CN116127447A - 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 - Google Patents

虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 Download PDF

Info

Publication number
CN116127447A
CN116127447A CN202211625149.XA CN202211625149A CN116127447A CN 116127447 A CN116127447 A CN 116127447A CN 202211625149 A CN202211625149 A CN 202211625149A CN 116127447 A CN116127447 A CN 116127447A
Authority
CN
China
Prior art keywords
squirrel
data
power plant
virtual power
algorithm
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
CN202211625149.XA
Other languages
English (en)
Inventor
李江南
王滔
章彬
周保荣
何维
赵文猛
毛田
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202211625149.XA priority Critical patent/CN116127447A/zh
Publication of CN116127447A publication Critical patent/CN116127447A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质，本申请提供的方案通过拉丁超立方抽样算法和松鼠搜索算法来构建特征选择器，将原始量测数据输入特征选择器，所得的最优特征子集剔除了冗余特征，降低了原始数据特征维度，提高了分类器的效率，再将最优特征子集输入分类算法模型，能有效提高分类器的精度，从而对虚拟电厂虚假数据注入攻击进行高效快速的检测，从而解决了传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。

Description

虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质
技术领域
本申请涉及电力系统仿真技术领域，尤其涉及一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质。
背景技术
随着全球能源紧缺和环境污染等问题的日益严峻，分布式能源以其能够充分利用可再生能源的特点已经成为了实现节能减排的重要举措。然而，分布式能源容量小、数量大、分布不均，而且当分布式能源单独运行时，其出力随机性、间歇性和波动性较大，因此分布式能源的接入对电网带来了管理和控制难题。虚拟电厂利用先进的软件系统和信息通信技术，通过将分布式电源、可控负荷和储能系统等不同类型的分布式能源协调聚合成一个整体，更有利于资源的合理优化配置及利用，降低了分布式能源增长带来的调度难度。然而，当电力系统引入虚拟电厂时，在海量数据通信过程中存在网络攻击的风险，网络攻击引发的安全问题对电力系统的可靠稳定运行产生了严重威胁。
虚假数据注入攻击是一种新型的网络攻击方式，具有较强的隐蔽性，能够绕过传统的电力系统不良数据检测机制。攻击者可通过虚拟电厂信息通信系统设备向数据采集与监控(supervisory control and data acquisition，SCADA)和同步相量测量单元(phasormeasurement unit，PMU)等检测终端设备进行攻击，恶意篡改电力系统状态估计的结果，进而使得电力设备的运行失去控制，最终可能造成电力系统的崩溃，因此，对虚假数据注入攻击进行有效检测已经成为保障电力系统安全稳定运行的必要措施。
传统的基于机器学习的虚假数据注入攻击检测方法大多构建单一分类器，由于电力系统属于大规模复杂系统，其产生的量测数据维度高、数据量大且存在较多冗余特征，这些冗余特征会使分类器的检测精度降低，直接使用原始高维量测数据训练分类器会导致模型过于复杂，检测速度降低，无法保证检测的实时性。
发明内容
本申请提供了一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质，用于解决传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。
为解决上述的技术问题，本申请第一方面提供了一种虚拟电厂虚假数据注入攻击检测方法，包括：
获取原始量测数据；
通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集；
根据所述最优特征子集构建训练集和测试集，以根据所述训练集和所述测试集构建分类算法模型；
获取待检测的电网实时数据，并将所述电网实时数据输入至所述分类算法模型，以通过所述分类算法模型的运算，获得所述电网实时数据中的虚假数据检测结果。
优选地，通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集具体包括：
根据所述原始量测数据构建量测矩阵；
通过拉丁超立方抽样算法生成松鼠种群，并根据所述松鼠种群的适应性参数，对所述松鼠种群进行分类处理；
通过松鼠搜索算法，利用分类后的所述松鼠种群对所述量测矩阵进行特征选择，当满足搜索结束条件时，根据所述松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。
优选地，所述原始量测数据包括SCADA量测值和PMU量测值，其中，所述SCADA量测值包括：节点电压幅值、节点注入功率和支路功率，所述PMU量测值包括：电压相量和电流相量。
优选地，所述分类算法模型具体为基于随机森林分类器的学习模型。
本申请第二方面提供了一种虚拟电厂虚假数据注入攻击检测装置，包括：
原始数据获取单元，用于获取原始量测数据；
特征筛选单元，用于通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集；
检测模型构建单元，用于根据所述最优特征子集构建训练集和测试集，以根据所述训练集和所述测试集构建分类算法模型；
虚假数据检测单元，用于获取待检测的电网实时数据，并将所述电网实时数据输入至所述分类算法模型，以通过所述分类算法模型的运算，获得所述电网实时数据中的虚假数据检测结果。
优选地，所述特征筛选单元具体用于：
根据所述原始量测数据构建量测矩阵；
通过拉丁超立方抽样算法生成松鼠种群；
通过松鼠搜索算法，利用所述松鼠种群对所述量测矩阵进行特征选择，当满足搜索结束条件时，根据所述松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。
优选地，所述原始量测数据包括SCADA量测值和PMU量测值，其中，所述SCADA量测值包括：节点电压幅值、节点注入功率和支路功率，所述PMU量测值包括：电压相量和电流相量。
优选地，所述分类算法模型具体为基于随机森林分类器的学习模型。
本申请第三方面提供了一种虚拟电厂虚假数据注入攻击检测终端，包括：存储器和处理器；
所述存储器用于存储程序代码，所述程序代码与本申请第一方面提供的虚拟电厂虚假数据注入攻击检测方法相对应；
所述处理器用于执行所述的程序代码。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中保存有程序代码，所述程序代码与本申请第一方面提供的虚拟电厂虚假数据注入攻击检测方法相对应。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供的方案通过拉丁超立方抽样算法和松鼠搜索算法来构建特征选择器，将原始量测数据输入特征选择器，所得的最优特征子集剔除了冗余特征，降低了原始数据特征维度，提高了分类器的效率，再将最优特征子集输入分类算法模型，能有效提高分类器的精度，从而对虚拟电厂虚假数据注入攻击进行高效快速的检测，从而解决了传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。
附图说明
为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种虚拟电厂虚假数据注入攻击检测方法的一个实施例流程示意图。
图2为本申请提供的一种虚拟电厂虚假数据注入攻击检测方法的一个实施例流程示意图。
图3为本申请提供的一种虚拟电厂虚假数据注入攻击检测方法中拉丁超立方抽样算法和松鼠搜索算法的流程示意图。
图4为本申请提供的一种虚拟电厂虚假数据注入攻击检测装置的一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质，用于解决传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
请参阅图1，本申请第一个实施例提供的一种虚拟电厂虚假数据注入攻击检测方法，包括：
步骤101、获取原始量测数据；
步骤102、通过拉丁超立方抽样算法和松鼠搜索算法，对原始量测数据进行特征选择，以得到最优特征子集；
步骤103、根据最优特征子集构建训练集和测试集，以根据训练集和测试集构建分类算法模型，其中，本实施例提及的分类算法模型可以为随机森林分类算法模型；
步骤104、获取待检测的电网实时数据，并将电网实时数据输入至分类算法模型，以通过分类算法模型的运算，获得电网实时数据中的虚假数据检测结果。
需要说明的是，首先，获取虚拟电厂的原始量测数据，原始量测数据包括SCADA量测值和PMU量测值，SCADA量测值包括节点电压幅值、节点注入功率和支路功率，PMU量测值包括电压相量和电流相量。然后，通过拉丁超立方抽样算法和松鼠搜索算法，对获取到的原始量测数据，进行特征选择，剔除了冗余特征，得到最优特征子集，降低了原始数据特征维度，以便提高后续分类器构建的效率，再接着，将最优特征子集输入分类算法模型进行分类器模型的训练，能有效提高训练出的分类器的精度，实现了针对电力系统等大规模复杂系统的虚假数据注入攻击的高效快速检测，解决了传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。
以上内容便是本申请提供的一种虚拟电厂虚假数据注入攻击检测方法的基础实施例的具体说明，下面为本申请在上一实施例的内容基础上，提供的一种虚拟电厂虚假数据注入攻击检测方法的实施例进一步说明。
请参阅图2，进一步地，步骤102中提及的通过拉丁超立方抽样算法和松鼠搜索算法，对原始量测数据进行特征选择，以得到最优特征子集具体包括：
步骤1021、根据原始量测数据构建量测矩阵；
需要说明的是，以SCADA量测值和PMU量测值组成矩阵Z，即：
Figure BDA0004004023490000051
其中，m表示量测向量个数，d表示量测向量维度；
步骤1022、通过拉丁超立方抽样算法生成松鼠种群，并根据松鼠种群的适应性参数，对松鼠种群进行分类处理；
需要说明的是，使用拉丁超立方抽样为n只松鼠初始化，生成初始位置，如下式：
FSi＝FSL+lhs(1,D)×(FSU-FSL)
其中，FSi代表第i只松鼠的位置，FSU和FSL分别为搜索空间的上下边界，lhs为拉丁超立方抽样函数；
根据初始化后的每只松鼠的位置计算每只松鼠的适应度fit＝(fit1,fit2,...,fitn)；
根据适应度fit，按升序排列，得到代表适应度顺序的矩阵index；
根据矩阵index将松鼠分为三类，为代表山核桃树上的松鼠FSht、代表橡子树上的松鼠FSat和代表普通树上的松鼠FSnt。
步骤1023、通过松鼠搜索算法，利用分类后的松鼠种群对量测矩阵进行特征选择，当满足搜索结束条件时，根据松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。
需要说明的是，松鼠对树进行搜索并更新位置，并存在一定概率遭遇捕食者，如下式：
从橡子树向山核桃树移动：
Figure BDA0004004023490000061
其中，t表示当前迭代；R1为[0,1]范围内的随机数；Pdp为捕食者出现的概率，取值为0.1；Gc的值为1.9，代表滑动常量树；dg为滑行距离；
从普通树向橡子树移动：
Figure BDA0004004023490000062
其中，R2为[0,1]范围内的随机数；
从普通树向山核桃树移动：
Figure BDA0004004023490000063
其中，R3为[0,1]范围内的随机数；
根据更新后的每只松鼠的位置计算适应度，重新排序并根据适应度将松鼠重新分配到山核桃树、橡子树和普通树；
计算季节性常数Sc，如下式：
Figure BDA0004004023490000071
计算季节常数的最小值，如下式：
Figure BDA0004004023490000072
其中，tMax代表最大迭代次数；
如果季节检测条件
Figure BDA0004004023490000073
满足，则重新对松鼠进行定位，如下式：
Figure BDA0004004023490000074
其中，Levy函数的计算公式如下：
Figure BDA0004004023490000075
其中，ra和rb是区间[0,1]上的正态分布的随机数，β取值1.5，σ的计算公式如下：
Figure BDA0004004023490000076
重复前述的根据适应度得到代表适应度顺序的矩阵至根据季节检测条件
Figure BDA0004004023490000077
重新对松鼠进行定位的步骤，直至满足迭代最大次数时，寻优结束并输出适应度最优的松鼠位置向量，得到最优特征子集。
以上内容为本申请提供的一种虚拟电厂虚假数据注入攻击检测方法的具体实施例的详细说明，下面为本申请提供的一种虚拟电厂虚假数据注入攻击检测装置、终端及存储介质等实施例的详细说明。
本申请第三个实施例提供了一种虚拟电厂虚假数据注入攻击检测装置，包括：
原始数据获取单元201，用于获取原始量测数据；
特征筛选单元202，用于通过拉丁超立方抽样算法和松鼠搜索算法，对原始量测数据进行特征选择，以得到最优特征子集；
检测模型构建单元203，用于根据最优特征子集构建训练集和测试集，以根据训练集和测试集构建分类算法模型；
虚假数据检测单元204，用于获取待检测的电网实时数据，并将电网实时数据输入至分类算法模型，以通过分类算法模型的运算，获得电网实时数据中的虚假数据检测结果。
进一步地，特征筛选单元202具体用于：
根据原始量测数据构建量测矩阵；
通过拉丁超立方抽样算法生成松鼠种群；
通过松鼠搜索算法，利用松鼠种群对量测矩阵进行特征选择，当满足搜索结束条件时，根据松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。
进一步地，原始量测数据包括SCADA量测值和PMU量测值，其中，SCADA量测值包括：节点电压幅值、节点注入功率和支路功率，PMU量测值包括：电压相量和电流相量。
进一步地，分类算法模型具体为基于随机森林分类器的学习模型。
本申请第四个实施例提供了一种虚拟电厂虚假数据注入攻击检测终端，包括：存储器和处理器；
存储器用于存储程序代码，程序代码与本申请第一个实施例或第二个实施例提供的虚拟电厂虚假数据注入攻击检测方法相对应；
处理器用于执行的程序代码，以实现本申请的虚拟电厂虚假数据注入攻击检测方法。
本申请第五个实施例提供了一种计算机可读存储介质，计算机可读存储介质中保存有程序代码，程序代码与本申请第一个实施例或第二个实施例提供的虚拟电厂虚假数据注入攻击检测方法相对应。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种虚拟电厂虚假数据注入攻击检测方法，其特征在于，包括：
获取原始量测数据；
通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集；
根据所述最优特征子集构建训练集和测试集，以根据所述训练集和所述测试集构建分类算法模型；
获取待检测的电网实时数据，并将所述电网实时数据输入至所述分类算法模型，以通过所述分类算法模型的运算，获得所述电网实时数据中的虚假数据检测结果。
2.根据权利要求1所述的一种虚拟电厂虚假数据注入攻击检测方法，其特征在于，通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集具体包括：
根据所述原始量测数据构建量测矩阵；
通过拉丁超立方抽样算法生成松鼠种群；
通过松鼠搜索算法，利用所述松鼠种群对所述量测矩阵进行特征选择，当满足搜索结束条件时，根据所述松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。
3.根据权利要求1所述的一种虚拟电厂虚假数据注入攻击检测方法，其特征在于，所述原始量测数据包括SCADA量测值和PMU量测值，其中，所述SCADA量测值包括：节点电压幅值、节点注入功率和支路功率，所述PMU量测值包括：电压相量和电流相量。
4.根据权利要求1所述的一种虚拟电厂虚假数据注入攻击检测方法，其特征在于，所述分类算法模型具体为基于随机森林分类器的学习模型。
5.一种虚拟电厂虚假数据注入攻击检测装置，其特征在于，包括：
原始数据获取单元，用于获取原始量测数据；
特征筛选单元，用于通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集；
检测模型构建单元，用于根据所述最优特征子集构建训练集和测试集，以根据所述训练集和所述测试集构建分类算法模型；
虚假数据检测单元，用于获取待检测的电网实时数据，并将所述电网实时数据输入至所述分类算法模型，以通过所述分类算法模型的运算，获得所述电网实时数据中的虚假数据检测结果。
6.根据权利要求5所述的一种虚拟电厂虚假数据注入攻击检测装置，其特征在于，所述特征筛选单元具体用于：
根据所述原始量测数据构建量测矩阵；
通过拉丁超立方抽样算法生成松鼠种群；
通过松鼠搜索算法，利用所述松鼠种群对所述量测矩阵进行特征选择，当满足搜索结束条件时，根据所述松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。
7.根据权利要求5所述的一种虚拟电厂虚假数据注入攻击检测装置，其特征在于，所述原始量测数据包括SCADA量测值和PMU量测值，其中，所述SCADA量测值包括：节点电压幅值、节点注入功率和支路功率，所述PMU量测值包括：电压相量和电流相量。
8.根据权利要求5所述的一种虚拟电厂虚假数据注入攻击检测装置，其特征在于，所述分类算法模型具体为基于随机森林分类器的学习模型。
9.一种虚拟电厂虚假数据注入攻击检测终端，其特征在于，包括：存储器和处理器；
所述存储器用于存储程序代码，所述程序代码与权利要求1至4任意一项所述的虚拟电厂虚假数据注入攻击检测方法相对应；
所述处理器用于执行所述的程序代码。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中保存有程序代码，所述程序代码与权利要求1至4任意一项所述的虚拟电厂虚假数据注入攻击检测方法相对应。
CN202211625149.XA 2022-12-16 2022-12-16 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 Pending CN116127447A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211625149.XA CN116127447A (zh) 2022-12-16 2022-12-16 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211625149.XA CN116127447A (zh) 2022-12-16 2022-12-16 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质

Publications (1)

Publication Number Publication Date
CN116127447A true CN116127447A (zh) 2023-05-16

Family

ID=86305537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211625149.XA Pending CN116127447A (zh) 2022-12-16 2022-12-16 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN116127447A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405333A (zh) * 2023-06-09 2023-07-07 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种安全高效的电力系统异常状态检测终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405333A (zh) * 2023-06-09 2023-07-07 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种安全高效的电力系统异常状态检测终端
CN116405333B (zh) * 2023-06-09 2023-08-25 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种安全高效的电力系统异常状态检测终端

Similar Documents

Publication Publication Date Title
CN111614491B (zh) 一种面向电力监控系统安全态势评估指标选取方法及系统
CN105677791A (zh) 用于分析风力发电机组的运行数据的方法和系统
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
Svore et al. Large-scale learning to rank using boosted decision trees
CN116127447A (zh) 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质
CN112257784A (zh) 一种基于梯度提升决策树的窃电检测方法
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN115795329A (zh) 一种基于大数据网格下的用电异常行为分析方法和装置
CN115470987A (zh) 基于改进长短期记忆神经网络的短期光伏发电预测方法
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN112882899B (zh) 一种日志异常检测方法及装置
CN114021425A (zh) 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
CN111091141B (zh) 一种基于分层Softmax的光伏背板故障诊断方法
CN109344875B (zh) 基于聚类分析的日风电出力时序生成方法及装置
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN115238951A (zh) 一种电力负荷的预测方法及装置
Fang et al. Identification of Abnormal Electricity Consumption Behavior Based on Bi-LSTM Recurrent Neural Network
CN113589034A (zh) 一种配电系统的窃电检测方法、装置、设备和介质
Zhu et al. Fast grid splitting detection for n-1 contingency analysis by graph computing
Tong et al. Intrusion detection method of industrial control network based on lightgbm
Lu et al. Time series power anomaly detection based on Light Gradient Boosting Machine
CN117435870B (zh) 一种负荷数据实时填充方法、系统、设备和介质
CN114266925B (zh) 一种基于dlstm-rf的用户窃电检测方法及系统
Liu et al. Short-Term Load Prediction Based on Typical Daily Feature Selection and Time Convolutional Neural Network

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