[發明專利]基于深度學習框架的容忍度不良數據注入攻擊檢測方法

在審

• 申請號: 202011272910.7
• 申請日: 2020-11-13
• 公開（公告）號: CN112528443A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 陳偉;齊衛東;呂曉亮;賀思哲;金吉良;吳子豪;王辰曦
• 申請（專利權）人: 國網陜西省電力公司電力科學研究院
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06F30/3323;G06F17/16;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

本發明公開一種基于深度學習的不良數據注入攻擊檢測方法，包括：數據集生成：本發明選取IEEE 14節點和30節點系統，生成數據，利用DC OPF獲得不同負載情況下節點的凈注入功率，測試最小二乘估計與傳統檢測方法的能力范圍，生成標簽數據；數據預處理：依次進行數據標準化和數據降維；神經網絡訓練:二分類神經網絡模型，分辨量測數據是否遭到攻擊；模型測試：靜態負荷與動態負荷場景。首先在確定負荷的情況下，測試分類準確度；然后測試模型對不同負荷的泛化能力。本發明基于深度學習方法提高了不良數據注入攻擊，尤其是針對狀態估計容忍度的不良數據注入攻擊的檢測精度。

技術領域

本發明涉及電力系統的安全防護技術領域，尤其是基于深度學習的容忍度不良數據注入攻擊檢測的安全防護方法。

背景技術

電力系統主要由以下四個部分組成:發電機、輸電系統、配電系統以及其他自動化設備。其功能是通過變電站和配電設備為用戶供電。隨著自動控制技術和信息網絡的高速發展，為了實現穩定的能源傳輸，電網的各個環節都配備了相應的信息和控制系統，以確保用戶能夠獲得安全可靠的電能質量。電網及其各種組成部分已經經歷了幾十年的演變。SCADA系統成為電力系統歷史上的一個里程碑，它本質上是將電網轉變為信息物理融合系統。事物都有兩面性。然而，任何事物的發展都具有兩面性，網絡信息技術以及自動控制技術的廣泛使用也給電網的安全性提出了巨大挑戰。

在已知的攻擊方法中，不良數據注入(FDI)攻擊是威脅最大的，它是劉瑤等人針對電網狀態估計提出的一類新的網絡攻擊。狀態估計(SE)是現代電力系統能源管理系統(EMS)的重要組成部分，它通過配備SCADA單元的遠程終端單元(RTUs)采集的測量數據，對電力系統節點上的電壓和相角進行估計。加權最小二乘法(WLS)是一種經典的基于殘差向量求目標函數最小值的狀態向量的方法。在狀態估計中，殘差檢驗和歸一化殘差檢驗是檢測和識別粗差最常用的估計方法。大多數FDI攻擊都是在充分掌握系統參數的前提下，惡意操縱系統中的測量值。然而，在實際操作中，發起此類攻擊存在很大的困難。首先，電力系統配置參數作為電力系統的最高機密，幾乎不可能得到。其次，一些智能電表有完備的保護機制，修改操縱所有的量測儀表幾乎不可能實現。第三，一些智能電表的讀數，如有功功率、無功功率和電壓都是只讀的。攻擊者只能偽造其他一些可寫的配置參數，比如變壓器變比和時間。

發明內容

本發明旨在一定程度上解決相關技術中的技術問題之一。為此，本發明研究檢測基于容忍度的不良數據注入攻擊(TFDI)。TFDI通過利用傳統探測器對觀測誤差的容忍度來繞過傳統的不良數據檢測方法。本發明的目的是提供一種基于深度學習的TFDI檢測方法，采用啟發式算法提高TFDI的檢測成功率。

本發明所采用的技術方案是：

1)根據具有容忍度的不良數據注入攻擊技術生成訓練與測試的數據集；

2)根據深度學習框架搭建二分類的模型；

3)對訓練數據集進行預處理并進行訓練；

4)利用訓練好的模型對測試數據集進行測試，并對結果進行評估。

本發明的進一步改進在于，所述步驟1)中數據集生成的方法為：首先構建電力系統的網絡結構拓撲圖，確定電力系統的節點個數、線路數、線路阻抗等一系列網絡參數，構建鄰接矩陣、計算網絡的導納矩陣，并且需要對電力系統的組件進行建模，傳輸線由雙端口π模型表示，其參數對應于傳輸線路的正序等效電路；抽頭可移動的移相變壓器可建模為理想變壓器串聯了固定阻抗值；負荷和發電機建模為等效的復功率注入。之后基于 MATPOWER中IEEE標準節點系統生成不同負荷下的節點電壓等數據，并對數據加入噪聲。選取IEEE 14節點和30節點系統，利用DC OPF獲得不同負載情況下節點的凈注入功率，測試最小二乘估計與傳統檢測方法的能力范圍，并對數據進行標注。