CN115310586A - 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统 - Google Patents

针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统 Download PDF

Info

Publication number
CN115310586A
CN115310586A CN202210792871.6A CN202210792871A CN115310586A CN 115310586 A CN115310586 A CN 115310586A CN 202210792871 A CN202210792871 A CN 202210792871A CN 115310586 A CN115310586 A CN 115310586A
Authority
CN
China
Prior art keywords
adncps
index
data
situation
time
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.)
Pending
Application number
CN202210792871.6A
Other languages
English (en)
Inventor
梁佳琦
李俊娥
董政呈
刘权莹
关世琦
杜蕙
柴坤成
张家升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210792871.6A priority Critical patent/CN115310586A/zh
Publication of CN115310586A publication Critical patent/CN115310586A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了针对网络攻击的有源配电网信息物理系统(Active Distribution NetworkCyber Physical System，ADNCPS)运行态势预测方法及系统，构建了ADNCPS态势预测指标体系；并对指标体系中的各个指标设定了告警阈值；将实时获取的ADNCPS运行数据存储至历史数据存储模块中，利用构建的ADNCPS态势预测指标体系完成对初始ADNCPS运行数据的筛选及计算，将计算结果与各个预测指标的告警阈值进行对比，将超过告警阈值的指标数据按照时间序列进行存储；通过建立的基于CNN‑LSTM的模型并行态势预测模型完成各个指标的预测。最后利用模糊层次分析法完成ADNCPS的运行态势预测。本发明提高了预测的准确性，为ADNCPS安全稳定运行保驾护航。

Description

针对网络攻击的有源配电网信息物理系统运行态势预测方法 及系统
技术领域
本发明涉及有源配电网信息物理系统安全稳定运行技术领域，尤其涉及针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统。
背景技术
随着经济的快速发展与能源短缺、环境污染之间的矛盾问题日益突出，使得绿色、可再生能源技术得以蓬勃发展，尤其是小容量、分散化、以就地消纳为主的分布式电源(Distributed Generations，DGs)，已成为电力系统不容小觑的组成部分。在此背景下，有源配电网信息物理系统(Active Distribution Network Cyber Physical System，ADNCPS)应运而生并受到了广泛关注。
作为ADNCPS的重要组成部分，DG、可控负荷和分布式储能的大量接入对配电网安全稳定运行带来了巨大挑战。其一，由于不同厂家生产的DG采用不同的通信协议，一旦攻击者掌握ADNCPS拓扑结构等重要信息，并利用通信协议漏洞发起网络攻击，就会严重威胁ADNCPS安全稳定运行；其二，家用终端负荷通过物联网转换为家用可控负荷。但部分家用设备网络安全防护措施薄弱，当攻击者利用网络安全漏洞对大规模家用可控负荷发起网络攻击时，会引起ADNCPS的电压越限和频率振荡。其三，分布式储能接入ADNCPS的相关协议标准内容尚不完善，攻击者可以利用协议标准漏洞植入恶意代码和发送恶意控制命令，进而引起电能质量问题，甚至破坏ADNCPS电能供需平衡。由此可见，一旦攻击者利用安全漏洞发起网络攻击，对ADNCPS造成的不利影响不容小觑。
现有方法中，暂时还没有针对网络攻击的ADNCPS运行态势预测的方法和系统，因此无法对ADNCPS运行态势进行有效预测。
发明内容
本发明提供了一种针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统，用以解决或者至少部分解决现有技术中存在的无法对ADNCPS运行态势进行有效预测的技术问题。
为了解决上述技术问题，本发明第一方面提供了针对网络攻击的有源配电网信息物理系统运行态势预测方法，包括：
S1：构建ADNCPS运行状态迁移模型，其中，ADNCPS为有源配电网信息物理系统，ADNCPS运行状态迁移模型包含运行状态和ADNCPS关键状态节点，其中，运行状态包括有网络攻击的ADNCPS运行状态和无网络攻击的ADNCPS运行状态；
S2：建立ADNCPS态势预测指标体系，该预测指标体系包括信息侧指标、物理侧指标以及各个指标的计算方式；
S3：采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据；
S4：对ADNCPS态势预测指标体系中包含的信息侧指标和物理侧指标进行告警阈值设定；
S5：根据设定的告警阈值对历史运行态势预测数据进行判断，将超过告警阈值的历史态势预测指标构造为训练数据；
S6：实时采集ADNCPS运行数据，将实时采集ADNCPS运行数据按照ADNCPS态势预测指标体系中的各个指标的计算方式进行计算，得到待预测指标数据；
S7：构建CNN-LSTM模型，利用构造的训练数据对CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
S8：利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果；
S9：针对各个ADNCPS态势预测指标结果利用模糊层次分析法进行ADNCPS的运行态势预测。
2.如权利要求1所述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，步骤S1构建的ADNCPS运行状态迁移模型包含5个运行状态和4个ADNCPS关键状态节点，其中，6个运行状态分别为：(1)S1：ADNCPS正常运行状态；(2)S2：ADNCPS脆弱运行状态；(3)S3：有网络攻击的ADNCPS运行状态；(4)S4：ADNCPS恢复运行状态；(5)S5：ADNCPS发生解列并停运状态；4个ADNCPS关键状态节点分别为：(1)S3-1：有网络攻击下的ADNCPS发出告警状态；(2)S3-2：提取ADNCPS态势预测指标体系信息侧与物理侧指标值状态；(3)S3-3：ADNCPS一般风险状态；(4)S3-4：ADNCPS告警运行状态。
在一种实施方式中，步骤S2建立的ADNCPS态势预测指标体系包括1个信息侧指标和8个物理侧指标，其中，信息侧指标C包括流量异常指标C1，物理侧指标P包括供电可靠性指标P1、ADNCPS安全性指标P2、ADNCPS经济性指标P3以及DG出力指标P4。
在一种实施方式中，信息侧指标C中，流量异常指标C1包括流量大小C11，该指标表示ADNCPS遭受网络攻击后，信息系统传输数据在一段时间内，传输数据包的数量，公式为：
Figure BDA0003731003640000031
式(1)中，C11表示在(ti+1-ti)时间内传输Q个数据包，i表示第i时刻。
在一种实施方式中，物理侧指标P中，
1)供电可靠性指标P1包括供电裕度不安全度P11、主变压器负载率不均衡严重度P12和供电能力突变严重度P13
其中，供电裕度不安全度P11的公式为：
Figure BDA0003731003640000032
式(2)中，ΔYt表示ADNCPS在时刻t突增的负荷值；S表示ADNCPS最大供电功率；
主变压器负载率不均衡严重度P12的公式为：
Figure BDA0003731003640000033
式(3)中，δ表示ADNCPS遭受网络攻击后主变压器负载率不均衡的程度；Tp表示主变压器p的负载率；
Figure BDA0003731003640000034
主变压器的平均负载值；N为ADNCPS中的主变压器的总台数；
供电能力突变严重度P13的公式为：
Figure BDA0003731003640000035
式(4)中，β表示为(t+1)时刻主变压器因ADNCPS遭受网络攻击后减少的最大供电能力占上一时刻t的供电总值的百分比；ZP表示主变压器P发生故障的可能性；Sp(t+1)表示主变压器p在(t+1)时刻退出ADNCPS时系统减少功率值；M表示为ADNCPS发生网络攻击后不会因为故障而退出运行的主变压器的数目；S(t+1)表示为ADNCPS在(t+1)时刻的总功率；
ADNCPS安全性指标P2包括电压越限严重度P21、负荷损失严重度P22
其中，电压越限严重度P21表示为：
Figure BDA0003731003640000041
式(5)中，LV表示在t时刻ADNCPS的电压偏移值，Vlow表示t时刻ADNCPS电压的最小值；
ADNCPS在t时刻负荷损失严重度P22表示为：
Figure BDA0003731003640000042
式(6)中，LD表示ADNCPS在t时刻的负荷损失大小；
Figure BDA0003731003640000043
表示ADNCPS遭受网络攻击后，故障母线a上负载节点j的负载值；Da表示发生故障的母线a的负载节点数量；
Figure BDA0003731003640000044
为故障母线a转移到正常母线b上节点c的负载值；Dc为转移到正常母线b上的负载节点数；
ADNCPS经济性指标P3包括线损严重度P31，表示为：
Figure BDA0003731003640000045
式(7)中，Pf表示第f条母线中传输的有功功率大小，ΔPf表示第f条线路的功率损耗；
DG出力指标P4包括DG渗透率P41、DG出力波动严重度P42，
其中，DG渗透率P41表示为：
Figure BDA0003731003640000046
式(8)中，PDG(t)表示DG在t时刻的总输出功率；S(t)表示ADNCPS的总输出功率在t时刻的总输出功率；
DG出力波动严重度P42表示为：
Figure BDA0003731003640000047
式(9)中，PDG(t+1)表示DG在(t+1)时刻的总输出功率；PDG(t)表示DG在t时刻的总输出功率。
在一种实施方式中，S7利用构造的训练数据对CNN-LSTM模型进行训练时，采用基于时间滑动窗口算法的多特征量数据重构法对训练数据进行处理，具体包括：
基于时间滑动窗口算法，每间隔5min提取一次历史运行态势预测数据，并将历史运行态势预测数据映射在时间步长为12的1维时间序列态势预测指标数据组中；每间隔30min提取一次与历史运行态势预测数据相同时间点下的气象数据，并将气象数据映射在时间步长为12的1维时间序列气象数据组中；
将时间设定为横轴，历史运行态势预测数据和气象数设定为纵轴，构建π×φ的二维数据矩阵，其中：π表示历史运行态势预测数据的时间间隔步长数量，φ表示对应时间点的ADNCPS预测指标和气象数据的数量。
在一种实施方式中，S8利用训练好CNN-LSTM模型对待预测指标数据进行预测，具体包括：利用训练好的CNN-LSTM模型的根据π个历史时间点φ个待提取特征的数据之间的相关系数，计算下一个π个时刻ADNCPS态势预测指标的态势值，计算公式为：
Figure BDA0003731003640000051
χ＝C11,P11,P12,P13,P21,P22,P31,P41,P42
Figure BDA0003731003640000052
式(10)中，
Figure BDA0003731003640000053
表示第χ个待预测指标的未来态势值，其中：χ＝C11,P11,P12,P13,P21,P22,P31,P41,P42，
Figure BDA0003731003640000054
表示第χ个待预测指标的下π个时间段的ADNCPS运行态势值，C(IW(t-π,fχ)表示历史t-π时刻的第χ个特征量与t+π时刻ADNCPS的运行态势相关系数，ξθπ表示误差值，
Figure BDA0003731003640000055
表示第χ个待预测指标在t时刻的态势预测值，
Figure BDA0003731003640000056
表示第χ个待预测指标在t+τ-1时刻的态势预测值，fθ表示提取的特征值，θ表示特征向量的个数，pχ t+π表示第χ个待预测指标在t+π时刻的态势预测值。
基于同样的发明构思，本发明第二方面提供了针对网络攻击的有源配电网信息物理系统运行态势预测系统，包括：
运行状态迁移模型构建模块，用于构建ADNCPS运行状态迁移模型，其中，ADNCPS为有源配电网信息物理系统，ADNCPS运行状态迁移模型包含运行状态和ADNCPS关键状态节点，其中，运行状态包括有网络攻击的ADNCPS运行状态和无网络攻击的ADNCPS运行状态；
态势预测指标体系建立模块，用于建立ADNCPS态势预测指标体系，该预测指标体系包括信息侧指标、物理侧指标以及各个指标的计算方式；
第一计算模块，用于采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据；
告警阈值设定模块，用于对ADNCPS态势预测指标体系中包含的信息侧指标和物理侧指标进行告警阈值设定；
训练数据构建模块，用于根据设定的告警阈值对历史运行态势预测数据进行判断，将超过告警阈值的历史态势预测指标构造为训练数据；
第二计算模块，用于实时采集ADNCPS运行数据，将实时采集ADNCPS运行数据按照ADNCPS态势预测指标体系中的各个指标的计算方式进行计算，得到待预测指标数据；
模型构建与训练模块，用于构建CNN-LSTM模型，利用构造的训练数据对CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
预测指标计算模块，用于利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果；
运行态势预测模块，用于针对各个ADNCPS态势预测指标结果利用模糊层次分析法进行ADNCPS的运行态势预测。
相对于现有技术，本发明的优点和有益的技术效果如下：
本发明提供的一种针对网络攻击的有源配电网信息物理系统运行态势预测方法，构建了ADNCPS态势预测指标体系；并对指标体系中的各个指标设定了告警阈值；采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据，将历史运行态势预测数据中的历史指标计算值与各个预测指标的告警阈值进行对比，将超过告警阈值的历史指标数据进行存储，并构造为训练数据；构建了CNN-LSTM模型，并利用训练数据对模型进行训练，利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果，完成各个指标的预测。最后针对各个ADNCPS态势预测指标结果利用模糊层次分析法完成ADNCPS的运行态势预测。基于CNN-LSTM模型的预测方法可以结合信息侧数据和物理侧数据更好的预测ADNCPS将来运行态势的趋势，提高了预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中针对网络攻击的有源配电网信息物理系统信息侧与物理侧耦合图；
图2为有源配电网信息物理系统运行状态迁移图；
图3为有源配电网信息物理系统态势预测指标体系示意图；
图4为针对网络攻击的有源配电网信息物理系统态势预测流程简图。
具体实施方式
本发明提出的针对有源配电网信息物理系统运行态势预测方法及系统，构建了ADNCPS态势预测指标体系；并对指标体系中的各个指标设定了告警阈值；将DPMU实时获取的ADNCPS运行数据存储至针对有源配电网信息物理系统运行态势预测系统中的历史数据存储模块中，利用构建的ADNCPS态势预测指标体系完成对初始ADNCPS运行数据的筛选及计算，将计算结果与各个预测指标的告警阈值进行对比，将超过告警阈值的指标数据作为训练数据，并按照时间序列顺序存储至数据预处理模块中；通过建立的基于CNN-LSTM的并行态势预测模型完成各个指标的预测。针对各个ADNCPS态势预测指标结果利用模糊层次分析法完成ADNCPS的运行态势预测。本发明有助于运维人员根据预测结果及时制定调整ADNCPS运行调整策略，为ADNCPS安全稳定运行保驾护航。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本发明实施例提供了针对网络攻击的有源配电网信息物理系统运行态势预测方法，包括：
S1：构建ADNCPS运行状态迁移模型，其中，ADNCPS为有源配电网信息物理系统，ADNCPS运行状态迁移模型包含运行状态和ADNCPS关键状态节点，其中，运行状态包括有网络攻击的ADNCPS运行状态和无网络攻击的ADNCPS运行状态；
S2：建立ADNCPS态势预测指标体系，该预测指标体系包括信息侧指标、物理侧指标以及各个指标的计算方式；
S3：采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据；
S4：对ADNCPS态势预测指标体系中包含的信息侧指标和物理侧指标进行告警阈值设定；
S5：根据设定的告警阈值对历史运行态势预测数据进行判断，将超过告警阈值的历史态势预测指标构造为训练数据；
S6：实时采集ADNCPS运行数据，将实时采集ADNCPS运行数据按照ADNCPS态势预测指标体系中的各个指标的计算方式进行计算，得到待预测指标数据；
S7：构建CNN-LSTM模型，利用构造的训练数据对CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
S8：利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果；
S9：针对各个ADNCPS态势预测指标结果利用模糊层次分析法进行ADNCPS的运行态势预测。
请参见图1，为本发明实施例中针对网络攻击的有源配电网信息物理系统信息侧与物理侧耦合图。
具体来说，历史运行态势预测数据是指历史运行数据按照指标体系中的计算方式计算得到的各个指标的值，即历史运行态势值，历史运行态势值作为CNN-LSTM模型的输入训练集，进而实现ADNCPS运行态势预测。
步骤S3基于ADNCPS态势预测指标体系的计算方法对采集到的原始运行数据处理，具体实施过程中，在ADNCPS实时运行过程中，大量的运行状态数据可被配电网数据采集与监视控制系统(Supervisory Control ADN Data Acquisition，SCADA)和先进量测体系(Advanced Metering Infrastructure，AMI)捕获。将捕获后的数据存储至ADNCPS中的历史数据存储单元中。根据步骤S2建立的ADNCPS态势预测指标体系对采集到的ADNCPS原始运行数据进行计算。将计算后的结果作为ADNCPS预测模型的训练数据。
步骤S4进行ADNCPS态势预测指标告警阈值设定。为了能够精准预测ADNCPS的运行态势，ADNCPS态势预测系统需要获取大量网络攻击发生后的ADNCPS运行数据。本发明实施例不考虑ADNCPS自身故障发生的情况下引起的ADNCPS态势预测指标告警，只考虑由网络攻击引起的ADNCPS态势预测指标告警。因此，本发明实施例对步骤S2中指标体系中的各个ADNCPS态势预测指标设定告警阈值。此时，ADNCPS处于S1:ADNCPS正常运行状态。
步骤S5进行ADNCPS态势预测指标越限告警判断。基于步骤S4设定的ADNCPS告警阈值，对各个ADNCPS态势预测指标值进行判断，当ADNCPS态势预测指标发生告警时，则定义当前时刻为t0。即：攻击者对ADNCPS发起网络攻击并造成ADNCPS影响的时刻。此时，ADNCPS处于S3-1:有网络攻击下的ADNCPS发出告警运行状态；否则，转到步骤3继续进行原始运行数据的采集。此时，ADNCPS处于S2:ADNCPS脆弱运行状态。
在定义记录t0时刻后，记录ADNCPS的各个态势预测指标值，将配电网SCADA系统和AMI实时采集的各项指标值进行时间标记，并将数据存储至有源配电网信息物理系统运行态势预测系统的历史数据库中，以便为后续态势评估提供分析数据；此时，ADNCPS处于S3-2:有网络攻击下的提取ADNCPS信息侧和物理侧指标值状态。
在一种实施方式中，步骤S1构建的ADNCPS运行状态迁移模型包含5个运行状态和4个ADNCPS关键状态节点，其中，6个运行状态分别为：(1)S1：ADNCPS正常运行状态；(2)S2：ADNCPS脆弱运行状态；(3)S3：有网络攻击的ADNCPS运行状态；(4)S4：ADNCPS恢复运行状态；(5)S5：ADNCPS发生解列并停运状态；4个ADNCPS关键状态节点分别为：(1)S3-1：有网络攻击下的ADNCPS发出告警状态；(2)S3-2：提取ADNCPS态势预测指标体系信息侧与物理侧指标值状态；(3)S3-3：ADNCPS一般风险状态；(4)S3-4：ADNCPS告警运行状态。
构建针对网络攻击的ADNCPS状态转移模型，如图2所示，包含了5个运行状态和4个ADNCPS关键状态节点。
在一种实施方式中，步骤S2建立的ADNCPS态势预测指标体系包括1个信息侧指标和8个物理侧指标，其中，信息侧指标C包括流量异常指标C1，物理侧指标P包括供电可靠性指标P1、ADNCPS安全性指标P2、ADNCPS经济性指标P3以及DG出力指标P4。
具体来说，ADNCPS态势预测指标体系包括1个信息侧指标和8个物理侧指标，其中，信息侧指标C包括流量异常指标C1，物理侧指标P包括供电可靠性指标P1、ADNCPS安全性指标P2、ADNCPS经济性指标P3和DGs出力指标P4组成。其中：供电可靠性指标P1包含供电裕度不安全度P11、主变压器负载率不均衡严重度P12和供电能力突变严重度P13。ADNCPS安全性指标P2包含电压越限严重度P21和负荷损失严重度P22。ADNCPS经济性指标P3包含线损严重度P31。DGs出力指标P4包含DGs渗透率P41和DGs出力波动严重度P42。
在一种实施方式中，信息侧指标C中，流量异常指标C1包括流量大小C11，该指标表示ADNCPS遭受网络攻击后，信息系统传输数据在一段时间内，传输数据包的数量，公式为：
Figure BDA0003731003640000091
式(1)中，C11表示在(ti+1-ti)时间内传输Q个数据包，i表示第i时刻。
具体来说，流量大小C11表示ADNCPS遭受网络攻击后，信息系统传输数据在一段时间内，传输数据包的数量。
在一种实施方式中，物理侧指标P中，
1)供电可靠性指标P1包括供电裕度不安全度P11、主变压器负载率不均衡严重度P12和供电能力突变严重度P13
其中，供电裕度不安全度P11的公式为：
Figure BDA0003731003640000101
式(2)中，ΔYt表示ADNCPS在时刻t突增的负荷值；S表示ADNCPS最大供电功率；
主变压器负载率不均衡严重度P12的公式为：
Figure BDA0003731003640000102
式(3)中，δ表示ADNCPS遭受网络攻击后主变压器负载率不均衡的程度；Tp表示主变压器p的负载率；
Figure BDA0003731003640000103
主变压器的平均负载值；N为ADNCPS中的主变压器的总台数；
供电能力突变严重度P13的公式为：
Figure BDA0003731003640000104
式(4)中，β表示为(t+1)时刻主变压器因ADNCPS遭受网络攻击后减少的最大供电能力占上一时刻t的供电总值的百分比；ZP表示主变压器P发生故障的可能性；Sp(t+1)表示主变压器p在(t+1)时刻退出ADNCPS时系统减少功率值；M表示为ADNCPS发生网络攻击后不会因为故障而退出运行的主变压器的数目；S(t+1)表示为ADNCPS在(t+1)时刻的总功率；
ADNCPS安全性指标P2包括电压越限严重度P21、负荷损失严重度P22
其中，电压越限严重度P21表示为：
Figure BDA0003731003640000105
式(5)中，LV表示在t时刻ADNCPS的电压偏移值，Vlow表示t时刻ADNCPS电压的最小值；
ADNCPS在t时刻负荷损失严重度P22表示为：
Figure BDA0003731003640000111
式(6)中，LD表示ADNCPS在t时刻的负荷损失大小；
Figure BDA0003731003640000112
表示ADNCPS遭受网络攻击后，故障母线a上负载节点j的负载值；Da表示发生故障的母线a的负载节点数量；
Figure BDA0003731003640000113
为故障母线a转移到正常母线b上节点c的负载值；Dc为转移到正常母线b上的负载节点数；
ADNCPS经济性指标P3包括线损严重度P31，表示为：
Figure BDA0003731003640000114
式(7)中，Pf表示第f条母线中传输的有功功率大小，ΔPf表示第f条线路的功率损耗；
DG出力指标P4包括DG渗透率P41、DG出力波动严重度P42，
其中，DG渗透率P41表示为：
Figure BDA0003731003640000115
式(8)中，PDG(t)表示DG在t时刻的总输出功率；S(t)表示ADNCPS的总输出功率在t时刻的总输出功率；
DG出力波动严重度P42表示为：
Figure BDA0003731003640000116
式(9)中，PDG(t+1)表示DG在(t+1)时刻的总输出功率；PDG(t)表示DG在t时刻的总输出功率。
请参见图3，为有源配电网信息物理系统态势预测指标体系示意图。
具体来说，供电裕度不安全度P11可以反映ADNCPS供电容量的安全裕度和运行安全稳定的特性。因此，本实施方式将供电裕度不安全度P11定义为某时刻t突增的负荷与ADNCPS最大供电能力的比值。
主变压器负载率不均衡严重度P12可以反映当ADNCPS遭受网络攻击，并造成主变压器发生故障，此时会将故障下的主变压器的负载进行转移，转以后会造成某一(些)主变压器发生负载率偏高。长时间处于负载不均匀状态下的主变压器会加剧网络攻击对ADNCPS造成的不利影响。
供电能力突变严重度P13表示的是当ADNCPS遭受网络攻击后，系统中某一(些)主变压器发生故障并退出了运行，若供电能力瞬时剧减，会严重威胁ADNCPS安全稳定运行。
ADNCPS安全性指标P2中，电压越限严重度P21表示ADNCPS遭受网络攻击并发生故障时，ADNCPS出现电压越限的状况，当电力设备长时间工作在电压越限环境中，会导致设备的绝缘性大幅度降低，从而影响ADNCPS安全稳定运行
负荷损失严重度P22。该指标表示的是ADNCPS遭受网络攻击后，并发生故障，会导致某一(些)主变压器或者母(馈)线退出运行，退出运行后的主变压器或者母(馈)线所承担的负荷会转移到其他主变压器或母(馈)线上。但是，当转移的负荷量超过主变压器或母(馈)线的容量时，系统就会处于“饱和”状态，无法转移的负荷只能做“退出运行”处理。若故障母(馈)线上含有DGs，则可以通过调整DGs出力回复部分负荷的供电。
ADNCPS经济性指标P3中，线损严重度P31表示ADNCPS遭受网络攻击后，某条线路的功率损耗占有功功率的比值。
DGs出力指标P4中，DGs渗透率P41表示ADNCPS在t时刻DGs在ADNCPS的出力占整个ADNCPS出力的比重。DGs出力波动严重度P42表示DGs接入ADNCPS后的出力波动程度。
在一种实施方式中，S7利用构造的训练数据对CNN-LSTM模型进行训练时，采用基于时间滑动窗口算法的多特征量数据重构法对训练数据进行处理，具体包括：
基于时间滑动窗口算法，每间隔5min提取一次历史运行态势预测数据，并将历史运行态势预测数据映射在时间步长为12的1维时间序列态势预测指标数据组中；每间隔30min提取一次与历史运行态势预测数据相同时间点下的气象数据，并将气象数据映射在时间步长为12的1维时间序列气象数据组中；
将时间设定为横轴，历史运行态势预测数据和气象数设定为纵轴，构建π×φ的二维数据矩阵，其中：π表示历史运行态势预测数据的时间间隔步长数量，φ表示对应时间点的ADNCPS预测指标和气象数据的数量。
具体来说，在ADNCPS实时运行过程中，运维人员根据流量大小C11、供电裕度不安全度P11、主变压器负载率不均衡严重度P12、供电能力突变严重度P13、电压越限严重度P21、负荷损失严重度P22、线损严重度P31、DGs渗透率P41和DGs出力波动严重度P42完成ADNCPS的运行状态评估，制定相关策略来确保ADNCPS运行状态的动态平衡。当上述某一(些)指标发生变化时，剩余指标值同样会直接或间接地受到影响。由于提出的基于CNN-LSTM的超短期ADNCPS态势预测方法对输入数据的格式要求为二维矩阵。本实施方式提出了基于时间滑动窗口算法的多特征量数据重构法。
其中，总时长为6h，气象数据包括温度和风速，π表示历史数据的时间间隔步长数量其中，间隔为5min、周期时长为60min。
通过多特征量数据重构法可以完成1次二维π×φ矩阵输入数据集的构建，为CNN-LSTM提供训练数据集。
在一种实施方式中，S8利用训练好CNN-LSTM模型对待预测指标数据进行预测，具体包括：利用训练好的CNN-LSTM模型的根据π个历史时间点φ个待提取特征的数据之间的相关系数，计算下一个π个时刻ADNCPS态势预测指标的态势值，计算公式为：
Figure BDA0003731003640000131
χ＝C11,P11,P12,P13,P21,P22,P31,P41,P42
Figure BDA0003731003640000132
式(10)中，
Figure BDA0003731003640000133
表示第χ个待预测指标的未来态势值，其中：χ＝C11,P11,P12,P13,P21,P22,P31,P41,P42，
Figure BDA0003731003640000134
表示第χ个待预测指标的下π个时间段的ADNCPS运行态势值，C(IW(t-π,fχ)表示历史t-π时刻的第χ个特征量与t+π时刻ADNCPS的运行态势相关系数，ξθπ表示误差值，
Figure BDA0003731003640000135
表示第χ个待预测指标在t时刻的态势预测值，
Figure BDA0003731003640000136
表示第χ个待预测指标在t+τ-1时刻的态势预测值，fθ表示提取的特征值，θ表示特征向量的个数，pχ t+π表示第χ个待预测指标在t+π时刻的态势预测值。
具体来说，在ADNCPS实时运行过程中，为了确保ADNCPS中的“源-网-荷”动态平衡，运维人员根据流量大小C11、供电裕度不安全度P11、主变压器负载率不均衡严重度P12、供电能力突变严重度P13、电压越限严重度P21、负荷损失严重度P22、线损严重度P31、DGs渗透率P41和DGs出力波动严重度P42对ADNCPS进行运行态势评估并制定相应对策做出调整。考虑到上述指标中的某一(些)指标发生变化时，剩余指标值同样会直接或间接地受到影响。因此，本实施例共有(φ-2)个CNN-LSTM共享相同的数据组，每个CNN-LSTM独立训练1个态势预测指标，互不干扰。CNN经过多个二维卷积核的卷积后，可以在纵轴上提取φ个待提取特征指标的空间相关性，在横轴上提取π次特征的超短期时间相关性。将CNN提取的每个输入矩阵的相关向量经过池化后构造成一个长期时间序列，作为LSTM的输入数据，提取长期历史时间关系用于ADNCPS运行预测。结合时间窗和长期历史数据，实现了ADNCPS中的各个运行指标的态势预测。
通过训练好CNN-LSTM模型，可以得到每个ADNCPS态势预测指标的预测值。
在得到ADNCPS态势预测指标结果(每个ADNCPS态势预测指标的预测值)之后，本发明实施基于模糊层次分析法得到ADNCPS态势预测结果。
为了将ADNCPS运行态势预测结果以量化的方式呈现，本实施例基于模糊层次分析法计算ADNCPS态势预测指标的权重，通过建立的预警等级划分方法对ADNCPS在有/无网络攻击的场景下的ADNCPS的态势预警等级进行量化评估；同样地，为了评判预测模型精准度，建立了预测误差评估指标进行精度评判。此时，ADNCPS会处于S3-3:ADNCPS一般风险状态或S3-4：ADNCPS一告警运行状态。
Step1：预警等级划分
本实施例按照新版的气象灾害预警信号，将ADNCPS的安全态势预警划分为4个等级，蓝色代表安全，黄色代表一般，橙色代表较重，红色代表严重。设
Figure BDA0003731003640000149
为态势预警值，将各预警等级进行区间划分，如表1所示。
表1态势预警等级划分
Figure BDA0003731003640000141
态势预警值
Figure BDA0003731003640000142
的计算公式为：
Figure BDA0003731003640000143
Figure BDA0003731003640000144
式(11)—(12)中，
Figure BDA0003731003640000145
表示ADNCPS态势预警指标向量，
Figure BDA0003731003640000146
表示ADNCPS态势预测指标的权重向量，根据预警等级区间划分，将指标的标度定为0～10。由此可得
Figure BDA0003731003640000147
其中ADNCPS态势预测指标严重度向量
Figure BDA0003731003640000148
Step 2：ADNCPS预测结果
ADNCPS运行状态评估步骤如下：1)提取每个ADNCPS态势预测指标的预测值；2)采用模糊层次分析法计算ADNCPS态势预测指标的权重；3)经式(11)-(12)求得各时刻的预警值，根据预警等级划分方法得到ADNCPS的预警等级。当运维人员根据预测值调整ADNCPS的相关参数可以使得其状态由S3有网络攻击的ADNCPS运行状态转为S4ADNCPS恢复运行状态。当预测结果严重时，ADNCPS的会发生解列并停运，直至运维人员制定相应修复策略才可以使ADNCPS转为正常运行状态。
请参见图4，为具体实施过程中，针对网络攻击的有源配电网信息物理系统态势预测流程简图。
步骤1：构建ADNCPS运行状态转移模型；
步骤2：建立ADNCPS态势预测指标体系；
步骤3：基于ADNCPS态势预测指标体系的计算方法对采集到的原始运行数据处理；
步骤4：ADNCPS态势预测指标告警阈值设定；此时，ADNCPS处于S1:ADNCPS正常运行状态
步骤5：ADNCPS态势预测指标越限告警判断(基于步骤4设定的ADNCPS告警阈值，对各个ADNCPS态势预测指标值进行判断，当ADNCPS态势预测指标发生告警时，转为步骤6，否则，转为步骤3。此时，ADNCPS处于S2:ADNCPS脆弱运行状态)
步骤6：定义网络攻击起始时刻t0；此时，ADNCPS处于S3-1:有网络攻击下的ADNCPS发出告警运行状态。
步骤7：记录t0时刻后的ADNCPS的各个态势预测指标值；此时，ADNCPS处于S3-2:有网络攻击下的提取ADNCPS信息侧和物理侧指标值状态。
步骤8：构建二维矩阵数据模型；
步骤9：基于多步CNN-LSTM模型得到各个ADNCPS态势预测指标预测值；
步骤10：基于模糊层次分析法得到ADNCPS态势预测结果。
实施例二
基于同样的发明构思，本实施例提供了针对网络攻击的有源配电网信息物理系统运行态势预测系统，包括：
运行状态迁移模型构建模块，用于构建ADNCPS运行状态迁移模型，其中，ADNCPS为有源配电网信息物理系统，ADNCPS运行状态迁移模型包含运行状态和ADNCPS关键状态节点，其中，运行状态包括有网络攻击的ADNCPS运行状态和无网络攻击的ADNCPS运行状态；
态势预测指标体系建立模块，用于建立ADNCPS态势预测指标体系，该预测指标体系包括信息侧指标、物理侧指标以及各个指标的计算方式；
第一计算模块，用于采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据；
告警阈值设定模块，用于对ADNCPS态势预测指标体系中包含的信息侧指标和物理侧指标进行告警阈值设定；
训练数据构建模块，用于根据设定的告警阈值对历史运行态势预测数据进行判断，将超过告警阈值的历史态势预测指标构造为训练数据；
第二计算模块，用于实时采集ADNCPS运行数据，将实时采集ADNCPS运行数据按照ADNCPS态势预测指标体系中的各个指标的计算方式进行计算，得到待预测指标数据；
模型构建与训练模块，用于构建CNN-LSTM模型，利用构造的训练数据对CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
预测指标计算模块，用于利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果；
运行态势预测模块，用于针对各个ADNCPS态势预测指标结果利用模糊层次分析法进行ADNCPS的运行态势预测。
由于本发明实施例二所介绍的系统为实施本发明实施例一中针对网络攻击的有源配电网信息物理系统运行态势预测方法所采用的系统，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该系统的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的系统都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，包括：
S1：构建ADNCPS运行状态迁移模型，其中，ADNCPS为有源配电网信息物理系统，ADNCPS运行状态迁移模型包含运行状态和ADNCPS关键状态节点，其中，运行状态包括有网络攻击的ADNCPS运行状态和无网络攻击的ADNCPS运行状态；
S2：建立ADNCPS态势预测指标体系，该预测指标体系包括信息侧指标、物理侧指标以及各个指标的计算方式；
S3：采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据；
S4：对ADNCPS态势预测指标体系中包含的信息侧指标和物理侧指标进行告警阈值设定；
S5：根据设定的告警阈值对历史运行态势预测数据进行判断，将超过告警阈值的历史态势预测指标构造为训练数据；
S6：实时采集ADNCPS运行数据，将实时采集ADNCPS运行数据按照ADNCPS态势预测指标体系中的各个指标的计算方式进行计算，得到待预测指标数据；
S7：构建CNN-LSTM模型，利用构造的训练数据对CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
S8：利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果；
S9：针对各个ADNCPS态势预测指标结果利用模糊层次分析法进行ADNCPS的运行态势预测。
2.如权利要求1所述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，步骤S1构建的ADNCPS运行状态迁移模型包含5个运行状态和4个ADNCPS关键状态节点，其中，6个运行状态分别为：(1)S1：ADNCPS正常运行状态；(2)S2：ADNCPS脆弱运行状态；(3)S3：有网络攻击的ADNCPS运行状态；(4)S4：ADNCPS恢复运行状态；(5)S5：ADNCPS发生解列并停运状态；4个ADNCPS关键状态节点分别为：(1)S3-1：有网络攻击下的ADNCPS发出告警状态；(2)S3-2：提取ADNCPS态势预测指标体系信息侧与物理侧指标值状态；(3)S3-3：ADNCPS一般风险状态；(4)S3-4：ADNCPS告警运行状态。
3.如权利要求1所述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，步骤S2建立的ADNCPS态势预测指标体系包括1个信息侧指标和8个物理侧指标，其中，信息侧指标C包括流量异常指标C1，物理侧指标P包括供电可靠性指标P1、ADNCPS安全性指标P2、ADNCPS经济性指标P3以及DG出力指标P4。
4.如权利要求3所述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，信息侧指标C中，流量异常指标C1包括流量大小C11，该指标表示ADNCPS遭受网络攻击后，信息系统传输数据在一段时间内，传输数据包的数量，公式为：
Figure FDA0003731003630000021
式(1)中，C11表示在(ti+1-ti)时间内传输Q个数据包，i表示第i时刻。
5.如权利要求3所述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，物理侧指标P中，
1)供电可靠性指标P1包括供电裕度不安全度P11、主变压器负载率不均衡严重度P12和供电能力突变严重度P13
其中，供电裕度不安全度P11的公式为：
Figure FDA0003731003630000022
式(2)中，ΔYt表示ADNCPS在时刻t突增的负荷值；S表示ADNCPS最大供电功率；
主变压器负载率不均衡严重度P12的公式为：
Figure FDA0003731003630000023
式(3)中，δ表示ADNCPS遭受网络攻击后主变压器负载率不均衡的程度；Tp表示主变压器p的负载率；
Figure FDA0003731003630000024
主变压器的平均负载值；N为ADNCPS中的主变压器的总台数；
供电能力突变严重度P13的公式为：
Figure FDA0003731003630000025
式(4)中，β表示为(t+1)时刻主变压器因ADNCPS遭受网络攻击后减少的最大供电能力占上一时刻t的供电总值的百分比；ZP表示主变压器P发生故障的可能性；Sp(t+1)表示主变压器p在(t+1)时刻退出ADNCPS时系统减少功率值；M表示为ADNCPS发生网络攻击后不会因为故障而退出运行的主变压器的数目；S(t+1)表示为ADNCPS在(t+1)时刻的总功率；
ADNCPS安全性指标P2包括电压越限严重度P21、负荷损失严重度P22
其中，电压越限严重度P21表示为：
Figure FDA0003731003630000031
式(5)中，LV表示在t时刻ADNCPS的电压偏移值，Vlow表示t时刻ADNCPS电压的最小值；
ADNCPS在t时刻负荷损失严重度P22表示为：
Figure FDA0003731003630000032
式(6)中，LD表示ADNCPS在t时刻的负荷损失大小；
Figure FDA0003731003630000033
表示ADNCPS遭受网络攻击后，故障母线a上负载节点j的负载值；Da表示发生故障的母线a的负载节点数量；
Figure FDA0003731003630000034
为故障母线a转移到正常母线b上节点c的负载值；Dc为转移到正常母线b上的负载节点数；
ADNCPS经济性指标P3包括线损严重度P31，表示为：
Figure FDA0003731003630000035
式(7)中，Pf表示第f条母线中传输的有功功率大小，ΔPf表示第f条线路的功率损耗；
DG出力指标P4包括DG渗透率P41、DG出力波动严重度P42，
其中，DG渗透率P41表示为：
Figure FDA0003731003630000036
式(8)中，PDG(t)表示DG在t时刻的总输出功率；S(t)表示ADNCPS的总输出功率在t时刻的总输出功率；
DG出力波动严重度P42表示为：
Figure FDA0003731003630000041
式(9)中，PDG(t+1)表示DG在(t+1)时刻的总输出功率；PDG(t)表示DG在t时刻的总输出功率。
6.如权利要求1所述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，S7利用构造的训练数据对CNN-LSTM模型进行训练时，采用基于时间滑动窗口算法的多特征量数据重构法对训练数据进行处理，具体包括：
基于时间滑动窗口算法，每间隔5min提取一次历史运行态势预测数据，并将历史运行态势预测数据映射在时间步长为12的1维时间序列态势预测指标数据组中；每间隔30min提取一次与历史运行态势预测数据相同时间点下的气象数据，并将气象数据映射在时间步长为12的1维时间序列气象数据组中；
将时间设定为横轴，历史运行态势预测数据和气象数设定为纵轴，构建π×φ的二维数据矩阵，其中：π表示历史运行态势预测数据的时间间隔步长数量，φ表示对应时间点的ADNCPS预测指标和气象数据的数量。
7.如权利要求6述的针对网络攻击的有源配电网信息物理系统运行态势预测方法，其特征在于，S8利用训练好CNN-LSTM模型对待预测指标数据进行预测，具体包括：利用训练好的CNN-LSTM模型的根据π个历史时间点φ个待提取特征的数据之间的相关系数，计算下一个π个时刻ADNCPS态势预测指标的态势值，计算公式为：
Figure FDA0003731003630000042
χ＝C11,P11,P12,P13,P21,P22,P31,P41,P42
Figure FDA0003731003630000043
式(10)中，
Figure FDA0003731003630000044
表示第χ个待预测指标的未来态势值，其中：χ＝C11,P11,P12,P13,P21,P22,P31,P41,P42，
Figure FDA0003731003630000045
表示第χ个待预测指标的下π个时间段的ADNCPS运行态势值，C(IW(t-π,fχ)表示历史t-π时刻的第χ个特征量与t+π时刻ADNCPS的运行态势相关系数，ξθπ表示误差值，
Figure FDA0003731003630000046
表示第χ个待预测指标在t时刻的态势预测值，
Figure FDA0003731003630000047
表示第χ个待预测指标在t+τ-1时刻的态势预测值，fθ表示提取的特征值，θ表示特征向量的个数，pχ t+π表示第χ个待预测指标在t+π时刻的态势预测值。
8.针对网络攻击的有源配电网信息物理系统运行态势预测系统，其特征在于，包括：
运行状态迁移模型构建模块，用于构建ADNCPS运行状态迁移模型，其中，ADNCPS为有源配电网信息物理系统，ADNCPS运行状态迁移模型包含运行状态和ADNCPS关键状态节点，其中，运行状态包括有网络攻击的ADNCPS运行状态和无网络攻击的ADNCPS运行状态；
态势预测指标体系建立模块，用于建立ADNCPS态势预测指标体系，该预测指标体系包括信息侧指标、物理侧指标以及各个指标的计算方式；
第一计算模块，用于采用ADNCPS态势预测指标体系中的各个指标的计算方式对采集到的历史运行数据进行计算，历史运行态势预测数据；
告警阈值设定模块，用于对ADNCPS态势预测指标体系中包含的信息侧指标和物理侧指标进行告警阈值设定；
训练数据构建模块，用于根据设定的告警阈值对历史运行态势预测数据进行判断，将超过告警阈值的历史态势预测指标构造为训练数据；
第二计算模块，用于实时采集ADNCPS运行数据，将实时采集ADNCPS运行数据按照ADNCPS态势预测指标体系中的各个指标的计算方式进行计算，得到待预测指标数据；
模型构建与训练模块，用于构建CNN-LSTM模型，利用构造的训练数据对CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
预测指标计算模块，用于利用训练好CNN-LSTM模型对待预测指标数据进行预测，得到ADNCPS态势预测指标结果；
运行态势预测模块，用于针对各个ADNCPS态势预测指标结果利用模糊层次分析法进行ADNCPS的运行态势预测。
CN202210792871.6A 2022-07-05 2022-07-05 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统 Pending CN115310586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210792871.6A CN115310586A (zh) 2022-07-05 2022-07-05 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210792871.6A CN115310586A (zh) 2022-07-05 2022-07-05 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统

Publications (1)

Publication Number Publication Date
CN115310586A true CN115310586A (zh) 2022-11-08

Family

ID=83856521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210792871.6A Pending CN115310586A (zh) 2022-07-05 2022-07-05 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统

Country Status (1)

Country Link
CN (1) CN115310586A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992248A (zh) * 2023-09-27 2023-11-03 国网江苏省电力有限公司电力科学研究院 基于突短试验的卷铁心变压器抗短路能力评估方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992248A (zh) * 2023-09-27 2023-11-03 国网江苏省电力有限公司电力科学研究院 基于突短试验的卷铁心变压器抗短路能力评估方法及装置
CN116992248B (zh) * 2023-09-27 2023-12-05 国网江苏省电力有限公司电力科学研究院 基于突短试验的卷铁心变压器抗短路能力评估方法及装置

Similar Documents

Publication Publication Date Title
CN106154084B (zh) 电网负荷异常及运行风险实时监控预警方法
CN112713649A (zh) 一种基于极限学习机的电力设备剩余寿命预测方法
CN115310586A (zh) 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统
CN112327098A (zh) 基于低压配网综合监测单元的配电网故障区段定位方法
CN111369388B (zh) 用于城市电网的对抗脆弱性评估方法及系统
CN116709243A (zh) 一种智能换电站系统
CN111817290A (zh) 数据篡改攻击下电力信息物理系统电压控制策略
CN116722641A (zh) 一种物联网节点设备低功耗运行系统
CN113987852B (zh) 一种电力信息物理系统的高风险线路组合分析方法
CN110412417A (zh) 基于智能电力监测仪表的微电网数据故障诊断方法
CN115603459A (zh) 一种基于数字孪生技术的配电网关键厂站监测方法与系统
CN115565326A (zh) 新能源高渗透率下的变压器状态评估方法及火灾预警方法
CN114266370A (zh) 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质
CN108322334A (zh) 一种电力通讯系统可靠性评估方法
CN114760137B (zh) 针对网络攻击的有源配电网信息物理系统信息侧与物理侧协同态势评估方法及系统
CN113418632A (zh) 一种油浸式变压器油温预测的概念漂移检测方法
CN117689214B (zh) 一种柔性直流牵引供电系统能量路由器动态安全评估方法
Ruan et al. AC sparse modeling for false data injection attack on smart gird
Tianqi et al. Research on power planning considering power grid security
Cai et al. Research on Risk Assessment and Strategy Dynamic Attack and Defense Game Based on Twin Model of Power Distribution Network
CN103440728A (zh) 分布智能控制船舶消防系统连锁性失效测评方法
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统
CN117650947B (zh) 基于机器学习的网络流量数据安全可视化监测系统
CN117689214A (zh) 一种柔性直流牵引供电系统能量路由器动态安全评估方法
CN117014231B (zh) 基于集成学习的工控网络入侵防护方法及系统

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