本發(fā)明屬于智能電網(wǎng)，尤其涉及一種基于dknn-mgat的fdia檢測定位方法。

背景技術(shù)：

1、電力系統(tǒng)是由多個不同時(shí)間尺度、不同控制對象的若干個分布式與集中式控制系統(tǒng)組成的一個復(fù)雜信息物理系統(tǒng)(cyber?physical?system，cps)[1-3]。隨著風(fēng)、光等可再生能源占比的提高，其發(fā)電的間歇性和隨機(jī)性使系統(tǒng)的不確定增加，系統(tǒng)的穩(wěn)定運(yùn)行對信息控制的依賴性加深。電力監(jiān)控與數(shù)據(jù)采集系統(tǒng)(scada系統(tǒng))作為核心的信息控制系統(tǒng)，承擔(dān)著實(shí)時(shí)監(jiān)控、數(shù)據(jù)采集和調(diào)度控制等關(guān)鍵任務(wù)，對維持電力系統(tǒng)安全穩(wěn)定運(yùn)行至關(guān)重要。一旦該系統(tǒng)遭受網(wǎng)絡(luò)攻擊，將會導(dǎo)致調(diào)度決策失誤，甚至引發(fā)大面積停電等嚴(yán)重后果。

2、虛假數(shù)據(jù)注入攻擊(fake?data?injection?attacks，fdias)[4]作為近年來廣泛研究的一種網(wǎng)絡(luò)攻擊方式，通過篡改電力scada系統(tǒng)的量測數(shù)據(jù)，誤導(dǎo)狀態(tài)估計(jì)(stateestimation,se)結(jié)果，進(jìn)而影響后續(xù)的調(diào)度和控制，給系統(tǒng)的安全經(jīng)濟(jì)運(yùn)行帶來風(fēng)險(xiǎn)。同時(shí)，隨著新能源的大量并網(wǎng)，節(jié)點(diǎn)擾動性增加，fdia防御檢測的難度大幅提高，電網(wǎng)安全面臨更加嚴(yán)峻的挑戰(zhàn)。因此，有必要研究考慮新能源并網(wǎng)的fdia檢測的問題。

3、目前，針對fdia的研究主要分為攻擊建模和攻擊檢測兩個方向。其中，fdia攻擊建模根據(jù)攻擊對象和優(yōu)化目標(biāo)可分為狀態(tài)擾動型fdia[5]、線路越限型fdia[6]、網(wǎng)絡(luò)結(jié)構(gòu)誤導(dǎo)型fdia[7]、斷線隱蔽型fdia[8]、網(wǎng)絡(luò)參數(shù)協(xié)同篡改型fdia[9]和殘差污染型fdia[10][11]等等。上述模型中，[5]-[9]均要求攻擊向量能夠躲避狀態(tài)估計(jì)的不良數(shù)據(jù)檢測(baddata?detection，bdd)，篡改的量測個數(shù)較多，屬于“傳統(tǒng)fdia”；而文獻(xiàn)[10][11]無需躲避bdd，通過誘發(fā)殘差污染，剔除正常量測從而實(shí)現(xiàn)狀態(tài)估計(jì)結(jié)果的誤導(dǎo)，篡改量測數(shù)量更少，可稱為“殘差污染fdia”。

4、攻擊檢測站在防御者角度，研究如何快速、準(zhǔn)確地檢測fdia，大致可分為模型驅(qū)動法和數(shù)據(jù)驅(qū)動法兩大類[12]。其中，模型驅(qū)動法[13-15]根據(jù)系統(tǒng)自身的模型參數(shù)，將量測數(shù)據(jù)變換處理后與人為設(shè)定的檢測閾值相比較，從而檢測出fdia。由于該方法的精度和效率在很大程度上受制于電網(wǎng)建模的準(zhǔn)確性，其在大型電力系統(tǒng)中表現(xiàn)不佳；而數(shù)據(jù)驅(qū)動法無需物理模型參數(shù)，利用機(jī)器學(xué)習(xí)算法挖掘海量量測數(shù)據(jù)中的離群特性，實(shí)現(xiàn)fdia檢測。該方法更適用于復(fù)雜和動態(tài)的大規(guī)模電力系統(tǒng)，因此受到了學(xué)者們更多的關(guān)注。

5、數(shù)據(jù)驅(qū)動法中研究最多的一類是有監(jiān)督學(xué)習(xí)檢測法，其核心思想是將fdia的檢測問題轉(zhuǎn)化為機(jī)器學(xué)習(xí)中的二分類問題，從而判別量測數(shù)據(jù)是否遭受fdia。典型算法包括傳統(tǒng)機(jī)器學(xué)習(xí)算法(支持向量機(jī)[16]、k近鄰算法[17]以及決策樹[18]]等)、集成學(xué)習(xí)算法(隨機(jī)森林[19]、xgboost[20]、lightgbm[21]和adaboost[22]等)和深度學(xué)習(xí)算法(多層感知器[23]、卷積神經(jīng)網(wǎng)絡(luò)[24]、循環(huán)神經(jīng)網(wǎng)絡(luò)[25]等)。

6、然而上述檢測方法存在兩個問題：一是檢測方法具有“黑盒特性”，即輸入數(shù)據(jù)與檢測結(jié)果之間不可解釋，模型的泛化性能較差；二是二分類問題只能判斷攻擊是否存在而無法定位攻擊的具體位置。

7、針對第一個問題，基于圖神經(jīng)網(wǎng)絡(luò)(graph?neural?network,gnn)[26]檢測方法應(yīng)運(yùn)而生，該方法通過將電網(wǎng)拓?fù)浣Y(jié)構(gòu)編碼為圖數(shù)據(jù)結(jié)構(gòu)，建立了圖節(jié)點(diǎn)特征傳播機(jī)制與電力系統(tǒng)物理規(guī)律的顯式映射關(guān)系，為構(gòu)建可解釋的fdia檢測[27-29]框架提供了新范式。文獻(xiàn)[30]提出了基于門控圖注意力網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)方法，通過鄰域聚合機(jī)制強(qiáng)化了拓?fù)潢P(guān)聯(lián)特征的提取能力，而文獻(xiàn)[31]提出的時(shí)空圖卷積網(wǎng)絡(luò)則通過時(shí)間卷積層捕獲量測數(shù)據(jù)的動態(tài)演變規(guī)律，二者均驗(yàn)證了gnn在提升模型可解釋性方面的技術(shù)優(yōu)勢。

8、針對第二個問題，wang等人[32]將原有的二分類問題擴(kuò)展為多標(biāo)簽二分類問題，從而實(shí)現(xiàn)fdia的定位。之后，席磊等人采用核極限學(xué)習(xí)機(jī)與自編碼器結(jié)合[33]、圖像編碼與多頭自注意力網(wǎng)絡(luò)結(jié)合[34]、自適應(yīng)差分進(jìn)化與模糊寬度學(xué)習(xí)系統(tǒng)結(jié)合[35]等方法同樣實(shí)現(xiàn)了fdia的攻擊定位，并提升了檢測精度和效率。

9、文獻(xiàn)[36]結(jié)合上述兩種思路，運(yùn)用圖注意力和多尺度并行融合卷積網(wǎng)絡(luò)對量測數(shù)據(jù)特征提取和融合，并利用全連接層進(jìn)行多標(biāo)簽二分類，不僅實(shí)現(xiàn)了攻擊定位，還提升了模型的可解釋性。

10、然而上述檢測方法仍存在三方面不足：其一，檢測方法聚焦于維數(shù)較小的節(jié)點(diǎn)異常狀態(tài)的定位，并不能精確定位維數(shù)更大的異常節(jié)點(diǎn)注入量測和線路量測(準(zhǔn)確性不足)；其二，僅能定位檢測單一攻擊模型(泛化性不足)；其三，未考慮新能源并網(wǎng)擾動的影響(魯棒性不足)。

11、文獻(xiàn)出處：

12、[1]陳清清,蘇盛,暢廣輝,等.電力信息物理系統(tǒng)內(nèi)部威脅研究綜述[j].南方電網(wǎng)技術(shù),2022,16(06):1-13.

13、chen?qingqing,su?sheng,chang?guanghui,et?al.a?review?of?internalthreats?in?power?cyber-physical?systems[j].china?southern?power?gridtechnology,2022,16(06):1-13.

14、[2]姚鵬超,顏秉晶,郝唯杰,等.電力信息物理系統(tǒng)入侵容忍能力評估方法[j].中國電力,2022,55(04):13-22.

15、yao?pengchao,yan?bingjing,hao?weijie,et?al.intrusion?toleranceassessment?method?for?power?cyber-physical?systems[j].electric?power,2022,55(04):13-22.

16、[3]李培愷，劉云，辛煥海，等.分布式協(xié)同控制模式下配電網(wǎng)信息物理系統(tǒng)脆弱性評估[j].電力系統(tǒng)自動化，2018，42(10):22-29+59.

17、li?peikai，liu?yun，xin?huanhai，et?al.vulnerability?assessment?ofcyber-physical?system?of?distribution?network?under?distributed?cooperativecontrol?mode[j].automation?of?electric?power?systems，2018，42(10):22-29+59.

18、[4]liu?yao,ning?peng,reiter?m?k.false?data?injection?attacks?againststate?estimation?in?electric?power?grids[j].acm?transactions?on?informationand?system?security,2011,14(1)：13.

19、[5]kosut?o,jia?l,thomas?r?j,et?al.malicious?data?attacks?on?the?smartgrid[j].ieee?transactions?on?smart?grid,2011,2(4)：645-658.

20、[6]du?m,wang?l,zhou?y.high-stealth?false?data?attacks?on?overloadingmultiple?lines?in?power?systems[j].ieee?transactions?on?smart?grid,2022,14(2)：1321-1324.

21、[7]劉文霞,曾澤華,楊玉澤,等.基于電力網(wǎng)絡(luò)結(jié)構(gòu)錯誤辨識的虛假數(shù)據(jù)注入攻擊研究[j/ol].華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版),2024,1-11.liu?wenxia,zeng?zehua,yangyuze,et?al.research?on?false?data?injection?attack?based?on?misidentificationof?power?network?structure[j/ol].journal?of?north?china?electric?poweruniversity(natural?science?edition),2024,1-11.

22、[8]deng?r,zhuang?p,liang?h.ccpa：coordinated?cyber-physical?attacksand?counter?measures?in?smartgrid[j].ieee?transactions?on?smart?grid,2017,8(5)：2420-2430.

23、[9]liu?c,liang?h,chen?t.network?parameter?coordinated?false?datainjection?attacks?against?power?system?ac?state?estimation[j].ieeetransactions?onsmart?grid,2020,12(2)：1626-1639.

24、[10]kim?j,tong?l,thomas?r?j.data?framing?attack?on?state?estimation[j].ieee?journal?on?selected?areas?in?communications,2014,32(7):1460-1470.

25、[11]楊玉澤,劉文霞,劉耕銘,等.不完全信息下計(jì)及殘差污染的虛假數(shù)據(jù)注入攻擊研究[j/ol].中國電機(jī)工程學(xué)報(bào),2024,1-15.

26、[12]楊玉澤,劉文霞,李承澤,等.面向電力scada系統(tǒng)的fdia檢測方法綜述[j].中國電機(jī)工程學(xué)報(bào),2023,43(22):8602-8622.

27、[13]sreenath?j?g,meghwani?a,chakrabarti?s,et?al.a?recursive?stateestimation?approach?to?mitigate?false?data?injection?attacks?in?power?systems[c]//2017ieee?power&energy?society?general?meeting.chicago：ieee,2017：1-5.

28、[14]li?yuancheng,wang?yuanyuan.developing?graphical?detectiontechniques?for?maintaining?state?estimation?integrity?against?false?datainjection?attack?in?integrated?electric?cyber-physical?system[j].journal?ofsystems?architecture,2020,105：101705.

29、[15]pal?s,sikdar?b,chow?j?h.classification?and?detection?of?pmu?datamanipulation?attacks?using?transmission?line?parameters[j].ieee?transactionson?smart?grid,2018,9(5)：5057-5066.

30、[16]chen?ziyu,zhu?jizhong,li?shenglin,et?al.detection?of?false?datainjection?attack?in?automatic?generation?control?system?with?wind?energybased?on?fuzzy?support?vector?machine[c]//iecon?2020?the?46th?annualconference?of?the?ieee?industrial?electronics?society.singapore：ieee,2020：3523-3528.

31、[17]ahmed?s,lee?y?d,hyun?s?h,et?al.covert?cyber?assault?detection?insmart?grid?networks?utilizing?feature?selection?and?euclidean?distance-basedmachine?learning[j].applied?sciences,2018,8(5)：772.

32、[18]acosta?m?r?c,ahmed?s,garcia?c?e,et?al.extremely?randomized?trees-based?scheme?for?stealthy?cyber-attack?detection?in?smart?grid?networks[j].ieee?access,2020,8：19921-19933.

33、[19]wang?defu,wang?xiaojuan,zhang?yong,et?al.detection?of?power?griddisturbances?and?cyber-attacks?based?on?machine?learning[j].journal?ofinformation?security?and?applications,2019,46：42-52.

34、[20]xue?wenli,wu?ting.active?learning-based?xgboost?for?cyberphysical?system?against?generic?ac?false?data?injection?attacks[j].ieeeaccess,2020,8：144575-144584.

35、[21]cao?jie,wang?da,qu?zhaoyang,et?al.a?novel?false?data?injectionattack?detection?model?of?the?cyber-physical?power?system[j].ieee?access,2020,8：95109-95125.

36、[22]ozay?m,esanola?i,vural?f?t?y,et?al.machine?learning?methods?forattack?detection?in?the?smart?grid[j].ieee?transactions?on?neural?networksand?learning?systems,2016,27(8)：1773-1786.

37、[23]ashrafuzzaman?m,chakhchoukh?y,jillepalli?a?a,et?al.detectingstealthy?false?data?injection?attacks?in?power?grids?using?deep?learning[c]//2018?14th?international?wireless?communications&mobile?computing?conference(iwcmc).limassol：ieee,2018：219-225.

38、[24]wang?shuoyao,bi?suzhi,zhang?y?j?a.locational?detection?of?thefalse?data?injection?attack?in?a?smart?grid：a?multilabel?classificationapproach[j].ieee?internet?of?things?journal,2020,7(9)：8218-8227.

39、[25]yang?liqun,zhang?xiaoming,li?zhi,et?al.detecting?bi-level?falsedata?injection?attack?based?on?time?series?analysis?method?in?smart?grid[j].computers&security,2020,96：101899.

40、[26]jie?zhou,ganqu?cui,shengding?hu,et?al.graph?neural?networks?areview?of?methods?and?applications[j].aiopen?1(2020)57–81.

41、[27]osman?boyaci,amarachi?umunnakwe,abhijeet?sahu?et?al.graph?neuralnetworks?based?detection?of?stealth?false?data?injection?attacks?in?smartgrids[j].ieee?systems?journal,2022,16(2)：2946-2957.

42、[28]吳忠.面向虛假數(shù)據(jù)注入攻擊的數(shù)據(jù)與知識聯(lián)合驅(qū)動防御方法研究[d].東南大學(xué),2023.

43、[29]edeh?vincen,mehdi?korki,mehdi?seyedmahmoudian,et?al.reinforcementlearning-empowered?graph?convolutional?network?framework?for?data?integrityattack?detection?in?cyber-physical?systems[j].csee?journal?of?power?andenergy?systems,2024,10(2).

44、[30]王耀堃.基于圖的電力系統(tǒng)虛假數(shù)據(jù)檢測研究[d].燕山大學(xué),2023.

45、[31]蘇向敬,鄧超,栗風(fēng)永,等.基于mgat-tcn模型的可解釋電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測方法[j].電力系統(tǒng)自動化,2024,48(02):118-127.

46、[32]shuoyao?wang,suzhi?bi,et?al.locational?detection?of?the?falsedata?injection?attack?in?a?smart?grid:a?multilabel?class?fi?cation?approach[j].ieee?internet?of?things?journal,2020,7(9).

47、[33]席磊,彭典名,曹偉,等.數(shù)據(jù)驅(qū)動算法的電力信息物理系統(tǒng)fdia定位檢測[j/ol].中國電機(jī)工程學(xué)報(bào),2024,1-12.

48、[34]席磊,李宗澤,劉治洪,等.基于圖像編碼與多頭自注意力卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測[j/ol].中國電機(jī)工程學(xué)報(bào),2025,1-13.

49、[35]席磊,陳洪軍,彭典名,等.基于自適應(yīng)差分進(jìn)化-模糊寬度學(xué)習(xí)系統(tǒng)的fdia定位檢測方法[j/ol].中國電機(jī)工程學(xué)報(bào),2024,1-13.

50、[36]席磊,陳采玉,陳洪軍,等.基于圖注意力與多尺度并行融合卷積的虛假數(shù)據(jù)注入攻擊定位檢測[j/ol].高電壓技術(shù),1-11.

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是，提供一種基于dknn-mgat的fdia檢測定位方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

3、一種基于dknn-mgat的fdia檢測定位方法，包括：

4、步驟1：構(gòu)造歷史量測數(shù)據(jù)庫；

5、步驟2：對不同類型的歷史量測數(shù)據(jù)進(jìn)行取樣生成樣本集；

6、步驟3：將樣本集轉(zhuǎn)換為提取時(shí)間特征的新特征數(shù)據(jù)；

7、步驟4：將新特征數(shù)據(jù)構(gòu)造特征矩陣，同鄰接矩陣和數(shù)據(jù)標(biāo)簽組成輸入圖，并設(shè)定每一次訓(xùn)練的圖批量bitch＝50；

8、步驟5：將輸入圖分為訓(xùn)練集和測試集，前2/3為訓(xùn)練集，后1/3為測試集，設(shè)定總訓(xùn)練輪次epoch和當(dāng)前訓(xùn)練輪次e＝0；

9、步驟6：初始化訓(xùn)練量參數(shù)b＝0；

10、步驟7：在mgat模型中對訓(xùn)練集進(jìn)行訓(xùn)練；

11、步驟8：對參數(shù)b進(jìn)行判斷，如果b<2s/3即訓(xùn)練集訓(xùn)練未完成，則輪次b＝b+bitch，否則e＝e+1。

12、步驟9：對訓(xùn)練輪次參數(shù)e進(jìn)行判斷，如果e<epoch即訓(xùn)練輪次未完成，則跳轉(zhuǎn)到步驟6，否則輸出訓(xùn)練好的模型繼續(xù)步驟10；

13、步驟10：利用訓(xùn)練好的模型對測試數(shù)據(jù)進(jìn)行測試；

14、步驟11：輸出測試結(jié)果；

15、步驟12：依據(jù)測試結(jié)果和圖數(shù)據(jù)總的標(biāo)簽在指標(biāo)計(jì)算函數(shù)中計(jì)算評價(jià)指標(biāo)并輸出。

16、作為優(yōu)選，步驟3中，利用dknn方法將樣本集轉(zhuǎn)換為提取時(shí)間特征的新特征數(shù)據(jù)。

17、作為優(yōu)選，步驟4中，根據(jù)scada系統(tǒng)收集斷面的所有原節(jié)點(diǎn)量測數(shù)據(jù)和原線路量測數(shù)據(jù)構(gòu)造具有空間特征的圖結(jié)構(gòu)數(shù)據(jù)，作為輸入圖。

18、作為優(yōu)選，采用多頭圖注意力網(wǎng)絡(luò)模型，對圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行訓(xùn)練并測試，輸出多標(biāo)簽二分類結(jié)果，結(jié)果包括各個量測數(shù)據(jù)的二元分類結(jié)果；其中，0表示該量測點(diǎn)正常，1表示該量測點(diǎn)遭受fdia。

19、本發(fā)明采用基于基于雙重k近鄰多頭圖注意力網(wǎng)絡(luò)(double?k-nearestneighbors?multi-head?graph?attention?networks,dknn-mgat)的fdia檢測定位，能夠在包含風(fēng)電節(jié)點(diǎn)的交流潮流系統(tǒng)上準(zhǔn)確定位fdia。本發(fā)明首先使用dknn方法提取當(dāng)前斷面的電網(wǎng)量測數(shù)據(jù)與歷史量測數(shù)據(jù)中最相似斷面各節(jié)點(diǎn)量測之間的歐氏距離作為與量測數(shù)據(jù)同維的新特征數(shù)據(jù)，用以表征各量測數(shù)據(jù)點(diǎn)在時(shí)間維度的離群特征；然后，將電網(wǎng)拓?fù)渲械墓?jié)點(diǎn)和線路都轉(zhuǎn)換為圖數(shù)據(jù)中的節(jié)點(diǎn)，并根據(jù)量測數(shù)據(jù)之間的電氣聯(lián)系確定圖節(jié)點(diǎn)間的連接關(guān)系，形成圖數(shù)據(jù)結(jié)構(gòu)；之后，將新特征數(shù)據(jù)作為圖節(jié)點(diǎn)特征，并采用多頭注意力機(jī)制動態(tài)分配圖數(shù)據(jù)的邊權(quán)重，從而提取數(shù)據(jù)的深層空間特征；最后，采用全連接層輸出各量測點(diǎn)的多標(biāo)簽二分類結(jié)果，從而精準(zhǔn)定位被攻擊的量測。