[發明專利]一種計及量測篡改攻擊引發虛假故障的電網故障診斷方法

有效

• 申請號: 202011212396.8
• 申請日: 2020-11-03
• 公開（公告）號: CN112345858B
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 王濤;劉偉;張浩博;陳孝天;程亮;古世甫;詹紅霞;張彼德
• 申請（專利權）人: 西華大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G01R31/08;G06F17/16;G06F17/18;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊

1.一種計及量測篡改攻擊引發虛假故障的電網故障診斷方法，其特征在于，包括以下步驟：

S1、當目標電網有繼電保護裝置動作時，采用結線分析法確定目標電網的疑似故障區域，并將疑似故障區域中的所有元件作為疑似故障元件；

S2、采用隨機矩陣理論與模糊C均值聚類算法判斷每個疑似故障元件是否遭受量測篡改攻擊，若是則進入步驟S3，否則進入步驟S4；

S3、判定此時的繼電保護裝置動作為量測篡改攻擊遙測量引起的虛假動作，結束電網故障診斷；

S4、針對每個未遭受量測篡改攻擊的疑似故障元件，采用小波包分析提取遙測量的小波包分解值作為故障特征，建立基于記憶脈沖神經膜系統的故障診斷模型，并通過故障推理算法進行求解，得到疑似故障元件的故障診斷結果，結束電網故障診斷；

所述步驟S1包括以下分步驟：

S11、當目標電網有繼電保護裝置動作時，設置初始迭代次數i＝1，并將目標電網中所有元件加入元件集合C_i；

S12、從元件集合C_i中隨機選取一個元件加入元件子集合S_i；

S13、判斷新加入元件子集合S_i的元件是否存在與其相連的閉合斷路器，若是則進入步驟S14、否則進入步驟S15；

S14、將與閉合斷路器相連的所有元件均加入元件子集合S_i，返回步驟S13；

S15、令迭代次數i加1；

S16、從元件集合C_i-1中移除元件子集合S_i-1中的所有元件，得到新的元件集合C_i；

S17、判斷元件集合C_i是否為空，若是則進入步驟S18，否則返回步驟S12；

S18、將元件子集合S₁,S₂,...,S_n中的所有無源網絡作為疑似故障區域，并將疑似故障區域中的所有元件作為疑似故障元件，其中n為元件子集合總個數；

所述步驟S2包括以下分步驟：

S21、針對每個疑似故障元件，分別提取其RTU與故障錄波系統中故障發生前的3個周波至故障結束時的正序電壓、負序電壓和零序電壓；

S22、針對提取的正序電壓、負序電壓和零序電壓，每個電壓設置t個采樣點，得到RTU的電壓矩陣V_RTU和故障錄波系統的電壓矩陣V_FRS：

其中v_ij表示第i個電壓值的第j個采樣點對應的電壓幅值，1≤i≤3，1≤j≤t，X為疑似故障元件的序電壓類型，V_X表示X的電壓矩陣，若X來自RTU，則記為V_RTU，若X來自故障錄波系統，則記為V_FRS；

S23、對RTU的電壓矩陣V_RTU和故障錄波系統的電壓矩陣V_FRS進行電壓值歸一化處理，得到RTU的電壓值歸一化矩陣N_RTU和故障錄波系統的電壓值歸一化矩陣N_FRS：

其中N_X表示X的電壓值歸一化矩陣，若X來自RTU，則記為N_RTU，若X來自故障錄波系統，則記為N_FRS；

S24、將RTU的電壓值歸一化矩陣N_RTU和故障錄波系統的電壓值歸一化矩陣N_FRS合并為一個狀態矩陣X；

S25、對狀態矩陣X中的元素進行標準化處理，得到標準化矩陣

其中x_ij表示狀態矩陣X中第i行第j列的元素，i∈[1,k]，j∈[1,n]，k為狀態矩陣X的總行數，n為狀態矩陣X的總列數，表示標準化矩陣中第i行第j列的元素，x_i＝(x_i1,x_i2,...,x_in)表示狀態矩陣X中第i行的行列式，表示標準化矩陣中第i行的行列式，μ(·)表示均值函數，σ(·)表示標準差函數，且

S26、采用模糊C均值聚類算法對標準化矩陣進行特征根聚類分析，判斷每個疑似故障元件是否遭受量測篡改攻擊，若是則進入步驟S3，否則進入步驟S4；

所述步驟S26中采用模糊C均值聚類算法對標準化矩陣進行特征根聚類分析的具體方法為：

A1、獲取標準化矩陣的奇異值等價矩陣X_u：

其中U為Haar酉矩陣，為標準化矩陣的轉置共軛矩陣；

A2、將L個奇異值等價矩陣X_u相乘，得到奇異值等價矩陣乘積Z：

其中X_u,l表示第l個奇異值等價矩陣，l＝1,2,...,L；

A3、對奇異值等價矩陣乘積Z進行標幺化處理，得到標準矩陣積

其中z_i表示奇異值等價矩陣乘積Z中第i行的行列式，表示標準矩陣積中第i行的行列式，σ(z_i)表示z_i的標準差，k為奇異值等價矩陣乘積Z的總行數；

A4、獲取標準矩陣積的全部特征根，并求取其模值λ_i，i＝1,2,...,k；

A5、設定k₁個模值為0的攻擊參考特征模值，其中k₁為正整數且k₁≥k/10；

A6、將λ_i與k₁個攻擊參考特征模值合并為一個(k+k₁)×1階的特征根聚類矩陣；

A7、采用模糊C均值聚類算法對特征根聚類矩陣中的特征根聚為兩類，將與攻擊參考特征模值聚為一類的λ_i提取出來，判定其為遭受攻擊的特征根，其對應的疑似故障元件判定為遭受了量測篡改攻擊，未提取部分的特征根判定為未遭受攻擊的特征根，其對應的疑似故障元件判定為未遭受量測篡改攻擊；

所述步驟S4包括以下分步驟：

S41、針對每個未遭受量測篡改攻擊的疑似故障元件，建立基于記憶脈沖神經膜系統的故障診斷模型Π；所述故障診斷模型Π包括遙測量故障診斷模型Π_RM和遙信量故障診斷模型Π_RS；

S42、將疑似故障元件的故障錄波系統中實時故障遙測量與該元件不同類型故障下的歷史電壓遙測量進行小波包分解，得到每個疑似故障元件的實時故障電壓小波包分解值與其未遭受攻擊時各類型故障的歷史正序、負序與零序電壓的小波包分解值；

S43、將每個疑似故障元件的實時故障電壓小波包分解值與其未遭受攻擊時各類型故障的歷史正序、負序與零序電壓的小波包分解值分別拆分為s個采樣時間點，并將各采樣時間點的疑似故障元件的實時故障電壓小波包分解值作為脈沖值輸入遙測量故障診斷模型Π_RM的感知神經元中，將與該疑似故障元件相關的遙信量動作值作為脈沖值輸入遙信量故障診斷模型Π_RS的感知神經元中，將各采樣時間點未遭受攻擊時各類型故障的歷史正序、負序與零序電壓的小波包分解值作為脈沖值輸入遙測量故障診斷模型Π_RM的記憶神經元中，將與該疑似故障元件相關的歷史故障遙信量動作值作為脈沖值輸入遙信量故障診斷模型Π_RS的記憶神經元中；

S44、通過故障推理算法對每個疑似故障元件的故障診斷模型Π進行求解，得到各個故障診斷模型Π中輸出神經元的脈沖值和記憶標簽值；

S45、獲取遙測量故障診斷模型Π_RM輸出神經元的最大脈沖值及其對應的標簽值同時獲取遙信量故障診斷模型Π_RS輸出神經元的最大脈沖值及其對應的標簽值并根據最大脈沖值和計算得到遙測量故障診斷模型Π_RM和遙信量故障診斷模型Π_RS的最大脈沖值均值f：

S46、將最大脈沖值均值f作為對應疑似故障元件的故障可信度，將標簽值作為對應疑似故障元件的故障類型，結束電網故障診斷。