CN1805234A - 网络环境下基于模式匹配的电力系统继电保护信息安全防护方法 - Google Patents

Abstract

一种网络环境下基于模式匹配的电力系统继电保护信息安全防护方法，它是在利用数字式互感器采集电流、电压数据并用网络传输数据的变电站中，当继电保护根据由网络接收到数据判断电网发生故障而要输出动作出口信号前，让该继电保护通过变电站网络收集站内所有线路和母线的电流、电压数据并输入到概率神经网络中，然后用该概率神经网络进行模式匹配，判断变电站的电流、电压数据是否与已知的故障模式相匹配，以防止继电保护误动。它利用概率神经网络对故障数据与已知故障数据进行模式匹配以识别虚假故障，提高继电保护的信息安全防护能力，防止继电保护因为接收到错误的数据信号而出现误动。

Description

网络环境下基于模式匹配的电力系统继电保护信息安全防护方法

技术领域

本发明涉及电力系统继电保护技术，属电力系统保护控制领域。

背景技术

90年代中期以来，随着计算机和网络通信技术的飞速发展，使得变电站自动化取得实质性的进展。变电站自动化系统中出现了使用网络技术，如LonWorks(Local Operation Network)、CAN(Control Area Network)、Ethernet等替代控制电缆的趋势。近年来研制成功的数字式互感器可以将采集得到的瞬时电流、电压信号通过数字输出口以指定帧格式封装并传送给变电站的二次计量和保护设备。通过网络传输数字式互感器采集的电流、电压信号可使变电站自动化系统中的测量和保护部分实现数据完全共享，从而简化现场接线和二次设备，降低成本，也为实现变电站监视、计量、控制和继电保护的信息共享与系统集成提供了技术基础。由于数字信号在传输过程中不易受干扰，这种方式也有利于提高系统的准确度、可靠性以及继电保护的快速性、选择性和可靠性。在利用网络传输数字式电流、电压信号的变电站自动化系统中，继电保护可通过网络收集其所在线路电流及相关母线电压，并按阻抗、电流差动或过电流等不同保护判据来检测、定位和隔离故障。

随着网络通信技术在电力系统中的广泛应用，通过变电站内部局域网传输的电压、电流采样数据存在信息安全的问题。如果非法用户侵入变电站自动化通信系统并向继电保护发送错误的电流、电压数据，就可能导致继电保护误动。虽然采用物理隔离的专用通信网络可以避免攻击者从外部入侵，但由于变电站自动化系统中有很多不同的应用需要和调度中心进行通信，因此，各变电站的内部网络可通过调度中心的联系构成一个庞大的网络。如果该网络中有个别计算机存在安全漏洞，非法用户就能侵入到与调度中心相连的各个变电站通信网络。目前，通信加密技术可以有效减少系统安全漏洞带来的安全问题，但复杂的加密算法需要更长的加密、解密时间，不利于保证继电保护的快速性；其次，当网络通信服务质量(QoS)变差时，加密、解密行为可能因为身份认证、密码分发等环节发生错误而失败，无法保证电流、电压采样数据的完整性和正确性。

概率神经网络(PNN)是一种适合于模式分类的前馈型径向基神经网络，其理论依据是贝叶斯决策理论，它具有强大的非线性映射能力、并行处理能力以及样本学习能力，是进行模式识别的理想工具。自1989年提出后，得到了较快的发展，现今己广泛应用于雷达目标识别、设备故障诊断及病情分析中，并且取得了大量令人满意的应用成果。

概率神经网络由输入层、样本层和输出层构成。输入层接受测试样本的值，输入层神经元数量等于样本矢量的维数相等。输入样本X与样本层中第j个样本Y_j的欧几里德矢量距离 $\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{(X_i-Y_{\mathrm{ji}})}^T(X_i-Y_{\mathrm{ji}}),$ 样本层神经元Y_j的输出即为 $p_j=\exp \left(\frac{-\left|\right|X-Y_j\left|\right|}{2}\right),$ 其意义是以当前样本层节点Y_j为中心的高斯函数产生输入样本X的概率。在一个有两种模式A和B的n个样本层节点的概率神经网络中，输入样本可以先计算样本层的n个样本输出，然后对模式A和模式B的样本层节点输出分别求和 $P_A=\underset{i=\mathrm{1,2},...,n}{\overset{i\∈A}{\mathrm{\Σ}}}{p}_i,P_B=\underset{i=\mathrm{1,2},...,n}{\overset{i\∈B}{\mathrm{\Σ}}}{p}_i,$ 最后用

来判断是否大于阈值0.5判断输入样本是否可归于模式A。

概率神经网络使用简单，只要将训练样本归一化后直接赋值给网络样本层即可完成训练，中间样本层节点数由样本数量决定。概率神经网络可以最大程度地利用先验知识，无论分类问题多么复杂，只要有足够多的训练样本，总可获得贝叶斯准则下的最优解。样本适应能力强，可方便地通过修改样本层节点来增减训练样本，并能容忍个别错误样本；抗干扰能力强，对测量噪声具有较强的鲁棒性，可以减少误报率和漏报率，实时性好。

发明内容

本发明要解决的技术问题是，针对现有技术存在的缺陷，提出一种网络环境下基于模式匹配的电力系统继电保护信息安全防护方法，它依据电网发生短路故障时电流、电压及其故障特征分量的分布特点，利用概率神经网络对故障数据与己知故障数据进行模式匹配以识别虚假故障数据，提高继电保护的信息安全防护能力，防止继电保护因为接收到错误的数据信号而出现误动。

本发明所采用的技术方案是：在利用数字式互感器采集电流、电压数据并用网络传输数据的变电站中，当继电保护根据由网络接收到数据判断电网故障而要输出动作出口信号前，让该继电保护通过变电站网络收集站内所有线路和母线的电流、电压数据，并将其以正常运行方式为基准归一化后输入到经过训练的概率神经网络中，然后用该概率神经网络进行模式匹配，判断变电站的电流、电压数据是否与已知的故障模式相匹配，如果能与已有的故障模式匹配，则开放继电保护动作出口信号，否则闭锁动作出口信号，防止继电保护因为接受到错误的电流、电压数据而误动。

本发明中，所述概率神经网络的输入层为以正常运行方式为各电流、电压互感器采集得到的按基准值归一化的电流、电压数字信号；概率神经网络的样本层真实故障样本为利用数值仿真得到的变电站所在电网在不同运行方式下、在变电站不同地点发生不同类型故障(单相接地、相间短路、相间接地短路、三相短路等)时变电站线路和母线的经过归一化的电流、电压数据。

所述概率神经网络的样本层样本建立是，选择一个特定的正常运行方式下的电流、电压数据作为基准值；然后利用数值仿真方法得到变电站所在电网在不同运行方式、不同故障地点和故障类型(单相接地、相间短路、相间接地短路、三相短路等)时变电站内各线路和母线的电流、电压数据，以基准值将其归一化后作为样本层的真实故障节点数据；虚假故障样本是建立在网络非法入侵者控制了一个数字式传感器的数据输出前提下，假定其输出虚假的单相或三相电流数据。虚假故障样本的生成方法是在仿真得到的各种正常运行方式的变电站线路和母线电流电压数据的基础上，逐个将变电站线路的单相或三相电流增大8倍后再以基准值归一化的线路电流和母线电压数据作为样本层虚假故障节点数据。

所述变电站的电流、电压数据与己知的故障模式是否相匹配的判断是，如果概率神经网络输出小于给定阈值则认为整个变电站母线电压与线路电流数据与各已知故障不能匹配；据此屏蔽继电保护动作出口信号，以防止继电保护由于接收到错误数据而误动；如果所述收集到的整个变电站的母线电压、线路电流数据中某个电压或电流数据远小于正常值而接近于零时，认为该互感器或其对应的母线、线路退出运行。

在进行故障模式匹配时，对于退出运行的母线及线路不予记入，以提高概率神经网络的模式匹配精度。

以下对本发明的工作原理做出进一步说明。

人们知道，电网中发生故障时，故障点及其相邻线路、变压器会流过较大的故障电流，同时故障点附近电压降低。对变电站而言，如其连接的线路发生短路故障，则故障线路流过的电流会有较大增长，并使得所连接母线之电压降低。整个变电站的母线电压和线路电流数据应按系统运行方式、故障地点与故障类型的不同而服从特定的模式，这一特性可以用来避免继电保护由于接收到错误的电流、电压采样数据而误动。当继电保护检测到故障时，可以通过判断整个变电站的电流、电压测量值是否与已知故障下该变电站母线电压及线路电流数据相匹配，从而避免继电保护因接收到错误的采样数据而误动的可能性。

本发明根据上述电网故障技术特性，应用概率神经网络提升继电保护的信息安全防护能力。所述概率神经网络由输入层、样本层和输出决策层构成。输入层的节点数等于传感器的数量，样本层的节点数则由样本数量决定。对用于虚假数据检测的概率神经网络而言，样本数据分为虚假故障和真实故障情况两种模式下各传感器采集的数据。概率神经网络建立后，输入的数据将会与样本层各节点的真实短路故障和虚假短路故障数据相比较，并计算其与样本数据的相似度，在求和层对真实故障样本节点输出P_A和虚假故障样本节点P_B分别累加，并在决策输出层以 作为概率神经网络的输出，输出值小于阈值0.5时表明系统正常运行，否则系统发生故障。

由以上可知，本发明为一种网络环境下基于模式匹配的电力系统继电保护信息安全防护方法，它依据电网故障技术特性，利用概率神经网络对故障数据与己知故障数据进行模式匹配以识别虚假故障数据，使继电保护信息得到安全防护，由此实现了防止继电保护因为接收到错误的数据信号而出现误动。

附图说明

图1为概率神经网络的结构示意图；

图2为变电站电流、电压数据采集示意图。

具体实施方式

如图1的概率神经网络结构示意图，其中输入节点输入数据为各线路、变压器电流及母线电压；样本层节点分为真实故障节点和虚假故障节点；求和层的两个节点分别对真实故障和虚假故障样本节点的输出进行求和，输出层以的形式给出概率神经网络的输出。

图2为变电站电流、电压数据采集示意图。该图中：CT 1～CT 6为变电站内各线路安装的电流互感器；PT 1～PT 2为变电站内各母线处安装的电压互感器；Feeder 1～Feeder 3为变电站的3条馈线；其中PT和CT分别采集三相电压和三相电流。

下面以图1所示变电站为例，结合附图2来进一步说明本发明的具体实施方式。为表达方便，假定变电站所在电网只有一种运行方式，以三相对称故障中的单相电流进行说明。将该运行方式下确定为归一化的基准值，其中变电站各馈线Feeder 1～Feeder 3的负荷电流为100A，流过变压器的电流为300A，母线电压为额定值。

利用EMTP电磁暂态程序进行短路故障的数值仿真，得到电网在该正常运行方式、不同故障地点(变电站内不同馈线、母线或变压器)和故障类型(单相接地、相间短路、相间接地短路、三相短路等)时变电站内各线路、变压器的电流、电压数据。假定馈线短路故障时其短路电流为负荷电流的8倍(800A)，所连接变压器两端母线电压降为额定值的0.6倍，而连接在同一母线上其它馈线电流将因为电压下降而降低为0.6倍正常负荷电流(60A)，变压器正常负荷电流300A，故障时电流为920A，可确定其归一化后为3.067，变压器和母线的电流、电压归一化后高压侧与低压侧一致。由此可建立归一化的样本层真实故障样本 $Y=\left[\begin{array}{ccccccc}\mathrm{CT}1& \mathrm{CT}2& \mathrm{CT}3& \mathrm{CT}4& \mathrm{CT}5& \mathrm{PT}1& \mathrm{PT}2\\ 8& 0.6& 0.6& 3.067& 3.067& 0.6& 0.6\end{array}\right].$ 分别对三条馈线的三相短路故障仿真则可得真实故障样本 $Y_A=\left[\begin{array}{c}{Y}_{A1}\\ Y_{A2}\\ Y_{A3}\end{array}\right]=\left[\begin{array}{ccccccc}\mathrm{CT}1& \mathrm{CT}2& \mathrm{CT}3& \mathrm{CT}4& \mathrm{CT}5& \mathrm{PT}1& \mathrm{PT}2\\ 8& 0.6& 0.6& 3.067& 3.067& 0.6& 0.6\\ 0.6& 8& 0.6& 3.067& 3.067& 0.6& 0.6\\ 0.6& 0.6& 8& 3.067& 3.067& 0.6& 0.6\end{array}\right].$

虚假故障样本的生成方法是在正常运行方式数据基础上将单相或三相电流放大特定倍数(如8倍)而将其它互感器采集的电流、电压数据保持为基准值，得到3条馈线的虚假故障样本 $Y_B=\left[\begin{array}{c}{Y}_{B1}\\ Y_{B2}\\ Y_{B3}\end{array}\right]=\left[\begin{array}{ccccccc}\mathrm{CT}1& \mathrm{CT}2& \mathrm{CT}3& \mathrm{CT}4& \mathrm{CT}5& \mathrm{PT}12& \mathrm{PT}2\\ 8& 1& 1& 1& 1& 1& 1\\ 1& 8& 1& 1& 1& 1& 1\\ 1& 1& 8& 1& 1& 1& 1\end{array}\right].$

以下利用Y_A和Y_B作为样本层节点建立的概率神经网络对F₁和F₂两组检测到的故障数据进行模式匹配，判断其故障真假。

$F_1=\left[\begin{array}{ccccccc}\mathrm{CT}1& \mathrm{CT}2& \mathrm{CT}3& \mathrm{CT}4& \mathrm{CT}5& \mathrm{PT}1& \mathrm{PT}2\\ 6& 0.8& 0.8& 2.533& 2.533& 0.7& 0.7\end{array}\right]$ 为真实故障。由于短路电阻限制，Feeder 1短路电流为6倍基准值(600A)，母线电压下降为0.8倍基准电压，Feeder2，3电流为0.8倍基准电流，变压器流过3条馈线的总电流920A，归一划后为2.533。将F1输入到概率神经网络可计算其与3个真实故障样本Y_A的欧几里德距离分别为4.6703，81.6303和81.6303，3个样本节点的输出P_A1＝0.09679，P_A2＝1.8802e-018和P_A3＝1.8802e-018，真实故障样本节点输出P_A＝P_A1+P_A2+P_A3＝0.09679；与虚假故障德欧几里德距离为8.9602，81.760和81.760，样本层输出为P_B1＝0.01133，P_B2＝1.7620e-018，P_B3＝1.7620e-018，虚假故障样本节点输出为P_B＝P_B1+P_B2+P_B3＝0.01133。概率神经网络的输出为 $\frac{P_A}{P_A+P_B}=0.89519,$ 说明测试样本为模式A，是真实故障。

$F_2=\left[\begin{array}{ccccccc}\mathrm{CT}1& \mathrm{CT}2& \mathrm{CT}3& \mathrm{CT}4& \mathrm{CT}5& \mathrm{PT}1& \mathrm{PT}2\\ 8& 1.4& 1.4& 1.4& 1.4& 1.04& 1.02\end{array}\right]$ 为虚假故障。假定3条馈线的真实负荷较基准的正常运行方式电流为大，数值是1.4，而馈线1被人为放大为基准值的8倍，母线电压稍微偏离额定电压，为1.04。将F2输入到概率神经网络可以计算其与真实故障样本的欧几里德距离分别为6.07298，104.86498，104.86498，样本层输出为P_A1＝0.04800，P_A2＝1.69379e-023，P_A3＝1.69379e-023，真实故障样本节点输出为P_A＝P_A1+P_A2+P_A3＝0.04800；与虚假故障德欧几里德距离为0.6432，93.0432，93.0432，样本层输出P_B1＝0.72499，P_B2＝6.25066e-021，P_B3＝6.25066e-021，虚假故障样本节点输出为P_B＝P_B1+P_B2+P_B3＝0.72499。概率神经网络输出为 $\frac{P_A}{P_A+P_B}=0.062100,$ 说明测试样本为模式B，是虚假故障。据此可以屏蔽继电保护动作出口信号，以防止继电保护因接收到错误的数据而误动。

Claims (6)

1、一种网络环境下基于模式匹配的继电保护信息安全防护方法，其特征是，该方法为，在利用网络传输数字式互感器采集的电流、电压数据的变电站中，当继电保护根据由网络接收到电流、电压数据判断电网故障而要输出动作出口信号前，由该继电保护通过变电站通信网络收集站内所有线路和母线的电流、电压数据，并将其以正常运行方式为基准值，归一化后输入到经过训练的概率神经网络中，然后用该概率神经网络进行模式匹配，判断变电站的电流、电压数据是否与已知的故障模式相匹配，如果能与已有的故障模式匹配，则开放继电保护动作出口信号，否则闭锁动作出口信号，防止继电保护因为接受到错误的电流、电压数据而误动。

2、根据权利要求1所述网络环境下基于模式匹配的继电保护信息安全防护方法，其特征是，选择变电站所在电网在一年中不同时段的某一正常运行方式下变电站各线路流过的电流数据作为基准值，以便将故障时的电流进行归一化，母线电压则采用额定电压作为基准值，以消除不同线路的电流、电压差异影响概率神经网络分类精度。

3、根据权利要求1所述网络环境下基于模式匹配的继电保护信息安全防护方法，其特征是，概率神经网络的输入层为变电站内各电流、电压互感器采集的电流、电压经基准值电流和额定电压归一化后的数据。

4、根据权利要求1所述网络环境下基于模式匹配的继电保护信息安全防护方法，其特征是，所述概率神经网络的样本层分为真实故障样本和虚假故障样本；所述真实故障样本为利用数值仿真得到的变电站所在电网在不同运行方式下、在变电站的各处发生不同类型短路故障时经基准值归一化的变电站线路、母线的电流和电压数据；所述虚假故障样本是在电网各种正常运行方式的变电站线路和母线电流、电压数据的基础上，逐个将变电站线路的单相或三相电流增大8倍后再以基准值归一化的线路电流和母线电压数据。

5、根据权利要求1所述网络环境下基于模式匹配的继电保护信息安全防护方法，其特征是，所述模式匹配的判断是，如果概率神经网络输出小于给定阈值则认为整个变电站线路和母线的电流、电压数据与各已知故障不能匹配；据此屏蔽继电保护动作出口信号，以防止继电保护由于接收到错误数据而误动。

6、根据权利要求1所述网络环境下基于模式匹配的继电保护信息安全防护方法，其特征是，当所述收集到的整个变电站的母线电压、线路电流数据中某个电压或电流数据远小于正常值而接近于零时，认为该互感器或其对应的母线、线路退出运行；在进行故障模式匹配时，对于退出运行的母线及线路不予记入，以提高概率神经网络的模式匹配精度。

Images