[发明专利]一种电网状态拓扑协同虚假数据攻击防御方法

说明书

本发明公开一种电网状态拓扑协同虚假数据攻击防御方法，基于时空‑多模态神经网络的电网协同虚假数据攻击防御，包括以下步骤：1、使用残差检测法滤除不良数据，再使用图自编码器与残差神经网络组成的检测模型对数据进行攻击检测与定位；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；3、使用N‑k搜索方式，将遥测遥信组合输入上述检测模型，通过检测的数据作为真实值。本发明对传统方法不适应协同FDIA场景的缺陷做了改进，防御策略对拓扑结构遭篡改的情况具有更强的鲁棒性，增强电网防御协同FDIA的能力，满足工业对协同FDIA防御的实用化要求。

技术领域

本发明属于电力系统运行安全维护技术领域，具体涉及一种电网状态拓扑协同虚假数据攻击防御方法。

背景技术

当前，电力系统已经发展成为信息系统和物理系统深度耦合的电力信息物理系统(Cyber Physical Power System,CPPS)。CPPS当中包含大量通信节点，这些节点的漏洞使得针对CPPS的网络攻击事件频繁发生。在诸多网络攻击类型中，虚假数据注入攻击(FalseData Injection Attack,FDIA)因其隐蔽性强和破坏性大，引起了学术界和工业界的广泛关注。FDIA经过不断发展，已经成为同时篡改系统电气量(即遥测)与拓扑信息(即遥信)的协同FDIA。该攻击可导致系统部分不可观测，电网调度中心掌握的关于当前系统运行状态的信息，在大范围FDIA下会显著少于攻击方，这就是不对称信息下的防御场景。鉴于此，在这种不对称信息下构建FDIA系统性防御策略，对电力系统的安全运行具有重要意义。

目前电力系统FDIA的系统性防御在世界范围内仍属于疑难问题，尽管国内外已经存在针对该问题的研究论文数十篇，但工业界至今尚无针对FDIA的成熟的解决办法。现有的FDIA防御策略的文献，可以发现这些研究工作都有两个不足之处：1、检测与定位方法都基于系统拓扑完全可观测，即状态估计的雅可比矩阵已知的情况，对于攻击造成系统观测度低的防御场景研究较少。2、恢复方法也大多专注于遥测或者遥信数据的恢复，基于二者都不可观测的研究也较少。因此需要提出一种能够减轻协同FIDA影响的系统性防御策略，在应对信息不对称下的协同FDIA时能够发挥更大的防御作用。

本发明的FDIA防御策略分为三个阶段：检测、定位和恢复。构建难点在于如何在不对称信息下检测遥测和遥信两种不同模态的数据，以及如何确定不可观测区域的运行工况。为解决这些挑战，本发明提出了一种基于多模态深度学习的系统性防御策略，旨在信息不对称条件下，保证电网的可观测性和抵御FDIA的能力，增强电网运行过程中的稳定性。

发明内容

本发明所要解决的技术问题是协同FDIA量测数据难以被检测以及电网大范围不可观测情况下难以恢复安全运行状态的问题，提供一种电网状态拓扑协同虚假数据攻击防御方法，本发明对以往传统方法中没有考虑拓扑信息错误的缺陷进行了改进，防御策略对拓扑结构遭篡改的情况具有更强的鲁棒性，增强了电网防御协同FDIA的能力，满足工业对协同FDIA防御的实用化要求。

为实现上述目的，本发明采用了以下的技术方案：

本发明所述的一种电网状态拓扑协同虚假数据攻击防御方法，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；