CN117614038A - 一种基于迁移学习抵御dos攻击的微电网控制方法 - Google Patents

一种基于迁移学习抵御dos攻击的微电网控制方法 Download PDF

Info

Publication number
CN117614038A
CN117614038A CN202410090947.XA CN202410090947A CN117614038A CN 117614038 A CN117614038 A CN 117614038A CN 202410090947 A CN202410090947 A CN 202410090947A CN 117614038 A CN117614038 A CN 117614038A
Authority
CN
China
Prior art keywords
micro
grid
state
output power
data set
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
Application number
CN202410090947.XA
Other languages
English (en)
Other versions
CN117614038B (zh
Inventor
那琼澜
李信
邢宁哲
杨艺西
马跃
任建伟
邢海瀛
苏丹
杨峰
许大卫
李平舟
来骥
张实君
曾婧
肖娜
李墨洋
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.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202410090947.XA priority Critical patent/CN117614038B/zh
Publication of CN117614038A publication Critical patent/CN117614038A/zh
Application granted granted Critical
Publication of CN117614038B publication Critical patent/CN117614038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H04L63/1458—Denial of Service
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/096—Transfer learning
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2463/00—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00
    • H04L2463/142—Denial of service attacks against network infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本说明书涉及电力技术领域，尤其一种基于迁移学习抵御DOS攻击的微电网控制方法。所述方法包括：根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击；若受到DOS攻击，采集受到攻击状态下微电网系统的第一数据集、受攻击状态前处于正常状态的第二数据集；根据第一数据集、第二数据集，利用迁移算法将第一预测模型迁移为受攻击状态的第二预测模型；根据受攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。本说明书旨在准确预测微电网在受到攻击后的状态及输出功率，进一步提高微电网抵御拒绝服务攻击的能力。

Description

一种基于迁移学习抵御DOS攻击的微电网控制方法
技术领域
本说明书涉及电力技术领域，尤其是一种基于迁移学习抵御DOS攻击的微电网控制方法。
背景技术
随着经济高速发展和产业升级，电力需求日益增加，促进可再生能源的开发和利用受到广泛关注。微电网一方面具有强自治能力和灵活性，另一方面因其稳定运行需要建立庞大的通信网络，更容易受到网络攻击。拒绝服务(DOS)攻击是一种常见且易于实施的攻击方式，对通信网络中的信号进行阻断，从而改变系统的动态特性，影响输入和输出之间的映射关系。
为快速恢复系统受到拒绝服务攻击后对系统动态特性的感知并保证性能的稳定性，需要对系统模型进行重构并要求控制策略具有较强的鲁棒性以抑制攻击不确定性对系统性能的影响。目前，因为神经网络算法不需要建立准确的系统模型，只需要系统数据就可表达系统动态特性，所以被广泛用于模型重构。但是，微电网受到拒绝服务攻击后需要快速重构，而已有的神经网络算法需要大量被攻击后的数据，从而使重构过程过长。
另外，拒绝服务攻击对系统信息的修改具有一定的不确定性且重构系统与真实系统之间存在难以避免的误差，从而影响系统控制性能。现有的鲁棒控制算法虽然可以对未知扰动进行抑制，但其控制效果容易出现抖动和保守性，无法快速恢复并保证微电网的稳定性。因此，传统的神经网络算法和鲁棒控制算法无法有效应对拒绝服务攻击对微电网系统的伤害。
发明内容
为解决上述现有技术中无法应对拒绝服务攻击对微电网系统的伤害的问题，本说明书实施例提供了一种基于迁移学习抵御DOS攻击的微电网控制方法。
本说明书实施例提供了一种基于迁移学习抵御DOS攻击的微电网控制方法，所述方法包括：根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击；其中，利用第一预测模型根据微电网状态数据得到所述第一预测系统输出功率，所述第一预测模型根据微电网处于正常状态对应的训练样本数据集训练得到；若受到攻击，采集受DOS攻击状态下微电网系统的第一数据集、受DOS攻击状态之前处于正常状态的第二数据集；根据所述第一数据集、第二数据集，利用迁移算法将所述第一预测模型迁移为受DOS攻击状态的第二预测模型；根据受攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集 ，其中，利用所述第二预测模型根据微电网处于受DOS攻击状态的数据得到所述第二预测系统输出功率；根据重构后的状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。
根据本说明书实施例的一个方面，基于迁移算法、第一数据集、第二数据集，将所述第一预测模型迁移为受攻击状态的第二预测模型包括：将处于正常状态下的第二数据集、受DOS攻击状态下的第一数据集，确定为联合数据集；根据联合数据集对所述第一预测模型进行再训练，计算第一预测模型在第二数据集上的平均损失；根据所述平均损失，更新联合数据集中每一样本的权重；基于更新后的权重，迭代训练所述第一预测模型，直到平均损失收敛到预设范围，得到第二预测模型。
根据本说明书实施例的一个方面，所述方法包括：利用如下公式，计算平均损失：，其中，/>表示联合数据集，/>为第一预测模型预测的第i步长的系统输出功率，/>为发电单元的可再生设备的实际输出功率，/>为不可再生设备的实际输出功率，/>为存储单元的实际输出功率；/>为联合数据集中第i个样本的权重。
根据本说明书实施例的一个方面，所述根据微电网实时系统输出功率、由所述第二预测模型预测得到的系统输出功率之间的误差，重构状态Tube不变集包括：获取受攻击后的微电网的真实系统状态数据集、第二预测模型预测受攻击后的微电网系统输出功率后得到的系统状态数据集；计算真实系统状态数据与预测系统状态数据的最大误差；将所述最大误差为Tube不变集的顶点。
根据本说明书实施例的一个方面，所述方法进一步包括：通过如下公式计算真实系统状态数据与及第二预测模型预测受攻击后的微电网系统输出功率后得到的系统状态数据的最大误差：；其中，/>表示第j个Tube不变集的顶点，j∈[1,2,…,6]，α为通过测试进行标定的放大因子，/>为受攻击后的微电网系统预测得到的系统状态数据集中第j个预测系统状态，/>为受攻击后的微电网的真实系统状态数据集中第j个测量系统状态，/>表示从第j个系统状态的多组误差中选取最大值。
根据本说明书实施例的一个方面，根据重构后的状态tube不变集，构建代价函数及约束条件，确定微电网的控制量包括：根据用电单元的需求功率、第二模型预测的系统输出功率及用电成本，构建代价函数；迭代求解所述代价函数，得到标称控制电压；将所述标称控制电压及微电网系统输出功率后得到的系统状态数据，输入至第二预测模型中，迭代得到下一时间步长的标称系统状态；根据下一时刻的标称系统状态及所述状态tube不变集，确定状态约束条件；根据下一时刻的标称控制电压及所述状态tube不变集，确定控制约束条件；根据所述代价函数、所述状态约束条件及所述控制约束条件，确定第k时刻的控制电压；利用控制增益、标称系统状态及真实系统状态的误差，确定微电网的控制电压增量。
根据本说明书实施例的一个方面，利用如下公式对控制电压进行补偿：，其中，/>为第k时刻的真实控制电压，K为控制增益，/>为第二预测模型预测的标称控制电压；/>为第k时刻的真实系统状态，/>为第k时刻的标称系统状态。
根据本说明书实施例的一个方面，根据如下公式，构建代价函数及约束条件；
，
，其中，T为预测时域，/>为第i个步长时用电单元的需求功率，/>为第二预测模型计算的第i个步长的系统输出功率预测值；/>为第k时刻的第i个步长的标称控制电压增量，/>为第k时刻的第i个步长的标称系统状态，/>为第k时刻的第i+1个步长的标称系统状态；/>为所述状态tube不变集；/>为k时刻第二模型预测的初始点，/>的初始值为当前传感器采集到的系统状态，/>为第k时刻的真实系统状态，C为用电成本，R为需求误差权重系数，G为用电成本权重系数。/>表示第i个预测步长时预测输出功率与实际需求功率的欧式范数，R表示跟踪精度权重矩阵，/>表示第i个预测步长时用电成本，G表示用电成本权重矩阵，Model_(2)表示第二预测模型，/>为时序数据集的最大取值范围，/>为控制电压的最大取值范围。
根据本说明书实施例的一个方面，根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击包括：利用如下公式，确定微电网实时系统输出功率与第一预测模型预测得到的微电网系统输出功率之间的功率误差：；其中，/>表示系统输出功率序列，/>表示基于第一预测模型预测的系统输出功率序列；利用如下公式判断所述功率误差是否超出预设误差范围：；其中，M为序列包含的数据组数量，State表示微电网当前状态，K为延迟误差阈值，Normal表示微电网系统正常，DoS表示微电网系统受到DoS攻击；若超出，确定微电网受到DOS攻击；若未超出，确定微电网未受到DOS攻击。
根据本说明书实施例的一个方面，所述第一预测模型根据微电网正常状态的训练样本数据训练得到包括：利用传感器分别获取历史周期内，发电单元、用电单元及储能单元的电压样本数据、电流样本数据；将历史周期内的所述样本电压数据、电流样本数据组成输入时序样本数据集；分别获取历史周期内发电单元的输出功率、储能单元的输出功率，所述发电单元的输出功率包括：可再生发电设备的输出功率及不可再生发电设备的输出功率；将历史周期内所述发电单元的输出功率、储能单元的输出功率，确定为输出时序样本数据集；将所述时序样本数据集及输出时序样本数据集作为训练样本集输入至神经网络模型，所述神经网络模型包括多维输入层、多维特征提取层及多维输出层；基于Adam的反向误差传播法训练所述神经网络模型，得到第一预测模型。
根据本说明书实施例的一个方面，所述确定微电网是否受到DOS攻击包括：利用第一预测模型的多维输入层对所述输入时序数据集进行滤波处理，得到滤波处理后的时序数据集；利用第一预测模型的多维特征提取层对滤波处理后的时序数据集进行特征提取，得到时序数据集的特征；利用第一预测模型的多维输出层基于所述特征，计算微电网输出功率，得到微电网预测输出功率。
本说明书实施例还提供了一种基于迁移学习抵御DOS攻击的微电网控制装置，所述装置包括：
判断单元，用于根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击；其中，利用第一预测模型根据微电网状态数据得到所述第一预测系统输出功率，所述第一预测模型根据微电网处于正常状态对应的训练样本数据集训练得到；采集单元，用于若受到攻击，采集受DOS攻击状态下微电网系统的第一数据集、受DOS攻击状态之前处于正常状态的第二数据集；迁移单元，用于根据所述第一数据集、第二数据集，利用迁移算法将所述第一预测模型迁移为受DOS攻击状态的第二预测模型；状态Tube不变集重构单元，用于根据受攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集，其中，利用所述第二预测模型根据微电网处于受DOS攻击状态的数据得到所述第二预测系统输出功率；控制参数确定单元，用于根据重构后的状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。
本说明书实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于迁移学习抵御DOS攻击的微电网控制方法。
本说明书实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现所述基于迁移学习抵御DOS攻击的微电网控制方法。
本说明书旨在准确预测微电网在受到DoS攻击后的状态及输出功率，为快速恢复系统受到拒绝服务攻击后对系统动态特性的感知并保证性能的稳定性，奠定了基础。
附图说明
为了更清楚地说明本说明书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说明书的一些实施例，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所示为本说明书实施例一种基于迁移学习抵御DOS攻击的微电网控制方法的流程图；
图2所示为本说明书实施例一种将第一预测模型迁移为第二预测模型的方法流程图；
图3所示为本说明书实施例一种重构状态tube不变集的方法流程图；
图4所示为本说明书实施例一种确定微电网控制量的方法流程图；
图5所示为本说明书实施例一种确定微电网当前是否受到DOS攻击的方法流程图；
图6所示为本说明书实施例一种构建第一预测模型的方法流程图；
图7所示为本说明书实施例一种确定微电网是否受到DOS攻击的方法流程图；
图8所示为本说明书实施例一种基于迁移学习的微电网控制装置的结构示意图；
图9所示为本实施例基于迁移学习的微电网控制装置的具体结构示意图；
图10所示为本说明书实施例一种计算机设备的结构示意图。
附图符号说明：
801、判断单元；
8011、第一预测模型构建模块；
8012、功率误差确定模块；
802、采集单元；
803、迁移单元；
8031、联合数据集确定模块；
8032、模型更新模块；
804、状态Tube不变集重构单元；
805、控制参数确定单元；
1002、计算机设备；
1004、处理器；
1006、存储器；
1008、驱动机构；
1010、输入/输出模块；
1012、输入设备；
1014、输出设备；
1016、呈现设备；
1018、图形用户接口；
1020、网络接口；
1023、通信链路；
1024、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
需要说明的是，本说明书的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本说明书的实施例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、装置、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。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是，本说明书的基于迁移学习抵御DOS攻击的微电网控制方法可用电力技术领域，本说明书对基于迁移学习抵御DOS攻击的微电网控制方法的应用领域不做限定。
在本说明书实施例中，微电网包括发电单元、用电单元及储能单元。其中，发电单元具体包括：可再生发电设备及不可再生发电设备。可再生发电设备输出功率受环境影响而不可控，不可再生发电设备的输出功率稳定且可控。其中，可发电再生设备包括：光伏、风力、潮汐等，不可再生发电设备包括：火力、核能等。用电单元为区域用电设备，具体为用户侧的用电设备等，储能单元为蓄电池。
图1所示为本说明书实施例一种基于迁移学习抵御DOS攻击的微电网控制方法的流程图，具体包括如下方法：
步骤101，根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击。
其中，利用第一预测模型根据微电网状态数据得到所述第一预测系统输出功率，所述第一预测模型根据微电网处于正常状态对应的训练样本数据集训练得到。在本说明书实施例中，微电网的真实系统输出功率为发电单元、用电单元及储能单元系统输出功率之和。本说明书根据微电网处于正常状态时对应的训练样本数据集，训练、构建得到第一预测模型，利用第一预测模型根据微电网的状态数据，预测得到第一预测系统输出功率。
本步骤关于构建第一预测模型，及利用第一预测模型预测输出第一预测系统输出功率的具体方法详见图6描述。
步骤102，若受到DOS攻击，采集受DOS攻击状态下微电网系统的第一数据集、受DOS攻击状态之前处于正常状态的第二数据集。在本说明书实施例中，微电网在日常运行时可能遭受DOS攻击。对于遭受DOS攻击的微电网系统，本说明书需要重构受到DOS攻击下的微电网神经网络模型。其中，第一数据集为微电网受DOS攻击状态下采集到的微电网的状态数据，第二数据集为微电网未受到攻击、处于正常状态的状态数据。
具体的，状态数据包括：发电单元的状态数据、存储单元的状态数据。发电单元状态数据：可再生发电设备电压、电流/>和当前输出功率/>；不可再生发电设备电压/>、电流/>和当前输出功率/>；用电单元状态数据：需求功率/>和用电成本C；存储单元状态数据包括：电压/>、电流/>和输出功率/>。
若未受到攻击，则无需进行后续处理。
步骤103，根据所述第一数据集、第二数据集，利用迁移算法将所述第一预测模型迁移为受DOS攻击状态的第二预测模型。本步骤具体基于DoS攻击特性的TMPC控制器，利用第二预测模型对TMPC控制器中的系统模型进行计算。
步骤104，根据受DOS攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集。
其中，利用所述第二预测模型根据微电网处于受DOS攻击状态的数据得到所述第二预测系统输出功率。值得说明的是，第二预测模型根据第一数据集、第二数据集训练得到。而当利用第二预测模型预测受DOS攻击之后的微电网的系统输出功率时，输入至第二预测模型中的数据为相当于第一数据集的数据。但第一数据集中的数据为训练第二预测模型的样本训练数据，当第二预测模型训练完成后实际应用时，第二预测模型根据受攻击状态下的状态数据，预测当前微电网的系统输出功率。
步骤105，根据重构后的状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。本说明书实施例中，基于更新后的Tube不变集的几何形状，以用电成本和系统输出功率的误差为优化目标、储能单元和发电设备最大电流、最大电压和最大功率为约束，建立代价函数，输出发电单元、用电单元和储能单元的最优控制电压。其中，发电单元、用电单元和储能单元的最优控制电压组成本步骤所述的微电网的控制参数。
图2所示为本说明书实施例一种将第一预测模型迁移为第二预测模型的方法流程图，具体包括如下步骤：
步骤201，将处于正常状态下的第二数据集、受DOS攻击状态下的第一数据集，确定为联合数据集。在本说明书实施例中，将采集到的第一数据集、第二数据集组合为联合数据集。其中，第一数据集包括受DOS攻击状态下的状态数据及系统输出功率，第二数据集包括正常状态下的状态数据及系统输出功率。具体的，将正常状态下的第二数据集记为，将受DOS攻击状态下的第一数据集记为/>，结合/>及/>建立联合数据集记为/>。
具体的，第二数据集包含受攻击前N个时刻的可再生发电设备的电压/>、可再生发电设备的电流/>、不可再生发电设备的电压/>，不可再生发电设备的电流/>，储能单元的电压/>、储能单元的电流/>和与之对应的可再生发电设备的输出功率/> 、不可再生发电设备的输出功率/>和储能单元的输出功率/>的加和。
第一数据集包含受攻击后M个时刻的可再生发电设备的电压/>、可再生发电设备的电流/>，不可再生发电设备的电压/>、不可再生发电设备的电流/>、储能单元的电压/>和储能单元的电流/>之和，及与之对应的可再生发电设备的输出功率/> 、不可再生发电设备的输出功率/>和储能单元的输出功率/>的加和。
步骤202，根据联合数据集对所述第一预测模型进行再训练，计算第一预测模型在第二数据集上的平均损失。
在本说明书实施例中，利用如下公式计算平均损失： ，其中，/>表示联合数据集，/>为第一预测模型预测的第i步长的系统输出功率，/>为发电单元的可再生设备的实际输出功率，/>为不可再生设备的实际输出功率，/>为存储单元的实际输出功率；/>为联合数据集中第i个样本的权重。
进一步的，联合数据集中的每一个样本的权重根据如下公式确定：，其中，/>为联合数据集中第i-1个样本的权重，/>为第一预测模型预测的第i步长的系统输出功率，/>为发电单元的可再生发电设备的实际输出功率，为不可再生发电设备的实际输出功率，/>为存储单元的实际输出功率，β为修正因子，修正因子可以根据如下公式确定：/>，其中，∈为第一预测模型在第二数据集上的平均损失。
步骤203，根据所述平均损失，更新联合数据集中每一样本的权重。本步骤中，每计算一次联合样本集中各样本的平均损失，就对各样本的权重进行一次更新。
步骤204，基于更新后的权重，迭代训练所述第一预测模型，直到平均损失收敛到预设范围，得到第二预测模型。基于更新修正后的各样本的权重对第一预测模型进行再次训练，直至平均损失收敛到预设范围，确定第一预测模型训练完成，构建得到第二预测模型。
图3所示为本说明书实施例一种重构状态tube不变集的方法流程图，具体包括如下步骤：
步骤301，获取受攻击后的微电网的真实系统状态数据集、第二预测模型预测受DOS攻击后的微电网系统输出功率后得到的系统状态数据集。在本步骤中，第二预测模型预测的遭受DOS攻击后的微电网系统的状态序列包括微电网系统受DOS攻击后最近20次预测的/>，/>，/>，/>，/>和/>；受DOS攻击后的微电网的真实系统状态数据集为实际测量到的系统状态序列/>。例如，该序列可以包括微电网系统受攻击后最近20次传感器测量到的可再生发电设备的真实电压/>，可再生发电设备的真实电流/>，不可再生发电设备的真实电压/>，不可再生发电设备的真实电流/>，储能单元的真实电压/>和储能单元的真实电流/>。
步骤302，计算真实系统状态数据与预测系统状态数据的最大误差。
在本步骤中，计算第二预测模型预测的遭受DOS攻击后的微电网系统的状态序列，及受DOS攻击后的实际测量到的微电网的系统状态序列/>的每一次记录的误差，选取每一次记录的误差中的最大误差来计算状态Tube不变集。
本步骤可以通过如下公式，计算系统状态数据与；其中，α为通过测试进行标定的放大因子，可通过测试进行标定，Z为状态Tube不变集，j∈[1,2,…,6]，/>为/>中第j个预测系统状态，/>为/>中第j个测量系统状态，/>表示第j个Tube不变集的顶点，/>表示从第j个系统状态的20组误差中选取最大值。
步骤303，将所述最大误差为Tube不变集的顶点。具体的，对微电网系统受DOS攻击后最近20次传感器测量到的可再生发电设备的真实电压、可再生发电设备的真实电流、不可再生发电设备的真实电压/>、不可再生发电设备的真实电流/>、储能单元的真实电压/>和储能单元的真实电流/>这6个系统状态分别进行20次求差，选取与6个系统状态对应的6个最大误差，这6个误差分别为状态Tube不变集6个顶点，从而确定状态Tube不变集。
图4所示为本说明书实施例一种确定微电网控制量的方法流程图，具体包括如下步骤：
步骤401，根据用电单元的需求功率、第二模型预测的系统输出功率及用电成本，构建代价函数。在本说明书实施例中，第二预测模型虽然可以较为准确的表达微电网系统受到攻击后的数学模型，但其依然与真实系统存在偏差。因此，将第二预测模型计算预测的结果作为理想值，将基于第二预测模型计算出的系统状态和控制量为标称系统状态和标称控制电压。本说明书需要对标称控制电压进行补偿，从而提高控制器鲁棒性。
具体的，本步骤以用电成本和系统输出功率误差为优化目标，储能单元和发电设备最大电流、最大电压和最大功率为约束，建立代价函数，输出最优发电单元、用电单元和储能单元的控制电压。在本说明书实施例中，可以根据如下公式，构建代价函数：，其中，T为预测时域，/>为第i个步长时用电单元的需求功率，/>为第二预测模型计算的第i个步长的系统输出功率预测值，C为用电成本，R为需求误差权重系数，G为用电成本权重系数。其中，/>由用电单元给出未来一段时间的用电需求变化，代价函数追求在尽可能满足用电单元需求的同时降低用电成本。R取值越大，则越倾向于满足用电单元的需求，Q取值越大则更倾向于降低用电成本。
在本说明书实施例中，构建微电网系统的代价函数，对微电网系统的代价函数求解，输出最优的发电单元和储能单元的标称控制电压。
步骤402，迭代求解所述代价函数，得到标称控制电压。在本说明书实施例中，每一次迭代求解代价函数，计算得到控制电压值，将该控制电压称为标称控制电压。
步骤403，将所述标称控制电压及受DOS攻击后的微电网系统的系统状态数据，输入至第二预测模型中，迭代得到下一时间步长的标称系统状态。本步骤中，受攻击后的微电网系统的系统状态数据基于第二预测模型预测得到的系统输出功率逆向计算得到。
本步骤中，第二预测模型利用公式，将第k时刻的第i个步长的标称系统状态/>及第k时刻的第i个步长的标称控制电压/>输入至第二预测模型中，计算下一次迭代第i+1步长的标称状态量/>。/>为第k时刻的第i+1个步长的标称系统状态。
在本说明书的一种实施例中，按照上述迭代方式，初始迭代时将作为k时刻第二预测模型预测过程的初始点。/>的初始值为当前传感器采集到的系统状态。基于/>，通过T次迭代算出/>，通过LQR算法计算令整个迭代过程中代价函数最小的并在k时刻执行/>。
步骤404，根据下一时刻的标称系统状态及所述状态tube不变集，确定状态约束条件。
在本说明书实施例中，和/>都是在理想条件下计算得到的，其所用的第二预测模型与实际模型存在偏差，为了抑制偏差的影响，基于状态Tube不变集Z计算出使不会超出Z的控制增益K。将其与/>相加，从而保证预测过程中/>不会超出x的约束范围，并在第k+1时刻重复上述过程。
具体的，通过如下公式，确定状态约束条件：；其中，/>为第k时刻的第i个步长的标称系统状态，/>为系统状态的最大取值范围。
步骤405，根据下一时刻的标称控制电压及所述状态tube不变集，确定控制约束条件。基于状态Tube不变集Z及控制增益K，其与相加，从而保证预测过程中/>不会超出u的约束范围，并在第k+1时刻重复上述过程。
具体的，通过如下公式，确定控制约束条件：其中，/>为第k时刻的第i个步长的标称控制电压；/>为控制电压的最大取值范围。/>为第k时刻第i个步长的状态Tube不变集。
步骤406，根据所述代价函数、所述状态约束条件及所述控制约束条件，确定第k时刻的控制电压。本说明书实施例以用电成本和系统输出功率误差为优化目标，储能单元和发电设备最大电流、最大电压和最大功率为约束，建立代价函数。在迭代代价函数的过程中，计算每次迭代代价函数得到的控制电压。
步骤407，利用控制增益、标称系统状态及真实系统状态的误差，确定微电网的控制电压增量。根据如下公式确定微电网中各单元的控制电压的增量。具体可以通过如下公式确定：，其中，/>为第k时刻的实际上控制电压，K为控制增益，/>为第k时刻的标称系统状态，/>为第k时刻的真实系统状态。真实系统状态与标称系统状态的误差，与控制增益的乘积，再加上标称控制电压，即为实际真实的控制电压。在本说明书一些实施例中，微电网的控制电压增量为一个向量，包括可再生单元、不可再生单元和储能单元的电压增量。其表示在当前电压基础上希望再增加的电压值。
图5所示为本说明书实施例一种确定微电网当前是否受到DOS攻击的方法流程图，具体包括如下步骤：
步骤501，确定微电网真实系统输出功率与第一预测模型预测得到的微电网系统输出功率之间的功率误差。具体利用如下公式：；其中，/>表示系统输出功率序列，/>表示基于第一预测模型预测的系统输出功率序列。
本步骤中，采集50次系统输出功率，并得到50个功率误差。每0.25秒记录一次所有传感器的数据并更新系统输出功率序列和基于第一预测模型计算出的系统输出功率序列/>；序列中包含最近50次记录结果。
步骤502，判断所述功率误差是否超出预设误差范围。具体利用如下公式：；其中，State表示微电网当前状态，K为延迟误差阈值，Normal表示微电网系统正常，DoS表示微电网系统受到DoS攻击。
步骤503，若超出，确定微电网受到DOS攻击。若功率误差超出延迟误差阈值，确定第一预测模型预测的系统输出功率与系统真实的输出功率相差较大，第一预测模型当前的预测结果不适用正常状态的微电网，则确定微电网受到了DOS攻击。
步骤504，若未超出，确定微电网未受到DOS攻击。若功率误差未超出延迟误差阈值，确定第一预测模型预测的系统输出功率与系统真实功率的输出功率差距较小，第一预测模型当前的预测结果适用于正常状态的微电网，确定微电网处于正常状态。
图6所示为本说明书实施例一种构建第一预测模型的方法流程图，具体包括如下步骤：
步骤601，利用传感器分别获取历史周期内，发电单元、用电单元及储能单元的电压样本数据、电流样本数据。本说明书实施例中，在发电单元、用电单元及储能单元分别设置传感器，采集各单元内的电压、电流，电压、电流为状态数据。本步骤采集历史周期内的电压电流状态数据，用于训练预测模型，因此通过传感器采集到的发电单元、用电单元及储能单元的电压为电压样本数据，采集到的电流为电流样本数据。
步骤602，将历史周期内的样本电压数据、电流样本数据组成输入时序样本数据集。对可再生发电设备、不可再生发电设备、存储单元中的电压电流组成输入时序样本数据集。
步骤603，分别获取历史周期内发电单元的输出功率、储能单元的输出功率，所述发电单元的输出功率包括：可再生发电设备的输出功率及不可再生发电设备的输出功率。本步骤中，通过获取过去一段时间内发电单元、用电单元及储能单元的状态数据中的输出功率，分别得到历史周期内发电单元的输出功率、储能单元的输出功率。
步骤604，将历史周期内所述发电单元的输出功率、储能单元的输出功率，确定为输出时序样本数据集。将过去一段时间内的发电单元的输出功率、储能单元的输出功率按照时间顺序处理为时序数据序列，该时序数据序列用于构建第一预测模型，因此将本步骤中各单元的功输出功率确定为输出时序样本数据集。
步骤605，将所述时序样本数据集及输出时序样本数据集作为训练样本集输入至神经网络模型。所述神经网络模型包括多维输入层、多维特征提取层及多维输出层。根据步骤602中的输入时序样本数据集、步骤604中的输出时序样本数据集组成训练样本集，将该训练样本集输入至神经网络模型进行训练。神经网络模型包括：输入层、多维特征提取层、多维输出层。本步骤中，多维特征提取层由CNN构成，对滤波后的训练样本集进行特征提取；多维输出层由LSTM构成，基于特征计算微电网输出功率。
步骤606，基于Adam的反向误差传播法训练所述神经网络模型，得到第一预测模型。
图7所示为本说明书实施例一种确定微电网是否受到攻击的方法流程图，具体包括如下步骤：
步骤701，利用第一预测模型的多维输入层对输入时序样本数据集进行滤波处理，得到滤波处理后的时序数据集。
本步骤中，利用如下公式对输入时序样本数据集进行滤波：
/>
其中，为输入时序样本数据集中第t个传感器采集到的信号，/>为第t个传感器信号的第p个卷积核，/>和/>是更新的比例和移位参数，/>为一个微小的常数，/>为所有/>的平均数，/>为所有u t 的方差，p为池函数的步长，conv1D为一维卷积运算，/>为多维数据输出层输出的数据集。
步骤702，利用第一预测模型的多维特征提取层对滤波处理后的时序数据集进行特征提取，得到输入时序样本数据集的特征。
本步骤中，利用如下公式对滤波后的输入时序样本数据集提取特征：
其中，为卷积计算后的特征值，/>为第k个卷积核的权重，m为卷积核高度，n为卷积核宽度，b为偏差，g()为激活函数，/>为多维特征提层的输出，Maxpooling()为最大池化函数，t：t+m-1.k:k+n+1表示对z的第t行到第t+m-1行和第k列到第k+n=1列进行卷积运算。
步骤703，利用第一预测模型的多维输出层基于所述特征，计算微电网输出功率，得到微电网预测输出功率。本步骤中，将微电网预测输出功率记为。具体通过如下公式确定：
其中，α为遗忘门输出，为权重，/>为偏置向量，σ为sigmoid函数，h为输出门的输出，/>为多维特征提层的输出，c为遗忘门输出，N为LSTM单元数，/>为多维输出层的输出，即第一预测模型计算得到的第t时刻的微电网的系统输出功率。
如图8所示为本说明书实施例一种基于迁移学习抵御DOS攻击的微电网控制装置的结构示意图，在本图中描述了基于迁移学习的微电网控制装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现基于迁移学习的微电网控制，该装置具体包括：
判断单元801，用于根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到攻击；其中，利用第一预测模型根据微电网状态数据得到所述第一预测系统输出功率，所述第一预测模型根据微电网处于正常状态对应的训练样本数据集训练得到；
采集单元802，用于若受到DOS攻击，采集受DOS攻击状态下微电网系统的第一数据集、受DOS攻击状态之前处于正常状态的第二数据集；
迁移单元803，用于根据所述第一数据集、第二数据集，利用迁移算法将所述第一预测模型迁移为受DOS攻击状态的第二预测模型；
状态Tube不变集重构单元804，用于根据受DOS攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集，其中，利用所述第二预测模型根据微电网处于受DOS攻击状态的数据得到所述第二预测系统输出功率；
控制参数确定单元805，用于根据重构后的状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。
本说明书旨在实现微电网准确预测受到DoS攻击后的系统状态，提高微电网抵御拒绝服务攻击的能力。
作为本说明书的一个实施例，还可以参考如图9所示为本实施例基于迁移学习的微电网控制装置的具体结构示意图。
作为本说明书的一个实施例，所述判断单元801进一步包括：
第一预测模型构建模块8011，用于根据微电网正常状态的训练样本数据训练得到第一预测模型；
功率误差确定模块8012，用于确定微电网实时系统输出功率与第一预测模型预测得到的微电网系统输出功率之间的功率误差。
作为本说明书的一个实施例，所述迁移单元803进一步包括：
联合数据集确定模块8031，用于将处于正常状态下的第二数据集、受攻击状态下的第一数据集，确定为联合数据集；
模型更新模块8032，用于根据联合数据集对所述第一预测模型进行再训练，计算第一预测模型在第二数据集上的平均损失；根据所述平均损失，更新联合数据集中每一样本的权重；基于更新后的权重，迭代训练第一预测模型。
如图10所示，为本说明书实施例提供的一种计算机设备，本说明书所述基于迁移学习抵御DOS攻击的微电网控制方法可以由计算机设备执行。所述计算机设备1002可以包括一个或多个处理器1004，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1002还可以包括任何存储器1006，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1006可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1002的固定或可移除部件。在一种情况下，当处理器1004执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1002可以执行相关联指令的任一操作。计算机设备1002还包括用于与任何存储器交互的一个或多个驱动机构1008，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1002还可以包括输入/输出模块1010（I/O），其用于接收各种输入(经由输入设备1012)和用于提供各种输出(经由输出设备1014)。一个具体输出机构可以包括呈现设备1016和相关联的图形用户接口(GUI)1018。在其他实施例中，还可以不包括输入/输出模块1010（I/O）、输入设备1012以及输出设备1014，仅作为网络中的一台计算机设备。计算机设备1002还可以包括一个或多个网络接口1020，其用于经由一个或多个通信链路1023与其他设备交换数据。一个或多个通信总线1024将上文所描述的部件耦合在一起。
通信链路1023可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1023可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1至图7中的方法，本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本说明书实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图7所示的方法。
应理解，在本说明书的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本说明书实施例的实施过程构成任何限定。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本说明书中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本说明书中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本说明书的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、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。
在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、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。另外，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，也可以是电的，机械的或其它的形式连接。
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说明书实施例方案的目的。
另外，在本说明书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，也可以是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，本说明书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）执行本说明书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。
本说明书中应用了具体实施例对本说明书的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本说明书的方法及其核心思想；同时，对于本领域的一般技术人员，依据本说明书的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本说明书的限制。

Claims (15)

1.一种基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述方法包括：
根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击；其中，利用第一预测模型根据微电网状态数据得到所述第一预测系统输出功率，所述第一预测模型根据微电网处于正常状态对应的训练样本数据集训练得到；
若受到DOS攻击，采集受DOS攻击状态下微电网系统的第一数据集、受DOS攻击状态之前处于正常状态的第二数据集；
根据所述第一数据集、第二数据集，利用迁移算法将所述第一预测模型迁移为受DOS攻击状态的第二预测模型；
根据受DOS攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集，其中，利用所述第二预测模型根据微电网处于受攻击状态的数据得到所述第二预测系统输出功率；
根据重构后的状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。
2.根据权利要求1所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，基于迁移算法、第一数据集、第二数据集，将所述第一预测模型迁移为受DOS攻击状态的第二预测模型包括：
将处于正常状态下的第二数据集、受攻击状态下的第一数据集，确定为联合数据集；
根据联合数据集对所述第一预测模型进行再训练，计算第一预测模型在第二数据集上的平均损失；
根据所述平均损失，更新联合数据集中每一样本的权重；
基于更新后的权重，迭代训练所述第一预测模型，直到平均损失收敛到预设范围，得到第二预测模型。
3.根据权利要求2所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述方法包括：利用如下公式计算平均损失：，其中，/>表示联合数据集，/>为第一预测模型预测的第i步长的系统输出功率，/>为发电单元的可再生设备的实际输出功率，/>为不可再生设备的实际输出功率，/>为存储单元的实际输出功率；/>为联合数据集中第i个样本的权重。
4.根据权利要求2所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述根据微电网实时系统输出功率、由所述第二预测模型预测得到的系统输出功率之间的误差，重构状态Tube不变集包括：
获取受攻击后的微电网的真实系统状态数据集、第二预测模型预测受攻击后的微电网系统的系统状态数据集；
计算真实系统状态数据与预测系统状态数据的最大误差；
将所述最大误差为Tube不变集的顶点。
5.根据权利要求4所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述方法进一步包括：
通过如下公式计算真实系统状态数据与及第二预测模型预测受攻击后的微电网系统输出功率后得到的系统状态数据的最大误差：；其中，/>表示第j个Tube不变集的顶点，j∈[1,2,…,6]，α为通过测试进行标定的放大因子，/>为受攻击后的微电网系统预测得到的系统状态数据集中第j个预测系统状态，/>为受攻击后的微电网的真实系统状态数据集中第j个测量系统状态，/>表示从第j个系统状态的多组误差中选取最大值。
6.根据权利要求1所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，根据重构后的状态tube不变集，构建代价函数及约束条件，确定微电网的控制量包括：
根据用电单元的需求功率、第二模型预测的系统输出功率及用电成本，构建代价函数；
迭代求解所述代价函数，得到标称控制电压；
将所述标称控制电压及受攻击后的微电网系统的系统状态数据，输入至第二预测模型中，迭代得到下一时间步长的标称系统状态；
根据下一时刻的标称系统状态及所述状态tube不变集，确定状态约束条件；
根据下一时刻的标称控制电压及所述状态tube不变集，确定控制约束条件；
根据所述代价函数、所述状态约束条件及所述控制约束条件，确定第k时刻的控制电压；
利用控制增益、标称系统状态及真实系统状态的误差，确定微电网的控制电压增量。
7.根据权利要求6所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述方法进一步包括：
利用如下公式对控制电压进行补偿：，其中，/>为第k时刻的真实控制电压，K为控制增益，/>为第二预测模型预测的标称控制电压；/>为第k时刻的真实系统状态，/>为第k时刻的标称系统状态。
8.根据权利要求6所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述方法还包括：
根据如下公式，构建代价函数及约束条件；
，
，其中，T为预测时域，/>为第i个步长时用电单元的需求功率，/>为第二预测模型计算的第i个步长的系统输出功率预测值；/>为第k时刻的第i个步长的标称控制电压增量，/>为第k时刻的第i个步长的标称系统状态，/>为第k时刻的第i+1个步长的标称系统状态；/>为所述状态tube不变集；/>为k时刻第二模型预测的初始点，/>的初始值为当前传感器采集到的系统状态，/>为第k时刻的真实系统状态，C为用电成本，R为需求误差权重系数，G为用电成本权重系数，/>表示第i个预测步长时预测输出功率与实际需求功率的欧式范数，R表示跟踪精度权重矩阵，/>表示第i个预测步长时用电成本，G表示用电成本权重矩阵，Model_(2)表示第二预测模型，/>为时序数据集的最大取值范围，/>为控制电压的最大取值范围。
9.根据权利要求1所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到攻击包括：
利用如下公式，确定微电网实时系统输出功率与第一预测模型预测得到的微电网系统输出功率之间的功率误差：；其中，/>表示系统输出功率序列，/>表示基于第一预测模型预测的系统输出功率序列；
利用如下公式判断所述功率误差是否超出预设误差范围：；其中，State表示微电网当前状态，K为延迟误差阈值，Normal表示微电网系统正常，DoS表示微电网系统受到DoS攻击；
若超出，确定微电网受到攻击；
若未超出，确定微电网未受到攻击。
10.根据权利要求1所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，所述第一预测模型根据微电网正常状态的训练样本数据训练得到包括：
利用传感器分别获取历史周期内，发电单元、用电单元及储能单元的电压样本数据、电流样本数据；
将历史周期内的样本电压数据、电流样本数据组成输入时序样本数据集；
分别获取历史周期内发电单元的输出功率、储能单元的输出功率，所述发电单元的输出功率包括：可再生发电设备的输出功率及不可再生发电设备的输出功率；
将历史周期内所述发电单元的输出功率、储能单元的输出功率，确定为输出时序样本数据集；
将所述输入时序样本数据集及输出时序样本数据集作为训练样本集输入至神经网络模型，所述神经网络模型包括多维输入层、多维特征提取层及多维输出层；
基于Adam的反向误差传播法训练所述神经网络模型，得到第一预测模型。
11.根据权利要求10所述的基于迁移学习抵御DOS攻击的微电网控制方法，其特征在于，第一预测系统输出功率通过如下方式确定：
利用第一预测模型的多维输入层对输入时序数据集进行滤波处理，得到滤波处理后的时序数据集；
利用第一预测模型的多维特征提取层对滤波处理后的时序数据集进行特征提取，得到时序数据集的特征；
利用第一预测模型的多维输出层基于所述特征，计算微电网输出功率，得到微电网预测输出功率。
12.一种基于迁移学习的微电网控制装置，其特征在于，所述装置包括：
判断单元，用于根据微电网真实系统输出功率和第一预测系统输出功率，判断微电网当前是否受到DOS攻击；其中，利用第一预测模型根据微电网状态数据得到所述第一预测系统输出功率，所述第一预测模型根据微电网处于正常状态对应的训练样本数据集训练得到；
采集单元，用于若受到DOS攻击，采集受DOS攻击状态下微电网系统的第一数据集、受攻击状态之前处于正常状态的第二数据集；
迁移单元，用于根据所述第一数据集、第二数据集 ，利用迁移算法将所述第一预测模型迁移为受DOS攻击状态的第二预测模型；
状态Tube不变集重构单元，用于根据受攻击状态下的微电网真实系统输出功率与第二预测系统输出功率之间的误差，重构状态Tube不变集，其中，利用所述第二预测模型根据微电网处于受攻击状态的数据得到所述第二预测系统输出功率；
控制参数确定单元，用于根据重构后的状态Tube不变集，构建代价函数及约束条件，确定微电网的控制参数。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11任意一项所述的方法。
14.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至11任意一项所述的方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至11任意一项所述的方法。
CN202410090947.XA 2024-01-23 2024-01-23 一种基于迁移学习抵御dos攻击的微电网控制方法 Active CN117614038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410090947.XA CN117614038B (zh) 2024-01-23 2024-01-23 一种基于迁移学习抵御dos攻击的微电网控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410090947.XA CN117614038B (zh) 2024-01-23 2024-01-23 一种基于迁移学习抵御dos攻击的微电网控制方法

Publications (2)

Publication Number Publication Date
CN117614038A true CN117614038A (zh) 2024-02-27
CN117614038B CN117614038B (zh) 2024-04-05

Family

ID=89960226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410090947.XA Active CN117614038B (zh) 2024-01-23 2024-01-23 一种基于迁移学习抵御dos攻击的微电网控制方法

Country Status (1)

Country Link
CN (1) CN117614038B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190296643A1 (en) * 2018-03-26 2019-09-26 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for control of dc/dc converters and a standalone dc microgrid using artificial neural networks
CN110324332A (zh) * 2019-06-28 2019-10-11 重庆大学 一种用于微电网在网络攻击下的安全控制方法
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法
CN111953657A (zh) * 2020-07-14 2020-11-17 东南大学 一种序列-数据联合驱动的配电网cps网络攻击辨识方法
CN112422552A (zh) * 2020-11-17 2021-02-26 南京邮电大学 微网二次控制中上传信道受DoS攻击下的攻防演化方法
CN113824161A (zh) * 2021-09-22 2021-12-21 电子科技大学 一种DoS攻击下的交直流微电网集群系统控制方法
CN115936503A (zh) * 2022-12-02 2023-04-07 国网辽宁省电力有限公司锦州供电公司 电力系统安全评估的隐蔽性攻击方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190296643A1 (en) * 2018-03-26 2019-09-26 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for control of dc/dc converters and a standalone dc microgrid using artificial neural networks
CN110324332A (zh) * 2019-06-28 2019-10-11 重庆大学 一种用于微电网在网络攻击下的安全控制方法
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法
CN111953657A (zh) * 2020-07-14 2020-11-17 东南大学 一种序列-数据联合驱动的配电网cps网络攻击辨识方法
CN112422552A (zh) * 2020-11-17 2021-02-26 南京邮电大学 微网二次控制中上传信道受DoS攻击下的攻防演化方法
CN113824161A (zh) * 2021-09-22 2021-12-21 电子科技大学 一种DoS攻击下的交直流微电网集群系统控制方法
CN115936503A (zh) * 2022-12-02 2023-04-07 国网辽宁省电力有限公司锦州供电公司 电力系统安全评估的隐蔽性攻击方法、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭莎 等: "机器学习在电力信息物理系统网络安全中的应用", 《电力系统自动化》, vol. 46, no. 9, 10 May 2022 (2022-05-10) *

Also Published As

Publication number Publication date
CN117614038B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Chen et al. Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network
Liu et al. A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture
CN110647042A (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
CN107704962B (zh) 一种基于不完整训练数据集的蒸汽流量区间预测方法
CN111754026A (zh) 光伏电站群功率预测方法、装置、计算机设备及存储介质
CN109063818B (zh) 一种热工过程模型在线辨识方法及装置
JPWO2020137914A5 (zh)
CN114118634B (zh) 一种土壤水分预测方法和装置
CN116292130A (zh) 基于协整分析的风力发电机状态监测系统及其方法
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN117614038B (zh) 一种基于迁移学习抵御dos攻击的微电网控制方法
CN114238297A (zh) 一种风机运行缺失数据填补方法、装置、电子设备及介质
CN112527547B (zh) 一种基于自动卷积神经网络的机械智能故障预测方法
CN114239796A (zh) 一种基于扩展卡尔曼滤波的电力系统状态估计方法
CN117330963A (zh) 储能电站故障检测方法、系统及设备
CN116706888A (zh) 基于联邦学习的智能电网负荷预测方法
CN115563579A (zh) 一种电容式传感器测量含沙量的数据融合方法
CN114155354B (zh) 基于图卷积网络的电容层析成像重建方法与装置
Osama et al. An optimized support vector regression using whale optimization for long term wind speed forecasting
CN115183884A (zh) 电热协同系统的红外测温补偿方法及装置
CN111179110B (zh) 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置
CN103994858B (zh) 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法
Garmaev et al. Deep Koopman Operator-based degradation modelling
CN116886735B (zh) 一种基于双星型以太网结构的水电站运行监测系统
CN116227743B (zh) 基于金枪鱼群算法的光伏发电功率异常率确定方法及系统

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
GR01 Patent grant
GR01 Patent grant