基于深度学习框架的容忍度不良数据注入攻击检测方法

摘要

本发明公开一种基于深度学习的不良数据注入攻击检测方法，包括：数据集生成：本发明选取IEEE 14节点和30节点系统，生成数据，利用DC OPF获得不同负载情况下节点的净注入功率，测试最小二乘估计与传统检测方法的能力范围，生成标签数据；数据预处理：依次进行数据标准化和数据降维；神经网络训练:二分类神经网络模型，分辨量测数据是否遭到攻击；模型测试：静态负荷与动态负荷场景。首先在确定负荷的情况下，测试分类准确度；然后测试模型对不同负荷的泛化能力。本发明基于深度学习方法提高了不良数据注入攻击，尤其是针对状态估计容忍度的不良数据注入攻击的检测精度。

说明书

技术领域

本发明涉及电力系统的安全防护技术领域，尤其是基于深度学习的容忍度不良数据注入攻击检测的安全防护方法。

背景技术

电力系统主要由以下四个部分组成:发电机、输电系统、配电系统以及其他自动化设备。其功能是通过变电站和配电设备为用户供电。随着自动控制技术和信息网络的高速发展，为了实现稳定的能源传输，电网的各个环节都配备了相应的信息和控制系统，以确保用户能够获得安全可靠的电能质量。电网及其各种组成部分已经经历了几十年的演变。SCADA系统成为电力系统历史上的一个里程碑，它本质上是将电网转变为信息物理融合系统。事物都有两面性。然而，任何事物的发展都具有两面性，网络信息技术以及自动控制技术的广泛使用也给电网的安全性提出了巨大挑战。

在已知的攻击方法中，不良数据注入(FDI)攻击是威胁最大的，它是刘瑶等人针对电网状态估计提出的一类新的网络攻击。状态估计(SE)是现代电力系统能源管理系统(EMS)的重要组成部分，它通过配备SCADA单元的远程终端单元(RTUs)采集的测量数据，对电力系统节点上的电压和相角进行估计。加权最小二乘法(WLS)是一种经典的基于残差向量求目标函数最小值的状态向量的方法。在状态估计中，残差检验和归一化残差检验是检测和识别粗差最常用的估计方法。大多数FDI攻击都是在充分掌握系统参数的前提下，恶意操纵系统中的测量值。然而，在实际操作中，发起此类攻击存在很大的困难。首先，电力系统配置参数作为电力系统的最高机密，几乎不可能得到。其次，一些智能电表有完备的保护机制，修改操纵所有的量测仪表几乎不可能实现。第三，一些智能电表的读数，如有功功率、无功功率和电压都是只读的。攻击者只能伪造其他一些可写的配置参数，比如变压器变比和时间。

发明内容

本发明旨在一定程度上解决相关技术中的技术问题之一。为此，本发明研究检测基于容忍度的不良数据注入攻击(TFDI)。TFDI通过利用传统探测器对观测误差的容忍度来绕过传统的不良数据检测方法。本发明的目的是提供一种基于深度学习的TFDI检测方法，采用启发式算法提高TFDI的检测成功率。

本发明所采用的技术方案是：

1)根据具有容忍度的不良数据注入攻击技术生成训练与测试的数据集；

2)根据深度学习框架搭建二分类的模型；

3)对训练数据集进行预处理并进行训练；

4)利用训练好的模型对测试数据集进行测试，并对结果进行评估。

本发明的进一步改进在于，所述步骤1)中数据集生成的方法为：首先构建电力系统的网络结构拓扑图，确定电力系统的节点个数、线路数、线路阻抗等一系列网络参数，构建邻接矩阵、计算网络的导纳矩阵，并且需要对电力系统的组件进行建模，传输线由双端口π模型表示，其参数对应于传输线路的正序等效电路；抽头可移动的移相变压器可建模为理想变压器串联了固定阻抗值；负荷和发电机建模为等效的复功率注入。之后基于 MATPOWER中IEEE标准节点系统生成不同负荷下的节点电压等数据，并对数据加入噪声。选取IEEE 14节点和30节点系统，利用DC OPF获得不同负载情况下节点的净注入功率，测试最小二乘估计与传统检测方法的能力范围，并对数据进行标注。

本发明的进一步改进在于，所述步骤2)中搭建二分类的模型方法为：根据深度学习中神经网络的框架，对神经网络的层数、激活函数以及损失函数等进行初步选择，构建起检测的二分类模型。

本发明的进一步改进在于，，所述步骤3)中数据集预处理与训练的过程为：首先对数据进行标准化处理，之后利用主成分分析的方法，对数据集进行降维处理，在训练中，利用步骤2)中预先搭建好的模型进行训练，并且针对不同的网络结构与参数设置进行训练，最终得到较优的分类模型。

本发明的进一步改进在于，所述步骤4)中模型测试的过程为：利用步骤1)和2)中生成的测试数据集以及步骤3)中训练得到的模型，分别针对静态负荷与动态负荷场景进行分类测试，并对测试结果进行包括分类准确度、精确率、召回率以及F1得分的指标评价。

相对于现有技术，本发明具有以下有益效果：

(1)通过构建深度学习框架检测不良数据注入攻击，提高了不良数据的检测精度；

(2)算法复杂度低：在传统不良数据检测技术的基础上进行模型的构建与训练，不需要过多改变原有系统的结构和流程；

(3)具有较好的普适性：本发明适用于各种类型的不良数据注入攻击检测，尤其是一些针对状态估计的不良数据注入攻击。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明一实施例一种基于容忍度的不良数据注入攻击构造方法示意性流程图。

图2是本发明一实施例一种基于深度学习的TFDI检测方法中步骤1)的示意性流程图。

图3是本发明一实施例一种基于深度学习的TFDI检测方法中步骤3)和步骤4)的示意性流程图。

具体实施方式

以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

考虑针对电力系统状态估计的普通FDI攻击的现实困难性，本发明提出了一种基于深度学习的容忍度不良数据注入攻击(TFDI)检测方法，包括：

S1:构建电力系统的网络结构拓扑图，确定电力系统的节点个数、线路数、线路阻抗等一系列网络参数，构建邻接矩阵、计算网络的导纳矩阵，并且需要对电力系统的组件进行建模，传输线由双端口π模型表示，其参数对应于传输线路的正序等效电路；抽头可移动的移相变压器可建模为理想变压器串联了固定阻抗值；负荷和发电机建模为等效的复功率注入。之后基于MATPOWER中IEEE标准节点系统生成不同负荷下的节点电压等数据，并对数据加入噪声。选取IEEE 14节点和30节点系统，利用DC OPF获得不同负载情况下节点的净注入功率，测试最小二乘估计与传统检测方法的能力范围，并对数据进行标注。

S2:根据步骤S1中构建的电力系统网络拓扑图，对神经网络的层数、激活函数以及损失函数等深度学习网络的框架特征进行初步选择，构建起不良数据检测的二分类模型。

S3:由于步骤S1中得到的数据还不能直接去训练S2中搭建的二分类模型，首先需要对数据进行标准化处理；之后利用主成分分析的方法，对数据集进行降维处理；在训练中，利用步骤S2中预先搭建好的模型进行训练，并且针对不同的网络结构与参数设置进行训练，最终得到较优的分类模型。

S4:利用步骤S1和S2中生成的测试数据集以及步骤S3中训练得到的模型，分别针对静态负荷与动态负荷场景进行分类测试，并对测试结果进行包括分类准确度、精确率、召回率以及F1得分的指标评价。