[发明专利]一种智能电网中基于预测的虚假数据检测方法

说明书

技术领域

本发明涉及一种智能电网中基于预测的虚假数据检测方法，属于电力系统安全领域。

背景技术

电力是文明的命脉，智能电网的最新进展可以显着提高电网的效率和可靠性。电力系统是一个复杂的系统，通过大型地理区域的输电和配电网络将发电机连接到消费者身上。然而，电网的安全可靠性并不总能得到保证，故障不管对电力生产者还是消费者来说都有着重大影响，会导致巨大的经济损失。系统监控对于确保电网的可靠运行是必要的，通过分析仪表测量和电力系统模型来最佳地估计电网状态，从而监控系统。然而获取的仪表测量也并不总是正确的，仪表损坏、恶意攻击等都可能引入污染值，目前已经开发了各种技术来检测和识别虚假数据，包括任意的非随机原因引入的虚假数据。

在虚假数据的检测中，需要关注的重点是恶意注入的数据的检测。由于恶意注入的数据相关度高，所以不能被现有的检测系统识别。本发明利用了预测值，能很好的解决这个问题。

发明内容

本发明提供了一种智能电网中基于预测的虚假数据检测方法，该方法包括三个部分，首先是数据预处理，将SCADA(Supervisory Control And Data Acquisition)系统通过传感器直接收集的历史数据进行预处理，包括识别并清除异常数据和补足空缺数据；然后是数据预测，根据处理过的观测量得出相应的状态量，并依据状态量的时空相关性，建立一阶向量自回归模型，从而预测未来时刻的数据值；最后是数据检测，将得到的观测量预测值与观测量观察值做归一化残差，与阀值进行比较。本方案利用了预测值进行检测，由于时间样本k+1处的预测值没有用到该时间点的观察值，故在时间k+1处注入攻击会导致残差变大，攻击被系统检测到。

为实现上述目的，本发明采用的技术方案包含以下步骤：

步骤1：对SCADA系统收集的历史数据进行预处理，首先用与均值比较的方式识别异常数据，将异常数据看作空缺数据处理，然后使用线性插补法填充空缺数据；

步骤2：使用加权最小二乘估计法通过预处理的测量数据求出状态量数据，根据多变量时间序列和短期预测的特性建立状态量的一阶向量自回归模型，求模型的系数矩阵，从而得到状态序列预测值；

步骤3：利用状态量预测值计算观测量预测值并与观测量观察值做归一化残差，与阀值进行比较，从而进行虚假数据的检测。

进一步，上述步骤1对数据的预处理的具体流程如下：

步骤1-1：异常数据的处理：预测k+1时间点的值需要Z_k-M+1,Z_k-M+2,…,Z_k共计M个历史时间样本，该M个序列的值是SCADA系统收集到的测量值，记{Z}＝[Z_k-M+1,Z_k-M+2,…,Z_k]，Z_i是多变量时间序列，i＝k-M+1,k-M+2,…,k，是序列Z_i的第j个变量，代表第i个时间样本第j个传感器的数据，j＝1,2,…,m，m为传感器总数，令得到的Z₀为序列均值，如果或者其中为均值Z₀的第j项，则认为是异常数据，清除并视为空缺数据进行处理；

步骤1-2：空缺数据的处理分为：首端和末端空缺数据的补全、中间单个空缺数据的补全和中间多个空缺数据的补全：

步骤1-2-1：对于首端和末端空缺数据的补全，即时间序列{Z}＝[Φ_k-M+1,Z_k-M+2,…,Z_k-1,Φ_k]，这里Φ_k-M+1和Φ_k为空缺数据，Φ_k-M+1可按右邻的级比生成，Φ_k可按左邻的级比生成，级比相邻时间点的级比可以认为是相同的，所以首端数据末端数据

步骤1-2-2：对于中间单个空缺数据的补全，即时间序列{Z}＝[Z_k-M+1,Z_k-M+2,…,Z_p-1,Φ_p,Z_p+1,…,Z_k]，其中Φ_p为空缺数据，该时间序列被认为是近似平稳的，采用线性插补法进行填充，则