[发明专利]一种电力系统动态状态估计中数据完整性攻击检测方法

说明书

本发明提供的一种电力系统动态状态估计中数据完整性攻击检测方法，通过给电力系统的量测数据中注入攻击向量，采用包含攻击向量的量测数据对深度循环神经网络进行训练，并将深度循环神经网络的输入层到中间层输出之间的映射为特征提取器，提取量测数据的特征并结合量测数据的标签，对构建的联合分类器进行优化，利用循环神经网络提取智能电网量测信息的时空特征，并结合多个分类器联合进行电力系统的数据完整性攻击检测。

技术领域

本发明涉及电力系统数据安全和控制技术领域，具体为一种电力系统动态状态估计中数据完整性攻击检测方法。

背景技术

智能电网作为一个典型的信息物理融合系统，建立在集成高速双向通信网络的基础上，将物理与信息系统深度融合，通过传感技术、量测技术、控制方法和决策支持系统技术的应用，实现电网的安全、经济、高效、环境友好的目标。

为了识别电力系统当前的运行状态，通常采用状态估计器对运行状态进行预估。状态估计有利于精确有效的检测系统运行过程中的实时值，如输电线路负荷或总线电压幅值。它基于系统，提供了可靠的实时状态数据，为能量管理系统决策提供依据，从而保障智能电网的安全、高效运行。

智能电网中的量测设备以有线或无线的方式接入智能电网，并进行信息交互。网络攻击者能够通过传输路径中的漏洞入侵量测终端以及电力通信网络，向智能电网状态信息流中注入符合电力系统物理特性的恶意攻击，并绕过现有异常检测机制，这种攻击称为数据完整性攻击。

目前针对智能电网状态信息流中数据完整性攻击的检测手段，大多面向静态状态估计等传统电力系统的能量管理系统模块，针对单一时间或空间尺度的信息进行检测，仍不足以全面系统地解决由广域测量设备的引入所造成的多时空尺度耦合特征下，量测信息和动态状态估计所面临的数据完整性安全问题。为此，急需针对性地提出更有效的检测方法。

发明内容

针对现有技术中网络攻击者对电力系统物理特性的恶意攻击问题，本发明提供一种电力系统动态状态估计中数据完整性攻击检测方法，基于智能电网量测数据中多时空尺度耦合的特点，提取数据特征，并融合多个分类器提升智能电网中数据完整性注入攻击的检测效果，保障电网运行的经济性与安全性。

本发明是通过以下技术方案来实现：

一种电力系统动态状态估计中数据完整性攻击检测方法，包括步骤如下：

1)获取电力系统多个连续时刻的量测数据；

2)对步骤1)获得的量测数据注入攻击向量，得到包含有攻击和无攻击的量测数据z_a，并对有攻击和无攻击数据做标签；

3)采用步骤2)得到的量测数据z_a和数据标签，对深度循环神经网络进行训练；

4)构建联合分类器；

5)将步骤3)训练好的深度循环神经网络的输入层到隐层输出之间的映射为特征提取器，提取量测数据z_a的特征，将特征和量测数据z_a的标签作为联合分类器的训练数据集，优化联合分类器；

6)用步骤5)得到的特征提取器和优化后的联合分类器，在线检测电力系统是否遭受数据完整性攻击。

优选的，步骤1)中量测数据包括节点电压幅值、节点注入有功功率、节点注入无功功率、支路有功功率和支路无功功率。

优选的，步骤2)中，所述注入攻击向量的方法如下：

对于步骤1)获取的量测数据z，从某时刻开始，按照设定的方法向量测数据z中的部分时刻的测量数据或全部时刻的测量数据注入假数据。

优选的，步骤3)中，所述深度循环神经网络由多个循环神经网络进行级联构成，将量测数据z_a及其标签作为深度循环神经网络的输入和输入，对深度循环神经网络进行训练。