[发明专利]虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质

说明书

本申请公开了一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质，本申请提供的方案通过拉丁超立方抽样算法和松鼠搜索算法来构建特征选择器，将原始量测数据输入特征选择器，所得的最优特征子集剔除了冗余特征，降低了原始数据特征维度，提高了分类器的效率，再将最优特征子集输入分类算法模型，能有效提高分类器的精度，从而对虚拟电厂虚假数据注入攻击进行高效快速的检测，从而解决了传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。

技术领域

本申请涉及电力系统仿真技术领域，尤其涉及一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质。

背景技术

随着全球能源紧缺和环境污染等问题的日益严峻，分布式能源以其能够充分利用可再生能源的特点已经成为了实现节能减排的重要举措。然而，分布式能源容量小、数量大、分布不均，而且当分布式能源单独运行时，其出力随机性、间歇性和波动性较大，因此分布式能源的接入对电网带来了管理和控制难题。虚拟电厂利用先进的软件系统和信息通信技术，通过将分布式电源、可控负荷和储能系统等不同类型的分布式能源协调聚合成一个整体，更有利于资源的合理优化配置及利用，降低了分布式能源增长带来的调度难度。然而，当电力系统引入虚拟电厂时，在海量数据通信过程中存在网络攻击的风险，网络攻击引发的安全问题对电力系统的可靠稳定运行产生了严重威胁。

虚假数据注入攻击是一种新型的网络攻击方式，具有较强的隐蔽性，能够绕过传统的电力系统不良数据检测机制。攻击者可通过虚拟电厂信息通信系统设备向数据采集与监控(supervisory control and data acquisition，SCADA)和同步相量测量单元(phasormeasurement unit，PMU)等检测终端设备进行攻击，恶意篡改电力系统状态估计的结果，进而使得电力设备的运行失去控制，最终可能造成电力系统的崩溃，因此，对虚假数据注入攻击进行有效检测已经成为保障电力系统安全稳定运行的必要措施。

传统的基于机器学习的虚假数据注入攻击检测方法大多构建单一分类器，由于电力系统属于大规模复杂系统，其产生的量测数据维度高、数据量大且存在较多冗余特征，这些冗余特征会使分类器的检测精度降低，直接使用原始高维量测数据训练分类器会导致模型过于复杂，检测速度降低，无法保证检测的实时性。

发明内容

本申请提供了一种虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质，用于解决传统的基于机器学习检测速度降低，无法保证检测的实时性的技术问题。

为解决上述的技术问题，本申请第一方面提供了一种虚拟电厂虚假数据注入攻击检测方法，包括：

获取原始量测数据；

通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集；

根据所述最优特征子集构建训练集和测试集，以根据所述训练集和所述测试集构建分类算法模型；

获取待检测的电网实时数据，并将所述电网实时数据输入至所述分类算法模型，以通过所述分类算法模型的运算，获得所述电网实时数据中的虚假数据检测结果。

优选地，通过拉丁超立方抽样算法和松鼠搜索算法，对所述原始量测数据进行特征选择，以得到最优特征子集具体包括：

根据所述原始量测数据构建量测矩阵；

通过拉丁超立方抽样算法生成松鼠种群，并根据所述松鼠种群的适应性参数，对所述松鼠种群进行分类处理；

通过松鼠搜索算法，利用分类后的所述松鼠种群对所述量测矩阵进行特征选择，当满足搜索结束条件时，根据所述松鼠种群在搜索过程生成的松鼠位置向量，得到最优特征子集。

优选地，所述原始量测数据包括SCADA量测值和PMU量测值，其中，所述SCADA量测值包括：节点电压幅值、节点注入功率和支路功率，所述PMU量测值包括：电压相量和电流相量。