设定包括:
取训练集中测量值输入训练好的多模型神经网络中输出对应的预测值;
将每个时刻的测量值和预测值做差得到差值,并求得每个时刻的差值平均值;
利用聚类方法将每个时刻的差值平均值分为两类,选取其中数据量大的一类并求得其类平均值;
将每个时刻的类平均值组成时间序列,并基于时间序列求出累积概率分布曲线;
通过威布尔函数对累积概率分布曲线进行拟合,并给定预设的虚假警示率求得阈值;
其中,所述多模型神经网络的训练包括:
根据智能电网拓扑结构将收到的1×(b+l)维测量数据构建为b×b维的测量矩阵;其中,b为电网节点总数,l为节点之间传输线总数;
利用随机函数生成n×k维随机矩阵;其中,n∈[0,b],k的取值取决于时间复杂度和预测效果之间的平衡;
测量矩阵按照随机矩阵的第m∈[1,k]列剔除n行n列,从而生成k个(b-n)×(b-n)维的数据矩阵;
将生成的k个数据矩阵输入k个多模型神经网络,对多模型神经网络进行训练;其中,多模型神经网络由卷积神经网络、回归神经网络和全连接层组成;
其中,所述根据智能电网拓扑结构将收到的1×(b+l)维测量数据构建为b×b维的测量矩阵包括:
将收到的1×(b+l)维测量数据分为节点测量值和传输线测量值
将节点测量值放在测量矩阵的对角线位置,将传输线测量值放在上三角和下三角位置,两节点之间没有传输线则用0填充,则测量矩阵的表达式如下:
其中,所述将生成的k个数据矩阵输入k个多模型神经网络包括:
生成的k个数据矩阵送入k个卷积神经网络,用于提取智能电网的空间特征;
将卷积神经网络输出值送入k个回归神经网络,用于提取数据之间的时间特征;
将每个回归神经网络的输出值连接到一个全连接层,每个全连接层输出一个预测矩阵;
其中,所述通过威布尔函数对累积概率分布曲线进行拟合,并给定预设的虚假警示率求得阈值包括:
取累积概率分布曲线的横轴的类平均值记为M,取累积概率分布曲线的纵轴的类平均值对应的累积概率记为F(M);
设定威布尔函数的表达式如下:
通过拟合得到参数α和β;
取预设的虚假警示率记为FAR,1-FAR对应累积概率密度曲线的纵轴的累积概率,对应横坐标即为阈值其表达式如下:
2.一种智能电网中虚假数据检测装置,其特征在于,采用如权利要求1所述方法的步骤,所述装置包括:
预测值获取模块,用于将实时接收到的测量值输入训练好的多模型神经网络中输出实时的预测值;
差值平均值获取模块,用于将实时的测量值和预测值做差得到实时的差值,并求得实时的差值平均值;
类平均值获取模块,用于利用聚类方法将实时的差值平均值分为两类,选取其中数据量大的一类并求得实时的类平均值;
虚假数据判断模块,用于判断实时的类平均值与设定的阈值的大小,
若实时的类平均值大于阈值,则认为此时发生虚假数据攻击;
若实时的类平均值小于等于阈值,则认为此时未发生虚假数据攻击。
3.一种智能电网中虚假数据检测设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1所述方法的步骤。
4.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779286.8A CN113657644B (zh) | 2021-07-09 | 2021-07-09 | 智能电网中虚假数据检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779286.8A CN113657644B (zh) | 2021-07-09 | 2021-07-09 | 智能电网中虚假数据检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657644A CN113657644A (zh) | 2021-11-16 |
CN113657644B true CN113657644B (zh) | 2024-02-23 |
Family
ID=78477293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110779286.8A Active CN113657644B (zh) | 2021-07-09 | 2021-07-09 | 智能电网中虚假数据检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657644B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277109B (zh) * | 2022-07-04 | 2023-06-30 | 北京航空航天大学杭州创新研究院 | 一种面向虚假数据注入攻击的智能微网分布式动态跟踪技术 |
CN116992389B (zh) * | 2023-09-26 | 2023-12-29 | 河北登浦信息技术有限公司 | 一种物联网虚假数据检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108537394A (zh) * | 2017-03-01 | 2018-09-14 | 全球能源互联网研究院 | 一种智能电网实时安全预警方法和装置 |
CN110930265A (zh) * | 2019-12-12 | 2020-03-27 | 燕山大学 | 一种基于移地距离的电力系统虚假数据注入攻击检测方法 |
CN111882041A (zh) * | 2020-07-31 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种基于改进rnn神经网络的电网攻击检测方法及装置 |
CN112418398A (zh) * | 2020-11-20 | 2021-02-26 | 国网江苏省电力有限公司苏州供电分公司 | 电力信息设备安全监测方法 |
CN112560079A (zh) * | 2020-11-03 | 2021-03-26 | 浙江工业大学 | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101621019B1 (ko) * | 2015-01-28 | 2016-05-13 | 한국인터넷진흥원 | 시계열 통계 기반 공격의심 이상징후를 탐지하기 위한 방법 |
US10425443B2 (en) * | 2016-06-14 | 2019-09-24 | Microsoft Technology Licensing, Llc | Detecting volumetric attacks |
US20180262525A1 (en) * | 2017-03-09 | 2018-09-13 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
-
2021
- 2021-07-09 CN CN202110779286.8A patent/CN113657644B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537394A (zh) * | 2017-03-01 | 2018-09-14 | 全球能源互联网研究院 | 一种智能电网实时安全预警方法和装置 |
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 |
CN110930265A (zh) * | 2019-12-12 | 2020-03-27 | 燕山大学 | 一种基于移地距离的电力系统虚假数据注入攻击检测方法 |
CN111882041A (zh) * | 2020-07-31 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种基于改进rnn神经网络的电网攻击检测方法及装置 |
CN112560079A (zh) * | 2020-11-03 | 2021-03-26 | 浙江工业大学 | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法 |
CN112418398A (zh) * | 2020-11-20 | 2021-02-26 | 国网江苏省电力有限公司苏州供电分公司 | 电力信息设备安全监测方法 |
Non-Patent Citations (3)
Title |
---|
An accurate false date detection in smrat grid based on residual recurrent neural nework and adaptive threshod;Yufeng Wang et al.;IEEE International Conference on Energy Internet;全文 * |
PDL:An efficient Prediction-based false data injection attack Detection and Location in smart grid;Wanjiao Shi et al.;42nd IEEE International Conference on Computer Software&Applications;全文 * |
基于鲁棒主成分分析的智能电网虚假数据注入攻击;田继伟;王布宏;尚福特;;计算机应用(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657644A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657644B (zh) | 智能电网中虚假数据检测方法、装置、设备及存储介质 | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN107124394A (zh) | 一种电力通信网络安全态势预测方法和系统 | |
CN107483487B (zh) | 一种基于topsis的多维网络安全度量方法 | |
CN110119853B (zh) | 基于时间序列监测数据分析的供水管网漏损报警阈值选取方法 | |
CN112966630B (zh) | 一种超/特高压gis开关设备运行状态评估方法、系统及设备 | |
CN105228185B (zh) | 一种用于识别通信网络中模糊冗余节点身份的方法 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
CN113850475A (zh) | 一种基于大数据的生产设备性能评估系统 | |
CN115311829A (zh) | 一种基于海量数据的精准告警方法及系统 | |
CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN108197347B (zh) | 连续不规则区域采样点的地理空间分布均匀度检测方法 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN112836843B (zh) | 一种基站退服告警预测方法及装置 | |
CN113094702A (zh) | 基于lstm网络的虚假数据注入攻击检测方法及其装置 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN115129706B (zh) | 一种考虑周期性特征的土壤水分观测数据质量评估方法 | |
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 | |
CN111125195A (zh) | 一种数据异常检测方法及装置 | |
CN111381573A (zh) | 一种工业控制系统安全性的预测方法和系统 | |
CN114019946B (zh) | 工控终端的监控数据处理方法及装置 | |
CN116107859B (zh) | 容器故障预测方法、装置、电子设备及存储介质 | |
Guo et al. | Multisensor Data Fusion System for Slurry Level Measurement in Pulper |
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 |