基于典型变量分析的错误数据注入攻击检测方法及装置

本技术涉及智能电网安全，尤其涉及一种基于典型变量分析的错误数据注入攻击检测方法及装置。

背景技术：

1、智能电网通过融合信息技术和通信技术，以可靠、可持续和经济的方式促进电力需求侧和供应侧的控制。智能电网是典型的网络物理关键系统，先进的信息通信技术促进了智能电网的近实时监测和控制操作。然而，由于电力系统对信息技术的依赖也带来了问题，使得电力系统的运行受到各种网络威胁和攻击。由于智能电网严重依赖原有电力系统，而这些系统最初并不是为抵御攻击而构建的，因此成功的网络攻击可能会导致区域性停电、巨大的物理和财产损失。

2、在智能电网中，准确的状态估计对于确保可靠的电网运行和控制至关重要。智能电网执行整个状态估计过程以滤除接收到的测量中的噪声，并获得准确的状态变量，包括电压幅值和电压相位角。通常，智能电表用于监控智能电网的实时测量值。这些测量值通常包括发电机母线的电压幅值、输电线路的有功功率流和无功功率流、有功母线功率注入和无功母线功率注入。然后，这些接收到的测量值通过监控和数据采集（scada）系统发送到控制中心。在测量的传输过程中，由通信故障引起的测量噪声或干扰可以混入实际测量中。同时，一些测量值也可能被攻击者篡改。状态估计器然后使用拓扑信息和这些接收到的冗余电表测量值来估计这些状态变量。坏数据检测器以实现坏数据检测，即检查是否存在由大噪声或干扰引起的大误差。这些状态变量应准确估计，以便能源管理系统（ems）功能，如经济调度、自动发电控制、最优潮流分析和应急分析，可以得到控制，同时还可以发出命令来平衡电力需求和供应。

3、对于错误数据注入攻击的检测，除了基于模型的信号分析与处理方法，还可以从数据本身的角度出发进行分析，本发明将基于数据驱动的检测方法作为控制中心中对错误数据注入攻击进行检测的一个补充模块，以更好地提升检测性能。基于数据驱动的检测方法依赖于使用获得的正常历史测量值来建立经验模型，其中模型是在训练阶段遵循特定原理构建的。然后，在检测阶段，可以将新的测量值输入到这些经验模型。通过选择适当的统计量，当这些统计量大于预定义的阈值时，可以有效地检测出测量值是否受到攻击。已有的基于数据驱动的检测方法，如基于支持向量机（svm）、改进的极值学习机（elm）、基于深度学习的方法和统计无监督方法等数据驱动方法，它们都基于以下的事实，即正常测量和被攻击的测量可以在统计学上加以区分，因为正常测量值之间受物理定律，如基尔霍夫定律的支配，而这些被攻击的测量值则不再服从这些物理定律。以上这些检测算法一般仅考虑在每个独立采样时刻受基尔霍夫定律约束的离散测量值间的互相关性，忽略了连续时刻测量值间由于明显时间序列特性造成的测量值间存在的自相关性。

技术实现思路

1、本技术实施例的目的是提供一种基于典型变量分析的错误数据注入攻击检测方法及装置，以解决相关技术中存在的检测算法仅考虑在每个独立采样时刻受基尔霍夫定律约束的测量值间的互相关性，忽略了连续时刻测量值间由于明显时间序列特性所存在的自相关性的不足，造成对于错误数据注入攻击的检测率低、误警率高等技术问题。

2、根据本技术实施例的第一方面，提供一种基于典型变量分析的错误数据注入攻击检测方法，包括：

3、基于电网正常条件下历史电表测量值，构建过去汉克矩阵和将来汉克矩阵；

4、根据所述过去汉克矩阵和将来汉克矩阵，构建实现矩阵变换的投影矩阵；

5、根据所述投影矩阵，从过去测量值向量估计典型状态变量，构建典型状态变量和残差变量，同时构建和统计量，并确定检测阈值；

6、根据所述投影矩阵和检测阈值，基于实时测量值向量，对错误数据注入攻击进行检测。

7、可选的，基于电网正常条件下历史电表测量值，构建过去汉克矩阵和将来汉克矩阵，包括：

8、基于电网正常运行条件下个历史电表测量值，进行归一化处理，并根据测量值序列自相关性分析，确定过去测量值向量中值和将来测量值向量中值， p和 f分别为过去测量值向量和将来测量值向量的维数；

9、根据归一化处理后的历史电表测量值、值与值，通过将个过去测量值向量和个将来测量值向量融合，生成增广的过去测量值向量和增广的未来测量值向量，同时构建过去汉克矩阵和将来汉克矩阵。

10、可选的，根据所述过去汉克矩阵和将来汉克矩阵，构建实现矩阵变换的投影矩阵，包括：

11、根据过去汉克矩阵和将来汉克矩阵，构建样本测量值的协方差矩阵、和互协方差矩阵，并进一步构建归一化的汉克矩阵φ；

12、根据所述归一化汉克矩阵φ，对其奇异值分解并确定主奇异值，实现维数缩减，同时构建实现矩阵变换的投影矩阵。

13、可选的，根据所述投影矩阵，从过去测量值向量估计典型状态变量，构建典型状态变量和残差变量，同时构建和统计量，并确定检测阈值，包括：

14、根据所述投影矩阵，从过去测量值向量估计典型状态变量，构建典型状态变量和残差变量；

15、根据所述典型状态变量和残差变量，构建和统计量，以监视典型状态变量和残差变量变化；

16、根据所述统计量, 确定给定显著性水平的检测阈值。

17、可选的，根据所述投影矩阵和检测阈值，基于实时测量值向量，对错误数据注入攻击进行检测，包括：

18、基于实时测量值向量，进行归一化处理并构建过去测量值向量；

19、根据所述过去测量值向量、投影矩阵和检测阈值，计算典型状态变量和残差变量，经判断决策对攻击进行检测。

20、根据本技术实施例的第二方面，提供一种基于典型变量分析的错误数据注入攻击检测装置，包括：

21、第一构建模块，用于基于电网正常条件下历史电表测量值，构建过去汉克矩阵和将来汉克矩阵；

22、第二构建模块，用于根据所述过去汉克矩阵和将来汉克矩阵，构建实现矩阵变换的投影矩阵；

23、第三构建模块，用于根据所述投影矩阵，从过去测量值向量估计典型状态变量，构建典型状态变量和残差变量，同时构建和统计量，并确定检测阈值；

24、检测建模块，用于根据所述投影矩阵和检测阈值，基于实时测量值向量，对错误数据注入攻击进行检测。

25、根据本技术实施例的第三方面，提供一种电子设备，包括：

26、一个或多个处理器；

27、存储器，用于存储一个或多个程序；

28、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。

29、根据本技术实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。

30、本技术的实施例提供的技术方案可以包括以下有益效果：

31、由上述实施例可知，本技术从测量值统计相关性分析角度出发来区分正常测量值和被攻击测量值，不仅考虑在每个独立采样时间基于基尔霍夫定律所约束的离散测量值之间的互相关性（即多个电表测量值间），还兼顾测量值基于不断变化的负载和天气状况的明显时间序列特征的自相关性，进而实现了攻击检测率的极大提高。

32、通过从正常历史测量值中构建用于实时检测的投影矩阵，并依据获得的典型状态变量构建用于实时检测的高敏感度监测统计量，克服传统检测算法的高复杂性，进而实现了攻击检测算法低复杂度实施。

33、监视基于典型变量的统计指标变化，实现了通过实时统计检测指标和阈值之间的较大偏差来作为攻击测量的指标，进而实现在控制中心发出实时警报。

34、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。