基于DeepWalk算法的电力系统错误数据注入网络攻击分类方法

为了准确、有效地识别错误数据注入攻击（FDIA）对电网造成危害的严重程度,提出了基于DeepWalk算法的FDIA分类新方法。根据FDIA的特点,构建电力系统的响应模型;提出批量随机边删减策略,将响应模型生成的攻击数据构造为攻击场景图;采用DeepWalk算法将攻击场景图中的节点映射为低维向量,并将其作为机器学习算法的输入对FDIA进行分类。以遭受FDIA的IEEE 39节点系统为例进行仿真,结果表明所提方法可以根据FDIA对电网造成危害的严重程度准确、有效地对FDIA进行分类。     

融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击（False Data Injection Attack,FDIA）是智能电网安全与稳定运行面临的严重威胁。本文针对FDIA检测中存在有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的虚假数据注入攻击检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充,然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题,最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30 节点系统上的算例分析表明,与其它FDIA检测的算法相比,本文方法增强了 FDIA 检测模型在有标签样本稀少和不平衡数据下的稳定性,提升了FDIA的识别精度并降低误报率。     

基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。     

电力CPS多阶段低代价虚假数据注入攻击方法

随着信息和通信技术的快速发展，电力系统已发展为信息系统和物理系统深度耦合的CPS（信息物理系统），信息流与电力流的不断交互使电网面临着潜在的网络攻击风险。以PMU（相量测量单元）作为攻防目标，提出一种多阶段低代价FDIA（虚假数据注入攻击）方法。首先，构建虚假数据，确定PMU最优配置，优化攻击范围并量化攻击后果；其次，基于双人零和博弈理论求解纳什均衡点，得到博弈模型的最优攻防策略；最后，在IEEE 30节点系统上仿真，基于单阶段博弈结果，在不同攻击场景下实施多阶段低代价攻击。研究结果表明：低代价线路花费的攻击代价明显偏低，并且对电力系统的稳定运行造成了影响，验证了所提多阶段攻击模型的有效性与适用性。     

基于AUKF的分布式电源系统虚假数据攻击检测方法

虚假数据注入攻击(FDIA)是一种典型的网络攻击方式,其通过破坏数据完整性进而误导电力系统状态估计结果,严重危害电网运行安全.随着国家大力发展新能源产业,越来越多的分布式电源注入电力系统,使得电网中大量测量数据具有随机、多变的特性,分布式电源系统中的虚假数据检测难度大大增加.针对这一问题,本文构建了分布式电源系统状态估计模型和FDIA模型,采用了一种基于自适应无迹卡尔曼滤波(AUKF)的检测算法,通过AUKF算法对电网中的状态量进行估计,在此过程中经一致性检验、虚假数据检测并计算相应的阈值,判断系统是否受到攻击.结果表明,当系统中注入攻击强度为[-10,20]dB的虚假数据时,采用该方法均能准确识别虚假数据;当系统中测量值发生突变时,不会被该算法误判为虚假数据注入,避免造成错误的调度选择.     

基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法，但模型的准确度还较低。针对上述问题，提出一种结合无监督的局部离群因子（LOF）算法与有监督的支持向量机（SVM）算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现，构建异常识别模型的输入特征；采用无监督的LOF算法进行采样，筛选出可疑样本交给人工进行标记，然后利用标记样本训练有监督的SVM模型；在之后的检测工作中，直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明，该方法对电力异常用户的识别准确度高，对供电企业的窃电稽查工作具有指导意义。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于改进BP-Bagging算法的光伏电站故障诊断方法

针对基于机器学习算法的光伏电站故障诊断方法存在的样本数据失衡问题,提出一种基于改进BP-Bagging算法的光伏电站故障诊断方法。首先,基于BP神经网络构建光伏数据与光伏故障类型的映射关系,实现光伏故障诊断;然后,基于随机欠采样方法改进Bagging算法,解决样本的类不平衡问题;接着,针对BP网络存在的过拟合问题,提出基于改进BP-Bagging算法的光伏电站故障诊断模型,并行训练多个BP网络,根据投票法得出故障诊断结果;最后,设置不同算法对照实验,计算出关于模型准确率的评价指标,证明所提方法具有较高的综合性能,在一定程度上能够解决光伏电站故障诊断中的样本类不平衡问题,提高光伏电站故障诊断的准确率。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于边缘计算的电网假数据攻击分布式检测方法

虚假数据注入攻击(FDIA)作为新型的电网攻击手段,严重威胁智能电网的安全运行。爆炸式增长的数据给集中式的FDIA检测方法带来了巨大的挑战。基于此,提出了一种基于边缘计算的分布式检测方法。将系统拆分为多个子系统,且在子系统中设置边缘节点检测器进行数据的收集、检测。结合深度学习的方法,构建了CNN-LSTM模型检测器,提取数据特征,并将模型的训练过程放置在中心节点上,实现高效、低时延的FDIA检测。最后在IEEE14节点和IEEE39节点测试系统中,设定不同攻击强度,对所提边缘检测方法进行验证。结果表明,与集中式的检测方法相比,所提边缘检测方法在检测时间和内存消耗两个指标上有明显的下降。     

变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

基于改进长短期记忆网络的需求响应分布式拒绝服务攻击识别方法

为保障需求响应信息正常交互，确保需求响应工作在各地安全开展，设计一种电力需求响应信息交互下改进的长短期记忆网络识别和检测分布式拒绝服务攻击方法，适用于多类别多特征形式下的需求响应交互流量中的分布式拒绝服务攻击检测分类。首先介绍一种需求响应信息交换规范支持下的电力需求响应流量特征的分类遴选机制；其次，为实现识别需求响应交互系统内部双向流量，引入高斯误差线性单元，建立基于改进的长短期记忆网络的分布式拒绝服务攻击检测模型；最后通过选取需求响应下的流量数据集，设置电网不同状态下不同攻击率的方法进行验证，证明该方法对于需求响应信息交互中多类别分布式拒绝服务攻击具有高辨识率，且能对分布式拒绝服务攻击类型进行准确归类。     

基于XGBoost算法的配网台区低压跳闸概率预测

针对配网台区在夏季频繁出现低压跳闸故障的问题,提出基于机器学习的台区低压跳闸预警模型。首先,采用孤立森林和改进的合成少数类过采样技术（synthetic minority oversampling technique-nominal continuous,SMOTE-NC）算法的组合方法进行数据处理,在实现离群值分离的基础上,对包含多种数值类型的故障样本进行过采样,以解决样本不平衡问题。其次,利用优化的数据集训练极端梯度提升算法（extreme gradient boosting,XGBoost）分类器模型,对目标台区的低压跳闸故障概率进行预测。最后,以广州某地区的实测数据对算法的有效性进行验证,结果显示所提模型具有良好的应用效果。     

一种基于特征映射与深度学习的虚假数据注入检测方法

智能电网逐步发展为大型电力信息物理系统,信息与物理系统的交互降低了其抵御虚假数据攻击（false data injection attacks, FDIA）的能力。针对这一问题,研究并提出了一种基于多层递阶融合模糊特征映射方法（multi-layer hierarchical fusion fuzzy feature mapping, MLHFFFM）与条件深度信念网络（deep belief network, DBN）相结合的智能电网虚假数据注入检测方法。首先,对FDIA原理进行分析,基于MLHFFFM结合主成分分析法对智能电网负荷数据进行聚类,选取日负荷与预测日类似的近似日;然后,提出利用条件深度信念神经网络对近似日智能电网负荷进行分析,通过选取不同参数对日负荷特征进行动态捕捉从而检测FDIA;最后,结合某省实际负荷以IEEE33节点系统为例进行分析。案例分析结果表明,所提模型相比于其他模型,在不同攻击强度下准确率均保持在95%以上,错报率在5%以下,能够有效检测出虚假数据的注入。     

基于RB-XGBoost算法的智能电网调度控制系统健康度评价模型

针对智能电网调度控制系统(D5000系统)健康度评价,基于专家经验的传统评价方法存在主观性较大的问题,机器学习多分类方法是提高评价客观性的一种有效手段,但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低,为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先,针对系统各评价等级样本数目严重不平衡的问题,提出一种自适应随机平衡(RB)的混合采样方法,分别以等级间样本数目的最大值、最小值作为采样区间的上、下限,生成多个随机数对各等级样本数据进行欠采样或过采样,增加训练数据的多样性并降低其不平衡程度;然后,训练平衡后的样本数据,建立极端梯度提升(XGBoost)算法子模型,考虑到各子模型重要度的一致性,提出采用硬投票方式集成所有子模型,得到与D5000系统各子模块对应的评价模型;最后,根据该系统指标层级关系,在评价过程中采用并、串行结合的计算方式,构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明,与现有同类典型方法相比,所提方法的平均分类准确率最高提升了6.79%,平均提升了2.03%;某网省级D5000系统的实时采集数据验证了所提方法的有效性。     

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。     

辐射源个体识别中的对抗攻击研究

基于深度学习的辐射源个体识别研究主要关注识别精度的提升，往往忽视了识别过程中对抗样本的威胁。针对上述问题，本文在增加辐射源个体类别并提升模型识别精度的同时分析研究了对抗样本对高识别率深度学习识别网络产生的影响。首先获取小样本ADS B信号，通过数据随机切片进行数据增强；再对原有网络进行微调并加入卷积注意力模块提高模型对辐射源个体信号的识别率；最后使用4种攻击算法生成对抗样本并在辐射源个体识别网络上进行测试。除此之外，还将攻击前后的信号样本转化为图片进行可视化比较，以在攻击成功率和攻击隐蔽性之间权衡。实验结果表明，优化后的高识别率模型也容易受到对抗样本的攻击，基于动量的迭代攻击效果最好，相比于快速梯度下降的攻击方法的攻击效果高出10%。     

基于多分类融合模型的智能电能表故障预测北大核心

由于智能电能表功能的丰富多样,随之而来的是设备故障类型及故障率的不断增加,如何准确地判断智能电能表的故障类型,提高故障表的检修效率,对保障智能电能表的安全稳定运行十分重要。文中提出一种基于多分类融合模型的智能电能表故障预测算法。针对智能电能表故障进行多维度分析及故障类型筛选;通过欠采样和过采样相结合的混合采样方式解决数据集中类不平衡问题,构建分类预测模型所需数据;利用基础分类算法的组合获取最优融合算法,在公共数据集上验证了所提算法的有效性,融合后的准确率较基础分类模型有稳定提升,以近年来电网系统中实时采集的智能电能表故障数据为基础,进行了基础模型与融合后算法模型的实验对比,结果表明文中所提的多分类融合算法模型在故障预测的准确率和可靠性上有明显的提升。     

基于改进LightGBM的电力系统暂态稳定评估方法

实际获得的电力系统运行数据,普遍存在由广域测量系统(WAMS)测量误差造成的噪声,并且具备类别不平衡的特点,导致基于机器学习的电力系统暂态稳定评估算法的分类性能受到很大的影响。提出了一种基于改进轻梯度提升机(modified light gradient boosting machine)模型的暂态稳定评估方法,采用直方图算法对数据进行离散化,增强模型对噪声的鲁棒性;在训练中对失稳样本赋予更高的权重,平衡样本数量差异造成的影响;并在损失函数中引入正则项来控制模型复杂度,减少过拟合,从而适应电力系统多样的运行情况。在新英格兰10机39节点系统和美国南卡罗莱纳州500节点实际电网上的仿真结果表明,与其他机器学习方法相比,所提方法在噪声干扰下不容易过拟合,具有更好的鲁棒性;在保持较高总体评估准确率的同时,对失稳样本具有更高的识别率;与其他集成学习模型相比,所提方法在速度上也具有明显优势。     

基于扩展卡尔曼滤波的智能电网虚假数据检测

虚假数据注入攻击（FDIA）是一种以破坏电力数据完整性与可用性为目的的隐蔽攻击,特点是由攻击者精心设计的攻击向量可以绕过电力系统常规数据检测,因此其检测方法对电力系统的稳定运行具有重要意义。提出了一种基于残差的方法来检测系统是否遭受攻击,保留了系统原有的加权最小二乘估计（WLS）,引入了一个额外的扩展卡尔曼滤波（EKF）。由于扩展卡尔曼滤波器的递归特点,在达到新的稳定值前会有一个较长的过程,利用这个过程中两估计器的残差超越所给定的阈值来判断系统是否遭受攻击。在IEEE14节点的仿真证明了检测方法对FDIA的有效性。