CN115759424A - 谐波虚假数据攻击的检测方法、装置、设备及存储介质 - Google Patents
谐波虚假数据攻击的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115759424A CN115759424A CN202211465996.4A CN202211465996A CN115759424A CN 115759424 A CN115759424 A CN 115759424A CN 202211465996 A CN202211465996 A CN 202211465996A CN 115759424 A CN115759424 A CN 115759424A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- data
- voltage content
- historical
- harmonic voltage
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种谐波虚假数据攻击的检测方法、装置、设备及存储介质,所述方法首先获取一历史周期的历史谐波数据、历史温度以及历史湿度;以历史谐波数据、历史温度以及历史湿度为输入数据,通过谐波数据预测模型预测出当前时间周期的预测谐波数据;计算当前时间周期的实测谐波数据与预测谐波数据的差值,并根据差值计算出差值所对应的第一谐波电压含有率,根据实测谐波数据所对应的第二谐波电压含有率和第一谐波电压含有率,生成第三谐波电压含有率;根据第三谐波电压含有率判定是否存在谐波虚假数据攻击。
Description
技术领域
本发明涉及电力电网技术领域,尤其涉及一种谐波虚假数据攻击的检测方法、装置、设备及存储介质。
背景技术
构建以新能源为主体的新型电力系统是国家践行“双碳”目标的重要举措,近年来,以风电和光伏为代表的可再生能源渗透率不断提高,同时存储、新能源汽车等大量接入电网中,使得电网谐波问题日益严重。
当前为了评估和治理谐波,通常使用谐波监测终端进行数据监测,进而基于谐波监测终端提供谐波畸变率判断谐波状态,从而决定是否治理。然而现有的谐波监测终端越来越多使用无线网、物联网等通信技术传输谐波数据,为基于谐波的虚假数据攻击提供了可能和基础,攻击者的目标往往是改变谐波状态;而在实际检测过程中大幅度修改的谐波数据容易被发现,为此,攻击者往往是在一种适中的幅度下改变各次谐波值,通过各次谐波偏差的累计偏差所带来的累计效应,最终达到改变谐波状态目标。在这种攻击方式下,虽然当前的谐波状态可能符合标准,但是谐波状态的变化趋势一直蕴藏在数据中,谐波状态会逐渐改变,最终变得不符合要求标准,而现有的检测手段仅根据当前谐波状态是否符合标准来判断是否存在谐波虚假数据攻击,无法对上述攻击方式进行准确识别,谐波虚假数据攻击的检测准确性较低。
发明内容
本发明实施例提供一种谐波虚假数据攻击的检测方法、装置、设备及存储介质,能提高谐波虚假数据攻击的准确性。
本发明一实施例提供了一种谐波虚假数据攻击的检测方法,包括:获取电网在一历史周期的历史谐波数据、历史温度以及历史湿度;
将所述历史谐波数据、历史温度以及历史湿度输入至谐波数据预测模型中,以使所述谐波数据预测模型生成当前时间周期的预测谐波数据;
获取电网在当前时间周期的实测谐波数据;
计算所述实测谐波数据与所述预测谐波数据的差值,继而根据所述差值计算所述差值所对应的第一谐波电压含有率;
计算所述实测谐波数据所对应的第二谐波电压含有率;
根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率;
根据所述第三谐波电压含有率判定是否存在谐波虚假数据攻击。
进一步的,所述谐波数据预测模型的构建包括:获取电网在第二历史周期的第二历史谐波数据、第二历史温度以及第二历史湿度;以所述第二历史谐波数据、第二历史温度以及第二历史湿度为输入,以未来一段时间内的预测谐波数据为输出,对RNN模型进行训练;将训练完成的RNN模型作为所述谐波数据预测模型。
进一步的,在计算所述实测谐波数据与所述预测谐波数据的差值之前,还包括:对所述实测谐波数据以及所述预测谐波数据进行显著异常值检测,去除所述实测谐波数据和所述预测谐波数据中的异常数据。
进一步的,根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率,包括:若所述第二谐波电压含有率大于第一预设国标限值,则将第二谐波电压含有率与第一谐波电压含有率的差值,作为所述第三谐波电压含有率;若所述第二谐波电压含有率小于或等于第一预设国标限值,则将第一谐波电压含有率与第二谐波电压含有率之和,作为所述第三谐波电压含有率。
在上述方法项实施例的基础上本发明对应提供了装置项实施例;
本发明一实施例提供了一种谐波虚假数据攻击的检测装置,包括:历史数据获取模块、预测模块、实测数据获取模块、第一谐波电压含有率计算模块、第二谐波电压含有率计算模块、第三谐波电压含有率计算模块以及判定模块;
所述数据获取模块,用于获取电网在一历史周期的历史谐波数据、历史温度以及历史湿度;
所述预测模块,用于将所述历史谐波数据、历史温度以及历史湿度输入至谐波数据预测模型中,以使所述谐波数据预测模型生成当前时间周期的预测谐波数据;
所述实测数据获取模块,用于获取电网在当前时间周期的实测谐波数据;
所述第一谐波电压含有率计算模块,用于计算所述实测谐波数据与所述预测谐波数据的差值,继而根据所述差值计算所述差值所对应的第一谐波电压含有率;
所述第二谐波电压含有率计算模块,用于计算所述实测谐波数据所对应的第二谐波电压含有率;
所述第三谐波电压含有率计算模块,用于根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率;
所述判定模块,用于根据所述第三谐波电压含有率判定是否存在谐波虚假数据攻击。
进一步的,还包括:模型构建模块;所述模型构建模块,用于获取电网在第二历史周期的第二历史谐波数据、第二历史温度以及第二历史湿度;以所述第二历史谐波数据、第二历史温度以及第二历史湿度为输入,以未来一段时间内的预测谐波数据为输出,对RNN模型进行训练;将训练完成的RNN模型作为所述谐波数据预测模型。
进一步的,还包括:异常值剔除模块;所述异常值剔除模块,用于在计算所述实测谐波数据与所述预测谐波数据的差值之前,对所述实测谐波数据以及所述预测谐波数据进行显著异常值检测,去除所述实测谐波数据和所述预测谐波数据中的异常数据。
进一步的,第三谐波电压含有率计算模块,根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率,包括:若所述第二谐波电压含有率大于第一预设国标限值,则将第二谐波电压含有率与第一谐波电压含有率的差值,作为所述第三谐波电压含有率;若所述第二谐波电压含有率小于或等于第一预设国标限值,则将第一谐波电压含有率与第二谐波电压含有率之和,作为所述第三谐波电压含有率。
在上述方法项实施例的基础上本发明对应提供了设备项实施例;
本发明一实施提供了一种设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现本发明任意一项所述的谐波虚假数据攻击的检测方法。
在上述方法项实施例的基础上本发明对应提供了存储介质项实施例;
本发明一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的谐波虚假数据攻击的检测方法。
通过实施本发明实施例具有如下有益效果:
本发明一实施例提供了一种谐波虚假数据攻击的检测方法、装置、设备及存储介质,所述方法首先获取一历史周期的历史谐波数据、历史温度以及历史湿度;然后以历史谐波数据、历史温度以及历史湿度为输入数据,通过谐波数据预测模型预测出当前时间周期的预测谐波数据;紧接着计算当前时间周期的实测谐波数据与预测谐波数据的差值,并根据差值计算出差值所对应的第一谐波电压含有率,这个第一谐波电压含有率即可表征谐波数据的变化趋势,最后根据实测谐波数据所对应的第二谐波电压含有率和第一谐波电压含有率,生成第三谐波电压含有率;根据第三谐波电压含有率判定是否存在谐波虚假数据攻击。与现有技术相比,本发明基于历史数据所生成的预测谐波数据与实测谐波数据进行比对,来确定谐波数据的变化趋势,进而判断是否存在谐波虚假数据攻击,从而提高了谐波虚假数据攻击的检测的准确性。
附图说明
图1是本发明一实施例提供的一种谐波虚假数据攻击的检测方法的流程示意图。
图2是本发明一实施例提供的RNN网络的原理示意图。
图3是本发明一实施例提供的一种谐波虚假数据攻击的检测装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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作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。
如图1所示,本发明一实施例提供了一种谐波虚假数据攻击的检测方法,至少包括如下步骤:
S101:获取电网在一历史周期的历史谐波数据、历史温度以及历史湿度。
S102:将所述历史谐波数据、历史温度以及历史湿度输入至谐波数据预测模型中,以使所述谐波数据预测模型生成当前时间周期的预测谐波数据。
S103:获取电网在当前时间周期的实测谐波数据。
S104:计算所述实测谐波数据与所述预测谐波数据的差值,继而根据所述差值计算所述差值所对应的第一谐波电压含有率。
S105:计算所述实测谐波数据所对应的第二谐波电压含有率。
S106:根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率。
S107:根据所述第三谐波电压含有率判定是否存在谐波虚假数据攻击。
对于步骤S101、示意性的以当前这一周为基准,获取这周过去一个月内电网中各次谐波电压(即上述历史谐波数据),电网所在区域的环境温度(即上述历史温度)以及环境湿度(即上述历史湿度)。通常10分钟间隔产生一组谐波电压幅值,温度以及湿度(即一个小时6组数据,一个月4320条数据)。
对于步骤S102、在一个优选的实施例中,所述谐波数据预测模型的构建包括:
获取电网在第二历史周期的第二历史谐波数据、第二历史温度以及第二历史湿度;以所述第二历史谐波数据、第二历史温度以及第二历史湿度为输入,以未来一段时间内的预测谐波数据为输出,对RNN模型进行训练;将训练完成的RNN模型作为所述谐波数据预测模型。
具体的RNN循环神经网络的原理如图2所示,当前时刻输入的xt与上一时刻的隐含层神经元状态st-1一起决定了下一时刻隐含层神经元状态st以及当前网络输出的状态ot,用公式表示为:
xt是当前时刻的输入,f是隐含层的激活函数,U、W分别对应输入和上一时刻隐含层神经元状态st-1的权重系数,ot是神经元的输出,g作为输出层的激活函数,V对应输出层的权重系数。RNN模型隐含层的激活函数一般是tanh函数。
具体的,在预测谐波数据时,xt-1,xt,xt+1……表示某一历史时期中各时刻下,各次(2-25次)谐波电压(即上述第二历史谐波数据)、温度(即上述第二历史温度)、湿度(即上述第二历史湿度)。以2次谐波电压幅值为例,取过去某一个月内的2次谐波电压、温度以及湿度,通常10分钟间隔产生一组2次谐波电压幅值(即一个小时6组数据,一个月4320条数据),按8:2比例分别分配训练集和测试集,另外输入两包含温度、湿度信息,即此时xt为t时刻的2次谐波电压,温度以及湿度,当RNN输出(此时RNN输出为未来一时间段的预测2次谐波电压)与实际值偏差在0.5%内时,训练完成。其他次谐波数据预测也据此开展,示意性的预测范围为未来一周,即对一周后的谐波数据进行预测。
模型训练完成之后,将步骤S101所获得的历史谐波数据、历史温度以及历史湿度输入值模型中,使得模型得到当前这一周的预测谐波数据。
对于步骤S103、示意性的获取当前这一周的实测的各次谐波电压,获得上述实测谐波数据。
对于步骤S104、具体的,设当前这一周实测的各次谐波电压为Uifd,h,模型预测出各次谐波电压为Uh,两者差值的绝对值为eh;则通过以下公式可以计算得到第一谐波电压含有率(其表征eh所造成的畸变率,即谐波数据攻击蕴含的趋势):
其中,THDeh为第一谐波电压含有率;h谐波次数;U1为预设基波电压;
在一个优选的实施例中,在计算所述实测谐波数据与所述预测谐波数据的差值之前,还包括:对所述实测谐波数据以及所述预测谐波数据进行显著异常值检测,去除所述实测谐波数据和所述预测谐波数据中的异常数据。
具体的,选用DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise,DBSCAN)进行聚类,进一步找到不在聚类范围内点作为显著异常值点。DBSCAN算法在指定邻域半径R、最少点数目minpoints后即可自动完成聚类,将不在聚类簇内的数据标记为显著异常数据,从而完成显著异常检测。从而剔除实测谐波数据与所述预测谐波数据中的异常数据,以提高后续eh计算的准确性。
对于步骤S105、具体的,通过以下公式计算实测谐波数据所对应的第二谐波电压含有率:
其中,THDf为第二谐波电压含有率。
对于步骤S106、在一个优选的实施例中,根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率,包括:若所述第二谐波电压含有率大于第一预设国标限值,则将第二谐波电压含有率与第一谐波电压含有率的差值,作为所述第三谐波电压含有率;若所述第二谐波电压含有率小于或等于第一预设国标限值,则将第一谐波电压含有率与第二谐波电压含有率之和,作为所述第三谐波电压含有率。
具体的,当THDf大于第一预设国标限值时,根据以下公式计算得到第三谐波电压含有率:THDnew=THDf-THDeh;其中,THDnew为第三谐波电压含有率。
当THDf小于或等于第一预设国标限值时,根据以下公式计算得到第三谐波电压含有率:THDnew=THDf+THDeh。
对于步骤S107、具体的,当THDf大于第一预设国标限值时,若THDnew小于第二预设国标限值,则认为存在虚假数据攻击,否则认为数据正常,不存在虚假数据攻击。
当THDf小于或等于第一预设国标限值时,若THDnew大于第二预设国标限值,则认为存在虚假数据攻击,否则认为数据正常,不存在虚假数据攻击。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例;
如图2所示,本发明一实施例提供了一种谐波虚假数据攻击的检测装置,包括:历史数据获取模块、预测模块、实测数据获取模块、第一谐波电压含有率计算模块、第二谐波电压含有率计算模块、第三谐波电压含有率计算模块以及判定模块;
所述数据获取模块,用于获取电网在一历史周期的历史谐波数据、历史温度以及历史湿度;
所述预测模块,用于将所述历史谐波数据、历史温度以及历史湿度输入至谐波数据预测模型中,以使所述谐波数据预测模型生成当前时间周期的预测谐波数据;
所述实测数据获取模块,用于获取电网在当前时间周期的实测谐波数据;
所述第一谐波电压含有率计算模块,用于计算所述实测谐波数据与所述预测谐波数据的差值,继而根据所述差值计算所述差值所对应的第一谐波电压含有率;
所述第二谐波电压含有率计算模块,用于计算所述实测谐波数据所对应的第二谐波电压含有率;
所述第三谐波电压含有率计算模块,用于根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率;
所述判定模块,用于根据所述第三谐波电压含有率判定是否存在谐波虚假数据攻击。
在一个优选的实施例中,还包括:模型构建模块;所述模型构建模块,用于获取电网在第二历史周期的第二历史谐波数据、第二历史温度以及第二历史湿度;以所述第二历史谐波数据、第二历史温度以及第二历史湿度为输入,以未来一段时间内的预测谐波数据为输出,对RNN模型进行训练;将训练完成的RNN模型作为所述谐波数据预测模型。
在一个优选的实施例中,还包括:异常值剔除模块;所述异常值剔除模块,用于在计算所述实测谐波数据与所述预测谐波数据的差值之前,对所述实测谐波数据以及所述预测谐波数据进行显著异常值检测,去除所述实测谐波数据和所述预测谐波数据中的异常数据。
在一个优选的实施例中,第三谐波电压含有率计算模块,根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率,包括:若所述第二谐波电压含有率大于第一预设国标限值,则将第二谐波电压含有率与第一谐波电压含有率的差值,作为所述第三谐波电压含有率;若所述第二谐波电压含有率小于或等于第一预设国标限值,则将第一谐波电压含有率与第二谐波电压含有率之和,作为所述第三谐波电压含有率。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
所述领域的技术人员可以清楚地了解到,为的方便和简洁,上述描述的装置的具体工作过程,可参考前述方法实施例中对应的过程,在此不再赘述。
在上述方法项实施例的基础上本发明对应提供了设备项实施例;
本发明一实施例提供了一种设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现本发明任意一项所述的谐波虚假数据攻击的检测方法。
设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
所述存储器可用于存储所述计算机程序,所述处理器通过运行或执行存储在所述存储器内的计算机程序,以及调用存储在存储器内的数据,实现所述设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述方法项实施例的基础上本发明对应提供了存储介质项实施例;
本发明一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的谐波虚假数据攻击的检测方法。
所述存储介质为计算机可读存储介质,所述计算机程序存储在所述计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种谐波虚假数据攻击的检测方法,其特征在于,包括:
获取电网在一历史周期的历史谐波数据、历史温度以及历史湿度;
将所述历史谐波数据、历史温度以及历史湿度输入至谐波数据预测模型中,以使所述谐波数据预测模型生成当前时间周期的预测谐波数据;
获取电网在当前时间周期的实测谐波数据;
计算所述实测谐波数据与所述预测谐波数据的差值,继而根据所述差值计算所述差值所对应的第一谐波电压含有率;
计算所述实测谐波数据所对应的第二谐波电压含有率;
根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率;
根据所述第三谐波电压含有率判定是否存在谐波虚假数据攻击。
2.如权利要求1所述的谐波虚假数据攻击的检测方法,其特征在于,所述谐波数据预测模型的构建包括:
获取电网在第二历史周期的第二历史谐波数据、第二历史温度以及第二历史湿度;
以所述第二历史谐波数据、第二历史温度以及第二历史湿度为输入,以未来一段时间内的预测谐波数据为输出,对RNN模型进行训练;
将训练完成的RNN模型作为所述谐波数据预测模型。
3.如权利要求2所述的谐波虚假数据攻击的检测方法,其特征在于,在计算所述实测谐波数据与所述预测谐波数据的差值之前,还包括:
对所述实测谐波数据以及所述预测谐波数据进行显著异常值检测,去除所述实测谐波数据和所述预测谐波数据中的异常数据。
4.如权利要求3所述的谐波虚假数据攻击的检测方法,其特征在于,根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率,包括:
若所述第二谐波电压含有率大于第一预设国标限值,则将第二谐波电压含有率与第一谐波电压含有率的差值,作为所述第三谐波电压含有率;
若所述第二谐波电压含有率小于或等于第一预设国标限值,则将第一谐波电压含有率与第二谐波电压含有率之和,作为所述第三谐波电压含有率。
5.一种谐波虚假数据攻击的检测装置,其特征在于,包括:历史数据获取模块、预测模块、实测数据获取模块、第一谐波电压含有率计算模块、第二谐波电压含有率计算模块、第三谐波电压含有率计算模块以及判定模块;
所述数据获取模块,用于获取电网在一历史周期的历史谐波数据、历史温度以及历史湿度;
所述预测模块,用于将所述历史谐波数据、历史温度以及历史湿度输入至谐波数据预测模型中,以使所述谐波数据预测模型生成当前时间周期的预测谐波数据;
所述实测数据获取模块,用于获取电网在当前时间周期的实测谐波数据;
所述第一谐波电压含有率计算模块,用于计算所述实测谐波数据与所述预测谐波数据的差值,继而根据所述差值计算所述差值所对应的第一谐波电压含有率;
所述第二谐波电压含有率计算模块,用于计算所述实测谐波数据所对应的第二谐波电压含有率;
所述第三谐波电压含有率计算模块,用于根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率;
所述判定模块,用于根据所述第三谐波电压含有率判定是否存在谐波虚假数据攻击。
6.如权利要求5所述的谐波虚假数据攻击的检测装置,其特征在于,还包括:模型构建模块;
所述模型构建模块,用于获取电网在第二历史周期的第二历史谐波数据、第二历史温度以及第二历史湿度;
以所述第二历史谐波数据、第二历史温度以及第二历史湿度为输入,以未来一段时间内的预测谐波数据为输出,对RNN模型进行训练;
将训练完成的RNN模型作为所述谐波数据预测模型。
7.如权利要求6所述的谐波虚假数据攻击的检测装置,其特征在于,还包括:异常值剔除模块;
所述异常值剔除模块,用于在计算所述实测谐波数据与所述预测谐波数据的差值之前,对所述实测谐波数据以及所述预测谐波数据进行显著异常值检测,去除所述实测谐波数据和所述预测谐波数据中的异常数据。
8.如权利要求7所述的谐波虚假数据攻击的检测装置,其特征在于,第三谐波电压含有率计算模块,根据所述第一谐波电压含有率以及所述第二谐波电压含有率计算第三谐波电压含有率,包括:若所述第二谐波电压含有率大于第一预设国标限值,则将第二谐波电压含有率与第一谐波电压含有率的差值,作为所述第三谐波电压含有率;
若所述第二谐波电压含有率小于或等于第一预设国标限值,则将第一谐波电压含有率与第二谐波电压含有率之和,作为所述第三谐波电压含有率。
9.一种设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的谐波虚假数据攻击的检测方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至4中任意一项所述的谐波虚假数据攻击的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465996.4A CN115759424A (zh) | 2022-11-22 | 2022-11-22 | 谐波虚假数据攻击的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465996.4A CN115759424A (zh) | 2022-11-22 | 2022-11-22 | 谐波虚假数据攻击的检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759424A true CN115759424A (zh) | 2023-03-07 |
Family
ID=85335106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211465996.4A Pending CN115759424A (zh) | 2022-11-22 | 2022-11-22 | 谐波虚假数据攻击的检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759424A (zh) |
-
2022
- 2022-11-22 CN CN202211465996.4A patent/CN115759424A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Modarresi et al. | Scenario-based economic dispatch with tunable risk levels in high-renewable power systems | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN104811344B (zh) | 网络动态业务监控方法及装置 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN112907062B (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
CN112100928B (zh) | 一种基于温度改善锂离子电池性能的方法和装置 | |
US20210350427A1 (en) | Method and device for cost early warning of prefabricated building | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN113657936A (zh) | 电力负荷预测方法及终端 | |
CN110505635B (zh) | 一种终端渗透率预测方法及装置 | |
CN111523083A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN115759424A (zh) | 谐波虚假数据攻击的检测方法、装置、设备及存储介质 | |
CN111144634A (zh) | 一种电力价格预测的方法以及装置 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN112084710B (zh) | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 | |
CN114781720A (zh) | 地区碳排放量预测方法、装置及终端设备 | |
CN114139621A (zh) | 确定模型分类性能标识的方法、装置、设备及存储介质 |
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 |