[发明专利]一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法

说明书

本发明公开了一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，可用在电力系统状态估计环节之后，首先使用离散小波变换技术(Discrete Wavelet Transform，DWT)提取状态量行为特征生成高维特征向量；其次，使用改进的极限学习机(ImprovedExtreme Learning Machine，IELM)对高维特征向量进行约简以缩短检测器训练时间，并避免“维度灾难”；最后，以新生成的低维特征向量训练长短期记忆网络(Long Short TermMemory，LSTM)，生成智能电网虚假数据注入攻击检测器。过程中，新生成的低维特征向量存储在数据库中作为扩充数据集以持续优化检测器。本发明的目的在于提出一种实时准确的智能电网虚假数据注入攻击检测方法，确保电力系统安全稳定运行。

技术领域

本发明涉及智能电网安全技术领域，更具体地，本发明考虑了电力系统新型攻击方式，及估计状态量间的时间相关性特征，提出一种基于离散小波，改进极限学习机和长短期记忆网络的实时电网虚假数据注入攻击检测方法。

背景技术

通过引入先进的信息通信技术，智能电网实现了物理设备和信息系统之间的互联互通。大幅提高了可再生发电接入能力及应对电力故障的处理能力。电力系统的广域测量系统(Wide-Area Measurement System，WAMS)和数据采集与监控系统(SupervisoryControl and Data Acquisition,SCADA)通过电力系统定制协议采集量测量供控制中心进行可视化分析，控制中心通过能量管理系统(energy management system，EMS)等高级应用软件为整个电力系统提供潮流优化，自动发电控制，状态估计等功能。为执行精准的状态估计，控制中心必须获得可靠，准确的测量数据，近年来，一种新型的针对智能电网状态估计的攻击即虚假数据注入攻击(False Data Injection Attack，FDIA)受到了广泛关注，该攻击可向量测量注入虚假数据达到破坏数据完整性的目的。研究发现FDIA可误导操作人员对电力系统执行错误操作，达到改变电力系统运行状态，干扰电力市场定价，窃取终端用户电量的目的，最终影响电力系统调度，引起区域性停电，更严重的是FDIA很可能成为国外敌对势力攻击我国基础设施的手段。因此，针对某种特定的FDIA提出一套精准、高效的实时检测方法对保障智能电网安全稳定运行具有重大意义。

同时，离散小波变换(DWT)作为一种高效的信号处理技术，可处理非线性、非平稳信号并可应用在特征提取领域，基于DWT提取的特征较原始向量差异性更大。然而，使用高层级的DWT会提取大量特征，这无疑加大了训练检测器的时间开销，因此，本发明提出了一种基于改进极限学习机(IELM)的数据约简方法以提高检测模型训练效率及避免“维度灾难”。检测器选取Schmidhuber等人提出的长短期记忆网络，因为该深度学习网络在检测准确度上有优势，并可以实现数据的在线学习，同时训练好的模型可实现FDIA的实时检测。

发明内容

为提高FDIA检测准确度和效率，考虑到电力系统估计状态量间的时间相关性，本发明提供一种针对智能电网FDIA的实时检测方法。考虑到电力系统估计状态量序列在时间上呈现出非平稳的特性，直接从估计状态量中提取特征很难呈现FDIA本质特性，因此考虑使用信号处理方法分解估计状态量可提取更深层次、更易区分的高维特征。为避免高维数据引起的“维度灾难”现象，本发明考虑了一种非线性数据降维方法以最大程度地保留原始高维数据信息。本发明训练长短期记忆网络作为检测器以挖掘特征向量序列间的相关性，以时间窗口内的序列数据作为检测器训练和测试数据，有机结合离散小波变换和改进的极限学习机以提高检测器的辨识能力。本发明建立了高效精准的实时FDIA检测方案以保障状态估计环节乃至整个电力系统的安全稳定运行。

为实现上述目的，本发明是根据以下技术方案实现的：

一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法，包括如下步骤:

步骤S1：通过电网控制中心读取当前时刻一周(168小时)以内的电力负荷数据，计算系统量测量值z为m×n矩阵，均为1×n矩阵；