[发明专利]一种电网状态拓扑协同虚假数据攻击防御方法

权利要求书

1.一种电网状态拓扑协同虚假数据攻击防御方法，其特征在于，包括以下步骤：

(1)使用残差检测方法滤除不良数据，再使用检测模型对数据进行检测，确定被攻击的量测数据：使用残差检测方法检测网络拓扑和遥测数据，滤除数据中由物理网运行故障、设备测量误差、通信系统噪音产生的不良数据，使系统中仅保留真实数据以及协同FDIA篡改后的虚假数据；再将遥测遥信一同送入检测模型中检测，识别受攻击的母线和支路，确定受到攻击的区域；

(2)构建基于时空特征的预测模型，基于可能的遥信集合预测对应遥测数据：建立基于时空神经网络的时空特征预测模型，基于时空神经网络的时空特征预测模型包含历史特征处理模块和现有特征处理模块；基于时空神经网络的时空特征预测模型根据历史拓扑结构预测对应的遥测数据，然后将遥测遥信一并送入上述检测模型检测，若通过检测，则数据恢复完成；若未通过检测，则进入下一步；

(3)使用N-k搜索方式，将遥测遥信组合输入所述的基于时空特征的预测模型，通过检测的数据作为真实值：根据不可观测区域的历史拓扑信息推测可能的拓扑结构，再预测可能拓扑结构对应的遥测数据，将遥测遥信组合送入检测模型，筛选出正确的数据组合。

2.根据权利要求1所述的电网状态拓扑协同虚假数据攻击防御方法，其特征在于，所述的检测模型使用图自编码器与残差神经网络构建，攻击检测过程如下式所示：

V＝GAE(A,X)

式中，V为提取到的拓扑特征，A表示邻接矩阵，X为节点特征，z为遥测数据；表示特征融合操作；检测模型输出一组{0,1}标签，表示对应量测受到攻击，依据这些标签确定电网受到攻击的区域。

3.根据权利要求1所述的电网状态拓扑协同虚假数据攻击防御方法，其特征在于，所述基于时空特征的预测模型按以下方法构建：

使用GAE和长短期记忆神经网络构建基于时空神经网络的时空特征预测模型，简称为Bi-GAE-LSTM；Bi-GAE-LSTM模型包含历史特征处理模块和现有特征处理模块，一个具有n条母线，b条支路的电力系统中，攻击区域包含n_a条母线和b_a条支路，输入为输出为Bi-GAE-LSTM模型如下式所示：

V_n＝σ(WA_pX_n)

式中，A_t为标准化邻接矩阵，即图卷积核，由历史量测数据对应的拓扑结构得来；A_p表示由现在的拓扑结构所得的标准化邻接矩阵，与不可观测区域可能的拓扑结构有关；W、W_h1、W_h2表示权重矩阵；σ表示激活函数；LSTM表示长短期记忆神经网络层；V_n表示从现有可观测量测数据中提取的空间特征；V_h表示从历史量测中提取的时间特征；表示特征融合操作；FC表示全连接层；M表示最终预测结果，即还原的量测数据。

4.根据权利要求3所述的电网状态拓扑协同虚假数据攻击防御方法，其特征在于，所述σ是ReLU函数。

5.根据权利要求1所述的电网状态拓扑协同虚假数据攻击防御方法，其特征在于，所述的残差检测方法，检测遵循式为：

||r_a||＝||z_a-Hx_a||

＝||z+a-H(x+c)||

＝||z-Hx||＜τ

其中，τ为常量阈值，r_a为残差向量，z_a为受攻击的遥测数据，H为状态估计的雅可比矩阵，x_a为受攻击的状态变量，z为正常遥测数据；a为攻击向量，x为状态变量，c为引起状态变量误差的向量。