CN114386330A - 一种基于q学习网络攻击的电网连锁故障预测方法 - Google Patents
一种基于q学习网络攻击的电网连锁故障预测方法 Download PDFInfo
- Publication number
- CN114386330A CN114386330A CN202210041989.5A CN202210041989A CN114386330A CN 114386330 A CN114386330 A CN 114386330A CN 202210041989 A CN202210041989 A CN 202210041989A CN 114386330 A CN114386330 A CN 114386330A
- Authority
- CN
- China
- Prior art keywords
- line
- attack
- probability
- cascading failure
- network attack
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 11
- 108010074506 Transfer Factor Proteins 0.000 claims description 8
- 230000007257 malfunction Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 12
- 239000007799 cork Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于Q学习网络攻击的电网连锁故障预测方法,包括:1构建网络攻击模型,确定断路器无故障跳闸攻击的各攻击路径成功概率,2构建基于Q学习的连锁故障演化模型,并使用Q学习算法进行训练,生成Q值表以选取最优网络攻击方案,可筛选出产生较大风险的攻击路径。本发明在考虑网络攻击成功概率的基础上,利用Q学习算法选取网络攻击路径,既能避免类似遍历算法的大范围计算,极大缩短计算时间,在工作量与完备性之间有较好的平衡,为网络攻击场景下的电网连锁故障防控提供理论指导。
Description
技术领域
本发明属于电力系统领域,具体的说是一种基于Q学习网络攻击的电网连锁故障预测方法。
背景技术
随着电力系统与信息系统深度耦合,信息系统在提高电网性能的同时也引入新的故障形式,改变连锁故障传播路径,因此传统的连锁故障预测方式需要相应改进。当前大多数学者在研究网络攻击的时候,主要针对由单一网络攻击或信息网自身故障引起的连锁故障,并未考虑多次网络攻击的场景,且传统的连锁故障分析模型难以发现普遍规律或计算量过于庞大。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于Q学习网络攻击的电网连锁故障预测方法,以期能更精准地预测网络攻击情形下的事故链,并对连锁故障进行风险评估,进一步提高风险预测的准确率,并在工作量与完备性之间取得平衡,从而能为电网连锁故障防控提供理论指导。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于Q学习网络攻击的电网连锁故障预测方法的特点是按如下步骤进行:
步骤1、以断路器无故障跳闸为目标,构建基于模糊层次分析法的攻击树模型,并得到断路器无故障跳闸攻击的各攻击路径成功概率,其中,第i条攻击路径Mi的成功概率记为P(Mi);
步骤2、构建基于Q学习的连锁故障演化模型,并使用Q学习算法进行训练:
步骤2.1、初始化迭代次数x=1,初始化事故链所处环节数y=1,定义最大迭代次数为N,随机网络攻击的迭代次数阈值为m;
步骤2.2、若迭代次数x小于等于m,则采用随机攻击;
若迭代次数x大于m次,则按照概率ε采用随机攻击,按照概率1-ε采用最大Q值的对应线路作为攻击目标;
步骤2.3、判断第x次连锁故障过程的事故链所处环节的环节数y是否为1,若是,则将网络攻击线路直接作为初始故障线路,令初始故障概率PC=P(Mi)并转步骤2.6,否则执行步骤2.4;
步骤2.4、判断电网是否解列为两部分或者事故链是否达到预定的演化深度,若是,则表示结束第x次连锁故障过程,并转至步骤2.7,否则执行步骤2.5;
步骤2.5、后续故障线路的选取:
若第x次连锁故障过程中事故链的第y环节有线路严重过负荷,则将严重过负荷线路直接作为下级停运线路;
若第x次连锁故障过程中事故链的第y环节无严重过负荷线路,判断是否有线路一般过负荷,若是,则采用基于灵敏度的过负荷控制方法消除一般过负荷线路,再计算所有线路停运概率,选取停运概率最高的线路作为下级停运线路,若否,则直接计算所有线路停运概率,选取停运概率最高的线路作为下级停运线路;其中,所述线路停运概率包括:潮流转移因素、隐性故障因素、网络攻击因素;
步骤2.6、跳开所选的初始故障线路或下级停运线路,计算第x次连锁故障过程中的环节风险值,并用于更新Q值表后,将y+1赋值给y,并转至步骤2.2;
步骤2.7、判断x是否达到N,若是,则表示训练结束,得到最终的连锁故障演化模型并执行步骤3,否则,将x+1赋值给x后,初始化事故链所处的环节数y=1,并转至步骤2.2顺序执行;
步骤3、输出相应数据包括:事故链路径、事故链各环节采取控制量,事故发生概率,各环节风险值、Q值表,从而得到最优攻击方案,即产生较大风险的攻击路径。
本发明所述的基于Q学习网络攻击的电网连锁故障预测方法的特点也在于,所述步骤2.5的线路停运概率是按如下步骤计算:
式(1)中,Cori表示线路i的关联性指标;Cork表示线路k的关联性指标;NP为电力系统中的线路集合;
式(2)中,Pmis_b,Pmis_d分别表示保护装置、断路器的误动概率,Pinact_d为断路器拒动的概率;
所述步骤2.6包括:
步骤2.6.1、令st为第t阶段下电网线路的状态,即st={st(1),…st(w)…,st(W)},其中,st(w)表示第t阶段下线路w的状态,W为电网的线路总数,1<w<W;并有:
式(5)中,当st(w)=1时,表示线路w正常运行,当st(w)=0时,表示线路w停运;
步骤2.6.2、利用式(6)得到单次网络攻击造成的风险值并作为奖罚值rt+1:
步骤2.6.3、利用式(7)更新Q值表:
Q′(st,at)=Q(st,at)+α[rt+1+γmaxQ(st+1,at)-Q(st,at)] (7)
式(7)中,α表示学习因子,at表示Agent在t阶段采取的动作方案;rt+1表示Agent处于状态st,采取某一动作at后的奖罚值;γ为折扣因子;maxQ(st+1,at)表示Agent目前状态st到达下一状态所取的最大Q值。
与现有技术相比,本发明的有益效果在于:
1、本发明将Q学习算法与多次网络攻击结合,在考虑网络攻击的基础上预测高风险事故链路径;并使用强化学习解决了类似遍历算法的大范围计算问题,有效缩短了计算时间,同时也兼顾完备性,提高预测效率。通过调整折扣因子参数,可以综合考虑每一环节风险和总风险的影响,解决了传统连锁故障风险计算中事故链长度和总风险值间的矛盾。
2、本发明在连锁故障分析中考虑网络攻击成功概率,将网络攻击作为下级线路停运的因素之一,完善多次网络攻击场景,克服了现有后续故障线路选取的局限性,考虑了多次攻击对连锁故障的影响,同时兼顾了潮流转移因素和隐性故障因素的影响,提高了事故链预测的精准性。
附图说明
图1为本发明断路器无故障跳闸攻击树模型;
图2为现有技术中IEEE39节点系统结构图;
图3为本发明各断路器被攻击的成功概率。
具体实施方式
本实施例中,一种基于Q学习网络攻击的电网连锁故障预测方法是按如下步骤进行:
步骤1、以断路器无故障跳闸为目标,构建基于模糊层次分析法的攻击树模型,并得到断路器无故障跳闸攻击的各攻击路径成功概率,其中,第i条攻击路径Mi的成功概率记为P(Mi);
实现断路器无故障跳闸目标G的方案有:攻击控制中心、攻击控制中心与变电站之间的通信网络、访问变电站HMI、访问RTU和访问保护继电器,分别用V1~V5表示,构建攻击树模型如图1所示,F1-F11为叶节点,F1、F2分别表示通过端口扫描方式和访问交换机并入侵控制中心服务器;F3表示截获测量值以及状态包;V6表示虚假信息注入;F4、F5表示实现V6的两种方法,即安装窃听设备和用恰当解码方法破解信息;F6、F7表示通过端口扫描访问系统端口和访问并入侵变电站用户接口;F8、F9表示拨号连接到达变电站应答调制解调器和破解密码访问RTU;F10、F11表示端口扫描变电站网络和破解密码访问保护继电器。
叶节点F的攻击成功概率由三个属性表示,即叶节点F的攻击成本costF、叶节点F的攻击难度diffF和叶节点F的攻击被发现可能性detF,评分标准有5级,利用式(1)可得叶节点F的攻击成功概率P(F):
P(F)=Wcost×U(costF)+Wdiff×U(diffF)+Wdet×U(detF) (1)
式(1)中,Wcost、Wdiff、Wdet分别为叶节点F攻击成本costF、叶节点F攻击难度diffF、叶节点F攻击被发现可能性detF三个属性对应的权重;U(costF)、U(diffF)、U(detF)分别为叶节点F攻击成本costF、叶节点F攻击难度diffF、叶节点F攻击被发现可能性detF三个属性对应的效用值。权重可由模糊层次分析法得出,各叶节点属性评分由计算分析人员给出,效用值则由各属性评分得到。
综上所述,利用式(2)可得各路径攻击成功概率:
式(2)中,P(Mi)表示第i条攻击路径被攻击的成功概率,f表示攻击路径总数。
本实施例中,以IEEE39节点电力系统模拟网络攻击情形下的电网连锁故障传播过程,IEEE39节点系统结构如图2所示,计算可得6个攻击路径实现断路器无故障开断的成功概率,其中由于V2有两种实现方法,故共有6个攻击路径,结果如图3所示。
步骤2、构建基于Q学习的连锁故障演化模型,并使用Q学习算法进行训练:
步骤2.1、初始化迭代次数x=1,初始化事故链所处环节数y=1,定义最大迭代次数为N,随机网络攻击的迭代次数阈值为m;
步骤2.2、若迭代次数x小于等于m,则采用随机攻击;
若迭代次数x大于m次,则按照概率ε采用随机攻击,按照概率1-ε采用最大Q值的对应线路作为攻击目标;
训练初期Agent经验较少,难以采用最优攻击。攻击方案通常先采取随机攻击,获取尽可能多的方案,实现对环境的初步探索。随着训练的增多,一定程度可根据学习经验选取局部最优攻击方案,主要采用ε-greed算法选择攻击方案,利用式(3)可得选择局部最优攻击方案概率:
式(3)中,at表示Agent在t阶段采取的动作方案,表示Agent处于状态st,采取局部最优攻击方案的概率值。ε为探索参数,为1表示Agent完全随机选取攻击方案,为0表示按照Q值选取。训练后期,ε会随着训练的深入不断减小。
步骤2.3、判断第x次连锁故障过程的事故链所处环节数y是否为1,若是,则将网络攻击线路直接作为初始故障线路,令初始故障概率PC=P(Mi)并转步骤2.6,否则执行步骤2.4;
步骤2.4、判断电网是否解列为两部分或者事故链是否达到预定的演化深度,若是,则表示结束第x次连锁故障过程,并转至步骤2.7,否则执行步骤2.5;
步骤2.5、后续故障线路的选取:
若第x次连锁故障过程中事故链第y环节有线路严重过负荷,则将严重过负荷线路直接作为下级停运线路;
若第x次连锁故障过程中事故链的第y环节无严重过负荷线路,判断是否有线路一般过负荷,若是,则采用基于灵敏度的过负荷控制方法消除一般过负荷线路,再计算所有线路停运概率,选取停运概率最高的线路作为下级停运线路,若否,则直接计算所有线路停运概率,选取停运概率最高的线路作为下级停运线路;其中,所述线路停运概率包括:潮流转移因素、隐性故障因素、网络攻击因素;
本实施例中,线路停运概率是按如下步骤计算:
式(4)中,Cori表示线路i的关联性指标;Cork表示线路k的关联性指标;NP为电力系统中的线路集合,Cork按如下计算:
利用式(5)~式(8)定义线路k的潮流负载情况指标Dk、线路k的潮流耦合关系指标Sk、线路k的潮流波动指标Bk来描述线路k断开后对其他线路的影响,以此评估线路k因潮流转移因素引起的随机停运,得到下级线路k的关联性指标Cork:
Cork=Dk×Sk×Bk (5)
Dk=(Fk,j-Fk,j-1)/Fkmax (6)
Sk=|(Fk,j-Fk,j-1)/Fi,j-1 (7)
Bk=|(FLk,j-FLk,j-1)/Fk,j-1 (8)
式(5)~式(8)中,Fk,j、Fk,j-1分别表示线路k在事故链第j和j-1阶段的潮流值;Fkmax表示线路k的热稳定极限值。
式(9)中,Pmis_b,Pmis_d分别表示保护装置、断路器的误动概率,Pinact_d为断路器拒动的概率;
步骤2.6、跳开所选的初始故障线路或下级停运线路,计算第x次连锁故障过程中的环节风险值,并用于更新Q值表后将y+1赋值给y并转至步骤2.2;
步骤2.6包括:
步骤2.6.1、令st为第t阶段下电网线路的状态,即st={st(1),…st(w)…,st(W)},其中,st(w)表示第t阶段下线路w的状态,W为电网的线路总数,1<w<W;并有:
式(12)中,当st(w)=1时,表示线路w正常运行,当st(w)=0时,表示线路w停运;
步骤2.6.2、利用式(13)得到单次网络攻击造成的风险值并作为奖罚值rt+1:
Pjk1=(1-Pinact_b)(1-Pinact_d) (14)
式(14)中,Pinact_b、Pinact_d分别为保护拒动和断路器拒动的概率。
步骤2.6.3、利用式(15)更新Q值表:
Q′(st,at)=Q(st,at)+α[rt+1+γmaxQ(st+1,at)-Q(st,at)] (15)
式(15)中,α表示学习因子,α=1表示Agent完全接收实时奖罚值,易导致学习过程中波动性较大;α=0表示Agent完全保守,不接受更新。at表示Agent在t阶段采取的动作方案。rt+1表示Agent处于状态st,采取某一动作at后的奖罚值。γ为折扣因子,表示接下来的决策对目前Q值更新的影响程度。maxQ(st+1,at)表示Agent目前状态st到达下一状态所取的最大Q值。
步骤2.7、判断x是否达到N,若是,则表示训练结束,得到最终的连锁故障演化模型并执行步骤3,否则,将x+1赋值给x后,初始化事故链所处环节数y=1,并转至步骤2.2顺序执行。
步骤3、输出相应数据包括:事故链路径、事故链各环节采取控制量,事故发生概率,各环节风险值、Q值表,从而得到最优攻击方案,即产生较大风险的攻击路径。
Claims (3)
1.一种基于Q学习网络攻击的电网连锁故障预测方法,其特征是按如下步骤进行:
步骤1、以断路器无故障跳闸为目标,构建基于模糊层次分析法的攻击树模型,并得到断路器无故障跳闸攻击的各攻击路径成功概率,其中,第i条攻击路径Mi的成功概率记为P(Mi);
步骤2、构建基于Q学习的连锁故障演化模型,并使用Q学习算法进行训练:
步骤2.1、初始化迭代次数x=1,初始化事故链所处环节数y=1,定义最大迭代次数为N,随机网络攻击的迭代次数阈值为m;
步骤2.2、若迭代次数x小于等于m,则采用随机攻击;
若迭代次数x大于m次,则按照概率ε采用随机攻击,按照概率1-ε采用最大Q值的对应线路作为攻击目标;
步骤2.3、判断第x次连锁故障过程的事故链所处环节的环节数y是否为1,若是,则将网络攻击线路直接作为初始故障线路,令初始故障概率PC=P(Mi)并转步骤2.6,否则执行步骤2.4;
步骤2.4、判断电网是否解列为两部分或者事故链是否达到预定的演化深度,若是,则表示结束第x次连锁故障过程,并转至步骤2.7,否则执行步骤2.5;
步骤2.5、后续故障线路的选取:
若第x次连锁故障过程中事故链的第y环节有线路严重过负荷,则将严重过负荷线路直接作为下级停运线路;
若第x次连锁故障过程中事故链的第y环节无严重过负荷线路,判断是否有线路一般过负荷,若是,则采用基于灵敏度的过负荷控制方法消除一般过负荷线路,再计算所有线路停运概率,选取停运概率最高的线路作为下级停运线路,若否,则直接计算所有线路停运概率,选取停运概率最高的线路作为下级停运线路;其中,所述线路停运概率包括:潮流转移因素、隐性故障因素、网络攻击因素;
步骤2.6、跳开所选的初始故障线路或下级停运线路,计算第x次连锁故障过程中的环节风险值,并用于更新Q值表后,将y+1赋值给y,并转至步骤2.2;
步骤2.7、判断x是否达到N,若是,则表示训练结束,得到最终的连锁故障演化模型并执行步骤3,否则,将x+1赋值给x后,初始化事故链所处的环节数y=1,并转至步骤2.2顺序执行;
步骤3、输出相应数据包括:事故链路径、事故链各环节采取控制量,事故发生概率,各环节风险值、Q值表,从而得到最优攻击方案,即产生较大风险的攻击路径。
2.根据权利要求1所述的基于Q学习网络攻击的电网连锁故障预测方法,其特征是,所述步骤2.5的线路停运概率是按如下步骤计算:
式(1)中,Cori表示线路i的关联性指标;Cork表示线路k的关联性指标;NP为电力系统中的线路集合;
式(2)中,Pmis_b,Pmis_d分别表示保护装置、断路器的误动概率,Pinact_d为断路器拒动的概率;
3.根据权利要求2所述的基于Q学习网络攻击的电网连锁故障预测方法,其特征是,所述步骤2.6包括:
步骤2.6.1、令st为第t阶段下电网线路的状态,即st={st(1),…st(w)…,st(W)},其中,st(w)表示第t阶段下线路w的状态,W为电网的线路总数,1<w<W;并有:
式(5)中,当st(w)=1时,表示线路w正常运行,当st(w)=0时,表示线路w停运;
步骤2.6.2、利用式(6)得到单次网络攻击造成的风险值并作为奖罚值rt+1:
步骤2.6.3、利用式(7)更新Q值表:
Q′(st,at)=Q(st,at)+α[rt+1+γmaxQ(st+1,at)-Q(st,at)] (7)
式(7)中,α表示学习因子,at表示Agent在t阶段采取的动作方案;rt+1表示Agent处于状态st,采取某一动作at后的奖罚值;γ为折扣因子;maxQ(st+1,at)表示Agent目前状态st到达下一状态所取的最大Q值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210041989.5A CN114386330B (zh) | 2022-01-14 | 2022-01-14 | 一种基于q学习网络攻击的电网连锁故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210041989.5A CN114386330B (zh) | 2022-01-14 | 2022-01-14 | 一种基于q学习网络攻击的电网连锁故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114386330A true CN114386330A (zh) | 2022-04-22 |
CN114386330B CN114386330B (zh) | 2024-02-20 |
Family
ID=81200987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210041989.5A Active CN114386330B (zh) | 2022-01-14 | 2022-01-14 | 一种基于q学习网络攻击的电网连锁故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386330B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529181A (zh) * | 2016-11-17 | 2017-03-22 | 国网四川省电力公司电力科学研究院 | 一种电力系统连锁故障脆弱线路的辨识方法及系统 |
CN109118098A (zh) * | 2018-08-21 | 2019-01-01 | 山东大学 | 高比例风电并网的连锁故障风险评估方法及系统 |
CN112347716A (zh) * | 2020-10-29 | 2021-02-09 | 武汉市工程科学技术研究院 | 基于q学习的电网脆弱点检测方法、系统、设备及介质 |
US20210126943A1 (en) * | 2019-10-29 | 2021-04-29 | General Electric Company | Virtual sensor supervised learning for cyber-attack neutralization |
CN113408921A (zh) * | 2021-06-29 | 2021-09-17 | 合肥工业大学 | 一种基于网络依存关系的连锁故障风险评估方法 |
CN113452026A (zh) * | 2021-06-29 | 2021-09-28 | 华中科技大学 | 一种电力系统薄弱评估智能体训练方法、评估方法和系统 |
US20210334441A1 (en) * | 2020-04-28 | 2021-10-28 | The Texas A&M University System | Apparatus and systems for power system protective relay control using reinforcement learning |
-
2022
- 2022-01-14 CN CN202210041989.5A patent/CN114386330B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529181A (zh) * | 2016-11-17 | 2017-03-22 | 国网四川省电力公司电力科学研究院 | 一种电力系统连锁故障脆弱线路的辨识方法及系统 |
CN109118098A (zh) * | 2018-08-21 | 2019-01-01 | 山东大学 | 高比例风电并网的连锁故障风险评估方法及系统 |
US20210126943A1 (en) * | 2019-10-29 | 2021-04-29 | General Electric Company | Virtual sensor supervised learning for cyber-attack neutralization |
US20210334441A1 (en) * | 2020-04-28 | 2021-10-28 | The Texas A&M University System | Apparatus and systems for power system protective relay control using reinforcement learning |
CN112347716A (zh) * | 2020-10-29 | 2021-02-09 | 武汉市工程科学技术研究院 | 基于q学习的电网脆弱点检测方法、系统、设备及介质 |
CN113408921A (zh) * | 2021-06-29 | 2021-09-17 | 合肥工业大学 | 一种基于网络依存关系的连锁故障风险评估方法 |
CN113452026A (zh) * | 2021-06-29 | 2021-09-28 | 华中科技大学 | 一种电力系统薄弱评估智能体训练方法、评估方法和系统 |
Non-Patent Citations (1)
Title |
---|
丁明;李晓静;张晶晶;: "面向SCADA的网络攻击对电力系统可靠性的影响", 电力系统保护与控制, no. 11, 1 June 2018 (2018-06-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN114386330B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108769062A (zh) | 一种面向电力信息物理系统多阶段网络攻击的防御方法 | |
US20210334441A1 (en) | Apparatus and systems for power system protective relay control using reinforcement learning | |
Wu et al. | Nested reinforcement learning based control for protective relays in power distribution systems | |
CN106789190A (zh) | 一种电力通信网脆弱性评估及路由优化方法 | |
Bernstein et al. | Sensitivity analysis of the power grid vulnerability to large-scale cascading failures | |
CN109145428A (zh) | 一种连锁故障模式下信息物理融合系统脆弱性评估方法 | |
CN106253270A (zh) | 电力系统脆弱线路辨识方法和系统 | |
Sampaio et al. | Adaptive fuzzy directional bat algorithm for the optimal coordination of protection systems based on directional overcurrent relays | |
CN107368966B (zh) | 一种电力网络脆弱性的评估方法 | |
CN113301010B (zh) | 拒绝服务攻击下电力信息网络数据传输通道重要程度的判定方法 | |
Papaspiliotopoulos et al. | Optimal coordination of directional overcurrent relays in distribution systems with distributed generation based on a hybrid PSO-LP algorithm | |
CN113516357A (zh) | 考虑网络攻击风险的电力系统脆弱线路评估方法及系统 | |
Semertzis et al. | Quantitative risk assessment of cyber attacks on cyber-physical systems using attack graphs | |
CN110350522A (zh) | 一种基于加权h指数的电力系统脆弱线路辨识方法 | |
CN110209515A (zh) | 一种可靠性评估方法、装置、设备及存储介质 | |
Draz et al. | Soft computing methods for attaining the protective device coordination including renewable energies: review and prospective | |
Guo et al. | Risk‐based many‐objective configuration of power system fault current limiters utilising NSGA‐III | |
CN109800453B (zh) | 一种快速开关型限流器与断路器的参数优化方法 | |
CN114386330A (zh) | 一种基于q学习网络攻击的电网连锁故障预测方法 | |
CN112865085B (zh) | 一种用于电力信息物理系统的攻击模拟方法及系统 | |
Wang et al. | A genetic-algorithm-based two-stage learning scheme for neural networks | |
Wang et al. | Cyber-physical risk assessment for smart grid system protection scheme | |
CN111864690A (zh) | 一种基于差分-花粉算法的反时限过流定值优化方法 | |
CN104269846A (zh) | 电网故障分区方法 | |
Qi et al. | Optimal-probabilistic coordination of directional overcurrent relays considering network topological uncertainties |
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 |