[发明专利]基于状态估计的虚假数据攻击检测方法、系统、电子设备及介质

说明书

本发明提出基于状态估计的虚假数据攻击检测方法和系统。方法包括：采集电力系统变量，并将变量输入状态估计器，得到状态估计值；将所述状态估计值输入第一深度学习网络，得到频域及空域特征向量；将所述频域及空域特征向量输入第二深度学习网络，得到时域特征向量；将所述状态估计值、频域及空域特征向量和时域特征向量输入基于GAN网络的攻击检测器，得到攻击识别结果实现高准确度FDIA分类识别功能，实现基于生成对抗网络的攻击检测，为智能电网提供攻击检测的安全策略依据。

技术领域

本发明属于电力系统领域，尤其涉及基于状态估计的虚假数据攻击检测方法和系统。

背景技术

随着信息与通信技术的融合，电力系统逐渐转化为智能电网。由于电力系统对通信网络的依赖性增强，导致电力系统的一些应用，比如状态估计正在面临巨大挑战。其中一大挑战即智能电网易遭受网络攻击。智能电网的恶意用户可以通过攻击测量设施或破坏通信基础设施的方式进入并操纵电网系统的测量值。由此，遭到破坏的系统状态进一步干扰电网，导致电力系统无法正常运行。在众多网络攻击中，虚假数据注入攻击是对电力状态估计最大的威胁。成功的虚假数据注入攻击能够躲避传统的坏数据检测机制。当缺乏先进的检测机制时，虚假数据注入攻击能够发起多次隐匿攻击，最终威胁电网的正常运行。

目前，虽然在虚假数据注入攻击方面有了一定的研究成果，但大部分研究仅针对直流状态估计中的虚假数据注入攻击进行检测。尽管多种深度学习理论应用于虚假数据注入攻击并取得了较理想的检测效果，但这些研究均基于可大量获得攻击样本这一前提的。而作为模式多变的电网攻击信号，实际中很难获得大量带标签的攻击样本。现有研究大多只关注攻击随机信号的时域特性，忽略了攻击信号的多尺度特征。故建立电网攻击小样本背景下的交流虚假数据注入攻击检测机制是必要的。

现有技术一：2018年，James J.Q.Yu等人首次提出交流系统中的隐匿数据攻击检测网络，相比直流系统，交流状态估计在电力设施中应用更为广泛。该方法利用小波变换提取系统状态中空域和时域特性识别攻击，并利用深度神经网络构建AC FDIA检测模型。

本方案在现有深度神经网络(Deep Neural Network,DNN)单元的基础上构建基于回归神经网络(Recurrent Neural Network,RNN)的攻击检测器。该网络通过学习系统状态的时空特征来识别正常电力系统事件及FDIA。该网络包含两种神经层，分别为门控循环单元(Gated Recurrent Unit,GRU)和全连接层(fully-connected,FC)。

现有技术二：2020年，Ying Zhang等人提出一种基于半监督深度学习方法的智能电网FDIA检测框架。该方法针对分布式电力系统提出一种数据驱动的FDIA检测算法。首先利用自编码器用于测量数据集的降维和特征提取。然后，将自编码器融入生成对抗网络(Generative Adversarial Network,GAN)，通过捕获异常及安全测量值之间的不连贯性实现FDIA检测。由于采用了GAN，该方法相比文献只需要较小数量的测量数据用于训练。

现有技术一存在问题如下：

(1)文献[1]为降低系统计算复杂度，对电力系统测量量利用小波换进行了特征提取。然而，基于小波变换的特征提取性能与小波基函数相关，电力采集数据为多源异构数据，文献[1]采用固定小波基函数不能适应所有类型的测量值。

(2)虽然基于DNN的FDIA识别系统对交流系统FDIA有较好的识别性能，但是，该方案需要从连续采样信号中获取大量有标签样本，给系统带来较大计算负荷，在智能电网实时管理中难以实现。当样本数量降低时，方案的识别性能随之下降。

现有技术二存在问题如下：

(1)自编码器需要将图像的全部信息压缩到瓶颈层，这种方式会导致细节瓶颈丢失问题，即在输入与输出端之间出现大量测量量信息丢失，无法准确提取电力测量量的时频空域多尺度特征细节；