不平衡配电网状态估计攻击检测方法、系统、设备及介质与流程

本发明属于配电网攻击检测领域，具体是涉及不平衡配电网状态估计攻击检测方法、系统、设备及介质。

背景技术：

1、目前，在电力系统中，分布式能源普及率日益增加，先进的测量设施和量测单元被广泛应用，这使得传统配电网逐渐转变为信息物理系统(cps)。新型配电系统中智能电表(sm)等量测装置的部署，在一定程度上提高了系统的可观测性和可控性。它还使得网络和物理系统之间的耦合程度更强，但也使系统更容易受到网络攻击。

2、状态估计是能源管理系统的基本技术之一，可以了解配电系统的实时状态，是系统进行可靠运行和有效的调节的重要前提。但在网络和物理基础设施耦合度日益提升的背景下，状态估计过程也容易受到各种恶意网络攻击，这些攻击会破坏系统的运行，导致巨大的经济损失。

3、迄今为止，本领域已经针对此问题进行了广泛的研究工作以减轻新出现的网络安全威胁。从攻击者的角度来看，有研究表明攻击者可以在了解系统情况的背景下，对电力系统状态估计发起虚假数据注入攻击，而不会被传统的基于残差的不良数据检测机制测检到；之后，各种研究表明攻击者对系统信息完整度的需求不断降低。而抵御工作，大多在大规模输电系统或基于传统的直流潮流模型，缺少大规模配电网模型的处理，当异常值导致的扰动出现时，检测精度明显降低。如何在一定的误报范围内提高检测率，如何基于统计理论的方法，在历史观测数据和量测配置的条件下，在不平衡配电系统间产生令人满意的兼容性或检测性能在当前研究中还需进一步优化。

技术实现思路

1、为解决上述技术问题，本发明提供了不平衡配电网状态估计攻击检测方法、系统、设备及介质，旨在提升大规模不平衡配电网检测网络攻击的能力，增强系统自身鲁棒性，提高状态估计结果的真实性。

2、本发明所述的不平衡配电网状态估计攻击检测方法，包括以下步骤

3、步骤1、基于社区发现方法与子区域规模均匀原则，将大规模配电网划分为多个子区域；

4、步骤2、在配电网子区域中实施基于平方根无迹卡尔曼滤波器的预测辅助状态估计，将预测辅助状态估计的滤波步骤转化为冗余的线性回归形式；

5、步骤3、应用ps检测异常值，将加权最小估计量应用在回归形式上；

6、步骤4、计算基准序列和测试创新序列的动态时间扭曲距离；

7、步骤5、搭建基于二元广义似然比检测的假设验证，并验证检验变量，输出子区域状态，子区域将信息汇总输出全局系统受攻击情况。

8、进一步的，步骤1中，将大规模配电网划分为多个子区域的具体步骤为：

9、依据各个社区的节点数量，对各个社区进行加权，连接各社区的边为无权边，形成加权点-无权边图；

10、应用贪婪算法求得最优划分方案，从度最小、权重最小的顶点c开始，搜索顶点c的相邻顶点合集dc，寻找合集dc中符合条件的顶点c’，使得顶点c并入后，顶点c’的权重之和更接近平均规模即是否存在唯一的c’∈dc，使得式(1)中得的δ有最小负值；如果δ的最小负值存在并且唯一，则令顶点c并入顶点c’，顶点c’的权重变为两顶点的原权重之和；如果δ没有最小负值，则将其分割并作为结果的一个子区域；如果存在但不唯一，则保持不变，并从除节点c以外，度最小、权重最小的顶点重复上述步骤；

11、

12、s.t.minδ＜0

13、|c'|δ(c')＝minδ＝1

14、

15、式中，是为分区后的平均规模,是c节点的权重，k是分区数量，d是度，是权重，n是节点编号，δ为模块度。

16、进一步的，步骤2中预测辅助状态估计为：

17、r时刻的离散化非线性状态空间模型表示为：

18、ar＝g(ar-1)+σr                (2)

19、br＝y(ar)+ρr             (3)

20、其中和是系统状态向量和量测向量；σr和ρr是高斯噪声和测量白噪声；y(·)是测量函数为g(·)是状态转移函数，由线性指数平滑方法得到：

21、tr-1＝αhar-1|r-1+(1-αh)ar-1|r-2

22、lr-1＝βh(tr-1-tr-2)+(1-βh)lr-2

23、ar|r-1＝tr-1+lr-1＝gr-1ar-1|r-1+br-1+σr     (4)

24、

25、其中ar|r-1是时刻r的本地子系统状态变量预测值；tr-1与lr-1分别是r-1时刻子系统状态变量的水平分量和垂直分量；ar-1|r-1是r-1时刻本地子系统的系统变量状态量；ar-1|r-2是时刻r-1的本地子系统状态变量预测值；tr-2，lr-2是r-2时刻子系统状态变量的水平分量和垂直分量；gr-1和br-1是状态转移矩阵和趋势向量；αh和βh是平滑参数，e是单位矩阵；

26、预测状态及其平方根误差协方差矩阵由下式给出：

27、

28、

29、其中是r时刻系统状态变量预测的西格玛点；xr-1|r-1是r-1时刻系统状态变量的西格玛点；τ是伸缩参数；是i节点的均值的权重；σb是均值和平方根协方差权重；qr{·}和cholupdate{·}是用于qr分解和cholesky分解的1阶更新的matlab嵌入式函数，是r时刻误差协方差的平方根的预测值；wr|r-1是r时刻误差协方差的平方根；pr是高斯噪声和高斯噪声转置的平均值。

30、进一步的，步骤2所提出的将预测辅助状态估计的滤波步骤转化为冗余的线性回归形式，具体为：

31、首先，将状态预测误差定义为：

32、

33、其中ar是系统状态变量；时刻r的本地子系统状态变量预测值；

34、然后将测量方程br＝y(ar)+ρr线性化为：

35、

36、其中是回归斜率矩阵；是交叉协方差矩阵，可由下式获得：

37、

38、其中是预测的测量向量，是更新的西格玛点；θr表示线性化误差项，t为转置，其协方差为：

39、

40、其中自协方差可以导出为：

41、

42、

43、然后将式(8)和式(9)组合成矩阵形式，如下所示：

44、

45、这里是单位矩阵；因此，(14)中误差项的协方差矩阵为：

46、

47、其中cr是乔列斯基因式分解因子；然后将式(14)写为：

48、

49、进一步的，步骤3具体为：

50、首先，构建由测量创新值和状态预测组成的矩阵：

51、

52、其中是时刻r的本地子系统状态变量预测值；是时刻r的本地子系统状态变量预测值预测状态；是r时刻测量的创新值是r-1时刻测量的创新值；当异常值出现时，创新值与状态预测之间的相关性会受到极大的干扰；因此，通过对式(17)到ps进行统计测试，检测到异常值；

53、等效马氏距离md定义为：

54、

55、其中，mdi表示矩阵br的测量信息的第i行向量的md，分别用于状态预测；e和w表示在0和1≤i≤m上的投影的样本平均值和标准差；为了增强md的稳健性，用样本中位数和中位数绝对偏差mad代替e和w；然后，用ps公式来检测离群值；

56、

57、其中，投影方向o可以通过二维中值向量导出，如下所示：

58、

59、

60、在给定计算的ps值的情况下，通过进行的统计测试来检测正常运行中的离群值；是设置的检测阈值，其中r是非零行向量的数目，ps服从卡方分布；在时间步长r处识别的观测异常值的标准差ζi，r变为：

61、

62、其中，在(12)中使用修正的标准差ζi，r来更新测量噪声协方差矩阵；对于检测到的信息离群值，将对应的预测状态重置为标称值以重新运行滤波步骤。

63、进一步的，步骤4，计算基准序列和测试创新序列的动态时间扭曲距离，具体为：

64、根据式(17)，在时刻k导出的测量创新向量写为：

65、在没有fdia的情况下服从零均值正态分布；然后基准和测试序列的第i个创新元素由下式给出：

66、

67、

68、其中pbandpt表示基准和测试创新序列条目的数量；基准序列是在正常情况下从历史测量创新数据库中收集的，而测试序列是新收集的，需要进行检查；

69、为了得到dtw距离，建立由(23)和(24)之间的成对距离组成的成本矩阵i：

70、

71、然后，每个成对点j的最小累积成本矩阵j在遵循dp原则的正向上计算如下：

72、jk，r＝ck，r+min{jk-1，r，jk，r-1，jk-1，r-1}(2≤k≤pb，2≤r≤pt)       (26)

73、其中，j0，0被初始化为零，jk，0＝j0，r＝∞；最后，dtw距离定义如下：

74、

75、

76、

77、其中，点(pb，pt)处的总累计成本值被认为是第i个创新元素的dtw距离；向量jdtw(γb，γt)表示基准序列γb和测试序列γt之间的所有创新元素的dtw距离。

78、进一步的，步骤5具体为：

79、通过将γb和γt之间的距离(27)与检测阈值进行比较，判断潜在的fdia是否已经注入到测量单元中；形式上，提出对dtw距离的二元假设检验来解决该问题：

80、

81、其中，f0表示没有发生fdia，而f1表示测量数据受到fdia的污染；λ是检测阈值，||·||∞是最大向量范数；

82、根据neyman-pearson引理简单假设问题的最强检验mpt由似然比检验lrt给出，在一定的误报率下，检测概率可以最大化；具体来说，复合假设检验问题，即fdia检测，仍然可以通过使用具有良好渐近最优性的glrt来解决，其中不存在mpt；通过根据dtw距离dtw-glrt制定glrt，测试式(29)可以转换为：

83、

84、

85、其中和表示第j次采样下的最大dtw距离，当f0和f1分别为真时；ns是dtw-glrt的在线采样次数；ξ(γb，γt)和ηdtw是检验变量和检测阈值，s是拒绝区域；

86、所提出的dtw-glrt的检测概率为p(ξ(γb，γt)＞ηdtw|f1)；当测试变量超过检测阈值时，子区域设备输出受到fdia攻击的信息；

87、当子区域输出收到虚假数据注入攻击的信息后，汇总至总表，输出全局攻击结果。

88、本发明还提供了不平衡配电网状态估计攻击检测系统，包括量测单元和处理中心，大规模配电网在部分节点及支路布置量测单元，其余部分则设置伪量测，量测信息汇总至信息处理中心，经过上述检测方法的处理，输出全局攻击结果。

89、不平衡配电网状态估计攻击检测设备，包括处理器及用于存储处理器可执行指令的存储器；其中所述处理器被配置为调用所述存储器存储的指令，以执行所述检测方法。

90、一种计算机刻度存储介质，所述介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述检测方法。

91、本发明所述的有益效果为：本发明所述的检测方法与传统检测指标相比，能够抑制注入异常值引起的扰动，保持检测精度；当利用该方法检测不同的fdia时，依据ps检测异常值，计算基准序列和测试创新序列的动态时间扭曲距离，搭建基于二元广义似然比检测的假设验证，并验证检验变量等方法，使得所提方法表现出在误报率范围内检测概率高。