一种基于卷积神经网络的智能电网攻击定位方法与流程

本发明特别涉及一种基于卷积神经网络的智能电网攻击定位方法，属于电力系统攻击定位
技术领域：
。
背景技术：
：随着网络通信技术的进步，智能电网运行的可靠性显著增强，但由于对数据通信的依赖，使其容易遭受到多种恶性网络攻击，尤其是隐匿网络攻击可以躲避传统的坏数据检测装置，向电网系统注入错误数据从而破坏电网正常稳定的运行。然而大部分方法只考虑了对隐匿攻击的检测问题，并未考虑对攻击定位。因此，为了能够对攻击及时清除保证系统稳定安全运行，如何快速且准确的对智能电网攻击进行定位越来越受到了学术界和工业界的高度重视。目前，智能电网攻击定位方法的主流技术主要包括：(1)基于传统机器学习和深度学习对直流模型下智能电网攻击定位，虽然取得了不错的检测效果，但考虑到实际电网是具有复杂非线性特性的情况，基于直流模型的方法在应用实际电网时会存在较大偏差，大大降低检测精度；(2)基于卡尔曼滤波器组的攻击定位方法，但依赖于电网模型、需要在检测出攻击的前提下使用、抗干扰能力不足等缺陷。卷积神经网络相比于传统的神经网络能够从数据中提取出内在的非线性特征，已在图像和语音的分类问题取得了较为成功的应用，但在交流模型下智能电网攻击定位问题中还鲜有应用。智能电网攻击定位问题本质上可以转化为一个典型的多标签分类问题。但是，现有技术鲜有从多标签分类的角度对交流模型下智能电网攻击定位问题进行研发。技术实现要素：本发明的目的在于针对现有技术的不足，提供一种基于卷积神经网络的智能电网攻击定位方法，相比基于电网模型等定位方法，本发明不依赖于模型精度，且实施更为简单。本发明的目的是通过以下技术方案来实现的：一种基于卷积神经网络的智能电网攻击定位方法，该方法包括以下步骤：步骤1：采集智能电网的网络特征参数，包括电网拓扑结构、线路参数和电力负荷，再根据智能电网的非线性量测方程获取测量数据，包括参考节点的电压相角和电压幅值、每个节点的注入有功功率和无功功率，各支路的有功功率和无功功率，其中正常测量数据zo和遭受攻击的测量数据za具体描述如下：zo＝h(xo)+ω(1)za＝z+h(xa)-h(xo)(2)其中，h表示非线性量测方程，即系统状态与测量真值之间的函数关系，xo表示系统状态包含系统所有节点电压幅值和电压相角的真实值，xa表示攻击下的系统状态值，x表示xo或者xa，vk和θk分别表示节点k的电压幅值和电压相角，vm和θm分别表示节点m的电压幅值和电压相角，pk和qk分别表示节点k的注入有功功率和无功功率，pkm和qkm分别表示节点k和节点m之间线路的有功功率和无功功率，m表示节点m的集合，gkm和bkm分别表示节点k和节点m之间的电导和电纳，δkm＝θk-θm表示节点k和节点m之间的相角差，ω观测噪声。步骤2：数据预处理，令d＝[zo,za]，即将步骤(1)中获得的测量数据存放在d中，再将数据集d传输到智能电网坏数据检测装置中，按照公式(4)计算d中第i组数据di的残差ri，i＝1,2,…,n,n表示数据组数，设定判断检测坏数据阈值参数λ，若ri>λ，则剔除di；若ri≤λ，则将di存入至集合t中；其中，表示根据量测数据di计算得到的系统状态估计值。步骤3：将智能电网攻击定位问题描述为多标签分类问题，定义训练集特征(即测量数据)为其中j＝1,2,…,n表示第j个量测，n表示特征数；定义训练集标签(即量测所属类别)为其中表示第i组数据的第j个量测的类别，若第j个量测受到攻击，则记否则记定义多标签分类器分类的结果为其中表示第i组数据的第j个量测的分类结果，或者若则表示第i组数据的第j个量测受到攻击；若则表示第i组数据的第j个量测未受到攻击；步骤4：采用卷积神经网络(cnn)提取测量数据内在高维特征，并将cnn作为多标签分类器，具体子步骤如下：(4.1)按照公式(5)，基于输入数据t获取第1层的特征映射：c1,u＝relu(t*f1,u+b1,u)(5)其中，c1,u表示第1层卷积的第u个特征映射，f1,j表示第1层卷积的第u个卷积核，b1,u表示第1层卷积的第u个偏置，*表示卷积操作，relu表示激活函数，具体表述为：(4.2)按照公式(7)，输入第q-1个卷积层中卷积产生的隐含特征到第q个卷积层，获取第q层特征映射；cq,v＝relu(cq-1,v*fq,v+bq,v)(7)其中，cq,v和cq-1,v分别表示第q个和第q-1个卷积层第v个卷积核，fq,v表示第q层卷积的第v个卷积核，bq,v表示第q层卷积的第v个偏置，q为大于2的整数；(4.3)令q＝q+1，重复步骤(4.2)直至q>qmax,输出第qmax卷积层的特征映射，其中qmax表示最大的卷积层数；(4.4)按照公式(8)，输入第qmax卷积层的特征映射进行池化操作；其中，maxpoolβ,γ表示使用β×γ区域对取最大值操作。(4.5)按照公式(9),将池化层提取到的特征映射cp，通过压平层操作，获得对应的输出特征；cf＝relu(wf*cp+bf)(9)其中，cf表示压平层的特征映射，wf表示压平层的权重，bf表示压平层的偏置。(4.6)按照公式(10),将压平层的输出特征作为输入特征传输至全连接层，获得最终的分类结果：其中，wd和bd分别表示全连接层的权重和偏置，sigmoid表示激活函数，具体表述为：步骤5：按照小批次梯度下降法训练cnn，以最小化交叉熵损失函数为优化目标，确定cnn最优的学习参数，其中s＝{i1,i2,…,ie}表示每次小批次选取的数据集，e表示数据的组数；步骤6：将训练完成的cnn嵌入到智能电网坏数据检测装置之后，实现实时在线攻击定位，提取出所对应的全部量测即为受到攻击的位置。本发明的有效效果是：1、本发明提供一种基于卷积神经网络的智能电网攻击定位方法，相比基于直流模型下智能电网的攻击定位，可以更加准确表示实际智能电网的非线性特征，获得更高的攻击定位准确率，更高的检测效率。2、本发明提供一种基于卷积神经网络的智能电网攻击定位方法，相比基于模型的方法，实施更为简单，更为高效，既能检测智能电网是否存在攻击又能对攻击进行定位，且不依赖于模型。附图说明图1是本发明实施案例ieee-118节点电网系统结构图；图2是智能电网攻击定位方法功能模块组成示意图；图3是用于交流模型下智能电网攻击定位的cnn架构图。具体实施方式为了加深对本发明的认识和理解，下面结合附图对本发明进一步说明，本发明的目的和效果将更加明显。实施例1：图1为ieee118节点电网系统的结构图。以该系统为例，采用本发明提出的状态估计方法进行实施；图2是基于卷积神经网络的智能电网攻击定位方法示意图；图3是用于交流模型下智能电网攻击定位的cnn架构图；一种基于卷积神经网络的智能电网攻击定位方法，包括以下步骤：步骤1：采集智能电网的网络特征参数，包括电网拓扑结构、线路参数和电力负荷，再根据智能电网的非线性量测方程获取测量数据，包括参考节点的电压相角和电压幅值、每个节点的注入有功功率和无功功率，各支路的有功功率和无功功率，其中正常测量数据zo和遭受攻击的测量数据za具体描述如下：zo＝h(xo)+ω(1)za＝z+h(xa)-h(xo)(2)其中，h表示非线性量测方程，即系统状态与测量真值之间的函数关系，xo表示系统状态包含系统所有节点电压幅值和电压相角的真实值，xa表示攻击下的系统状态值，x表示xo或者xa，vk和θk分别表示节点k的电压幅值和电压相角，vm和θm分别表示节点m的电压幅值和电压相角，pk和qk分别表示节点k的注入有功功率和无功功率，pkm和qkm分别表示节点k和节点m之间线路的有功功率和无功功率，m表示节点m的集合，gkm和bkm分别表示节点k和节点m之间的电导和电纳，δkm＝θk-θm表示节点k和节点m之间的相角差，ω观测噪声。步骤2：数据预处理，令d＝[zo,za]，即将步骤(1)中获得的测量数据存放在d中，再将数据集d传输到智能电网坏数据检测装置中，按照公式(4)计算d中第i组数据di的残差ri，i＝1,2,…,n,n表示数据组数，设定判断检测坏数据阈值参数λ＝10，若ri>λ，则剔除di；若ri≤λ，则将di存入至集合t中；其中，表示根据量测数据di计算得到的状态估计值。步骤3：将智能电网攻击定位问题描述为多标签分类问题，定义训练集特征(即测量数据)为其中j＝1,2,…,n表示第j个量测，n表示特征数；定义训练集标签(即量测所属类别)为其中表示第i组数据的第j个量测的类别，若第j个量测受到攻击，则记否则记定义多标签分类器分类的结果为其中表示第i组数据的第j个量测的分类结果，或者若则表示第i组数据的第j个量测受到攻击；若则表示第i组数据的第j个量测未受到攻击；步骤4：采用卷积神经网络(cnn)提取测量数据内在高维特征，并将cnn作为多标签分类器，具体子步骤如下：(4.1)按照公式(5)，基于输入数据t获取第1层的特征映射：c1,u＝relu(t*f1,u+b1,u)(5)其中，c1,u表示第1层卷积的第u个特征映射，f1,j表示第1层卷积的第u个卷积核，b1,u表示第1层卷积的第u个偏置，*表示卷积操作，relu表示激活函数，具体表述为：(4.2)按照公式(7)，输入第q-1个卷积层中卷积产生的隐含特征到第q个卷积层，获取第q层特征映射；cq,v＝relu(cq-1,v*fq,v+bq,v)(7)其中，cq,v和cq-1,v分别表示第q个和第q-1个卷积层第v个卷积核，fq,v表示第q层卷积的第v个卷积核，bq,v表示第q层卷积的第v个偏置，q为大于2的整数；(4.3)令q＝q+1，重复步骤(4.2)直至q>qmax,输出第qmax卷积层的特征映射，其中qmax＝5表示最大的卷积层数；(4.4)按照公式(8)，输入第5层的特征映射进行池化操作；其中，maxpoolβ,γ表示使用β×γ区域，在此β×γ＝2×1，对取最大值操作。(4.5)按照公式(9),将池化层提取到的特征映射cp，通过压平层操作，获得对应的输出特征；cf＝relu(wf*cp+bf)(9)其中，cf表示压平层的特征映射，wf表示压平层的权重，bf表示压平层的偏置。(4.6)按照公式(10),将压平层的输出特征作为输入特征传输至全连接层，获得最终的分类结果：其中，wd和bd分别表示全连接层的权重和偏置，sigmoid表示激活函数，具体表述为：步骤5：按照小批量梯度下降法训练cnn，以最小化交叉熵损失函数为优化目标，确定cnn最优的学习参数；其中s＝{i1,i2,…,ie}表示每次批量选取的数据集，e＝100表示数据的组数；步骤6：将训练完成的cnn嵌入到智能电网坏数据检测装置之后，实现实时在线攻击定位，提取出所对应的全部量测即为受到攻击的位置。表1是本发明实施例运用反馈神经网络方法和本发明方法的智能电网攻击检测率和攻击定位准确率的结果对比。从表1可以看出，采用本发明方法比反馈神经网络方法获得了更高攻击检测率和攻击定位准确率。通过采用本发明技术对智能电网运行实验结果分析，可以发现：采用本发明能够获得较反馈神经网络方法更高的攻击检测率和攻击定位准确度，验证了本发明方法对智能电网攻击定位具有更高的精度，能够更好的满足电网安全控制和稳定运行要求。表1：攻击检测率和攻击定位准确率对比方法攻击检测率攻击定位准确率反馈神经网络方法89％73.3％本发明定位方法96％91.4％综上所述，本发明的有效效果是：采用本发明能实现对智能电网攻击的定位，具有现有技术所不具备的以下优点：不仅可以检测电网攻击，而且能实时在线对电网进行攻击定位，定位精度更高，定位效率更高且不依赖于模型，保证电网安全控制和稳定运行。当前第1页12