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。     

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。     

基于双马尔科夫链的新型能源互联网虚假数据注入攻击检测

新型能源互联网中各环节信息的高度融合和开放削弱了其防御外界攻击的能力.针对具有隐蔽性特征的虚假数据注入攻击(FDIA),提出了适用于新型能源互联网的基于双马尔科夫链的FDIA检测方法.考虑到新型能源互联网的FDIA原理、特征以及新型能源互联网包含大量的测量数据和多变的运行状态,将待检测的数据映射到2个不同的状态空间,并生成2个不同的马尔科夫链模型;根据该模型估计所得的能源互联网运行状态的精确度,生成FDIA的检测器.通过实验案例验证所提检测方法的正确性和有效性.实验结果表明:所提FDIA检测方法具有优秀的检测概率和较少的检测计算量,检测概率可达98.60％,虚警概率仅为1.35％,计算量相比于支持向量机方法降低了1个数量级,能满足新型能源互联网的应用要求.     

基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解释性,导致检测结果缺乏可信度。针对上述问题,提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先,考虑电网拓扑连接关系与量测数据的空间相关性,引入空间拓扑感知注意力机制,建立多头图注意力网络(MGAT)提取量测数据的空间特征;接着,利用时间卷积网络(TCN)并行提取量测数据的时序特征;最后,在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明,所提模型相比于现有检测模型具有更高的检测准确率和效率,且通过拓扑热力图对注意力权值可视化,实现了模型在空间维度的可解释性。     

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。     

基于DKPCA的电力信息系统虚假数据注入攻击检测方法

电力信息系统的虚假数据注入攻击(FDIA)通过恶意篡改对应物理系统的状态数据,影响电网的正常运行。本文提出一种基于动态核主元分析(DKPCA)的虚假数据注入攻击检测方法,目的是解决电力信息系统中FDIA事件的时间相关性(动态性)问题,以及非线性变量难以分离问题。该方法通过构建动态增广矩阵解决了变量间的动态自相关性,利用核矩阵将非线性变量映射到高维空间转化为线性变量,引入主元分析建立DKPCA模型求得统计量的控制限,实时检测数据判断是否有故障发生。通过在IEEE-30节点系统上进行实验仿真,与KPCA、PCA、NPE、TNPE等检测方法比较,结果显示DKPCA模型检测率高达100%,同时保持较低的误报率0.2%。证明了所提方法可以实时检测电力信息系统中的攻击数据,有效避免故障漏报,确保电力信息系统数据安全。     

基于过采样和级联机器学习的电网虚假数据注入攻击识别

虚假数据注入攻击(FDIA)因其高隐蔽性和破坏性，对电网的安全稳定运行构成严重威胁。攻击样本与正常样本的不平衡特性会影响模型的攻击检测精度，同时多类型FDIA的出现使得现有算法在识别攻击种类上具有局限性。针对上述问题，文中提出基于过采样和级联机器学习的电网多类型FDIA识别方法。首先，探究了电网耦合交互过程中的FDIA攻击路径，分析了多类型攻击行为；然后，通过聚类、过滤和线性插值过程生成攻击伪样本，设计基于K均值合成少数类过采样技术(K-means-Smote)的量测数据平衡算法；最后，结合细粒度特征扫描和多个分类器的集成学习策略，构建基于改进级联机器学习的多类型FDIA识别模型。仿真实验表明，所提识别方法可有效辨识多种FDIA类型，且辨识精度高、误报率较低、性能稳定，在小样本下性能仍然出色。     

基于混合黑猩猩优化极限学习机的电力信息物理系统虚假数据注入攻击定位检测

针对已有检测方法无法对虚假数据注入攻击(false data injection attack, FDIA)进行精确定位的问题,提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine, ELM)的电力信息物理系统FDIA的定位检测方法。首先,使用ELM作为分类器,用于提取电力数据特征并检测系统各节点的异常状态。然后,采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略,用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法,实现对FDIA的精准定位,有利于后续防御措施的实施。最后,在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明,所提方法具有更佳的准确率、查准率、查全率和F1值,对FDIA能够进行更为精准的定位检测。     

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。     

基于深度强化学习的多阶段信息物理协同拓扑攻击方法

随着智能电网的发展及通信设备不断引入到信息物理系统(cyber physical system,CPS)中,CPS正面临一种破坏性更强的新型攻击方式——信息物理协同攻击(coordinated cyber physical attack,CCPA),其隐蔽性与威胁性易导致系统出现级联故障。首先,基于攻击者的视角,提出一种多阶段信息物理协同拓扑攻击模型,单阶段的物理攻击使线路中断,双阶段的网络攻击分别用来掩盖物理攻击的断开线路和制造一条新的虚假断开线路。其次,结合深度强化学习(deep reinforcement learning,DRL)理论,提出一种基于深度Q网络(deep Q-network,DQN)的最小攻击资源确定方法。然后,给出攻击者考虑上层最大化物理攻击效果和下层最小化攻击代价的具体模型及求解方法。最后,以IEEE 30节点系统为例,验证了所提多阶段攻击模型的有效性。仿真结果表明,多阶段信息物理协同拓扑攻击较单一攻击更加隐蔽且有效,对电网的破坏程度更大,为防御此类攻击提供了参考。     

配电网快速网络拓扑分析算法

缩小搜索范围是提高拓扑速度的关键,输电网可采用厂站内搜索法来缩小搜索范围,配电网则不适合。给数据排序是缩小搜索范围的有效措施,但排序比较费时。为此,提出了把全局拓扑分成静态拓扑和动态拓扑的想法。静态拓扑仅处理排序工作,可预先计算;每次全局拓扑只运行动态拓扑,由于数据已经排序,计算速度很快。同时提出了使用节点支路关联数据形成岛的方法,由于此数据可以在静态拓扑中处理,因而进一步提高了配电网网络拓扑的计算速度。实际算例验证了所提出的算法的有效性。     

配电主站馈线拓扑模型校核方法研究

智能分布式馈线自动化(feeder automation, FA)与主站集中式FA协同控制能够实现故障的最优处理。在协同控制下,馈线侧拓扑来源于配电终端的自动识别,主站侧拓扑由地理信息系统(geographic information system, GIS)或生产管理系统(production management, system, PMS)通过增量导入,存在连通混乱,与实际的拓扑运行方式不一致等问题。为实现基于智能分布式FA与主站后备的故障隔离和非故障区域恢复供电技术,促使拓扑模型统一,提出了在静态拓扑或者拓扑运行方式发生变化的情况下,由主控智能配电终端启动拓扑查询功能并生成馈线拓扑文件。进而将该模型文件上传至配电自动化主站,对主站侧的静态拓扑模型和动态拓扑模型进行校核,实现了对主站侧拓扑模型的纠正。同时通过实验验证了该校核方案的可行性,完全满足配电网的要求。     

电力电子变换器主电路拓扑辨识型

针对电力电子主电路拓扑辨识这一目标，提出了两种辨识方法。首先，利用开关支路电流变量为零或非零的信息可确定开关通断状态这一基本原理，通过检测一组拓扑线性无关的开关支路电流变量，可以实现电力电子电路的拓扑辨识。另一方面，基于电路的拓扑向量在不同电路拓扑中变化规律各不相同的基本事实，通过对最简拓扑向量的选取、验算及监测，可依据较少的检测量而实现电力电子电路的拓扑辨识。这两种方×法分别适用于复杂或简单的电力电子电路。     

电力电子电路拓扑向量的寻求

电力电子电路的拓扑向量可用来实现电路的拓扑辨识和故障诊断。为了减少监测变量的多样性,该文分别从单独监测电流变量或电压变量的角度来求取电力电子电路的拓扑向量。在电路中同流拓扑子集为空集的前提下,可以利用回路电流法来估计电路的电流特征矩阵,从而实现电流拓扑向量的求取;在电路中同压拓扑子集为空集的前提下,可以利用节点电压法来估计电路的电压特征矩阵,从而实现电压拓扑向量的求取。这些方法为电力电子电路拓扑辨识和故障诊断提供了理论基础。     

基于AMI数据的城市低压配电网拓扑校验方法研究

高级测量体系（AMI）用户量测数据的深度挖掘是当前研究热点,本文聚焦于应用AMI数据解决城市低压配电网拓扑校验的运行难题。首先分析了我国城市低压配电网的典型拓扑结构,指出低压配网拓扑中的户变和相变的内涵。然后建立了低压配电网的拓扑分析模型,包括等值电路模型和数学模型,并研究了基于多元线性回归的数学模型优化求解方法。结合电网的业务运行框架,构建电网运行中低压配电网拓扑校验框架,并针对性地详细给出了户变关系和相变关系校验流程方法。最后以合肥3个典型小区为例,进行了详细的拓扑校验分析并给出户变和相变的校验判断结果,算例表明户变校验准确率达100%,而相变校验准确率达95%。     

考虑多种运行状态的台区拓扑辨识

由于供电可靠性的要求提高以及电力用户的增加,导致配电网的规模和复杂程度不断加大,增大了配电网拓扑的难度与时间。因此,为了加快拓扑的速度,提出一种改进矩阵算法,将拓扑分为全局拓扑、局部拓扑,并对两种拓扑分别进行改进。针对全局拓扑,对邻接矩阵使用节点消去法,对连通矩阵使用行扫描法,对关联矩阵使用两次节点消去法,形成局部拓扑关联矩阵;全局拓扑后,针对变位断路器,进行局部拓扑。首先,根据遥信变化,获知网络中哪些断路器发生变位;再根据局部拓扑关联矩阵,得到变位断路器与局部网络节点的连接情况;最后,根据这些信息对连通矩阵进行局部修改并进行矩阵的行扫描、母线分析和电气岛分析,就可以得到网络的局部拓扑,进而反映网络的全局拓扑。该方法的可靠性高,适用范围广,并且可以充分提高拓扑计算的效率。     

电压调节模块的现状与发展

由于计算机和通信技术的发展,微处理器的工作电压越来越低,容量成倍增加,负载调整率也不断提高,这就促使电压调节模块的设计要不断出新。电压调节模块(VRM)主要分为非隔离型和隔离型两类,本文介绍了两种类型电压调节模块主要的拓扑结构,分析了电路的特点以及电路本身的优缺点,并简单介绍了电压调节模块的发展趋势。     

无源软开关变换器的最简拓扑技术

提出一种称为软缓冲的有最简拓扑的无源无损软开关技术，这是用两个无源无损元件取代传统有损Lr+RDC缓冲器中大功率电阻的新技术。分析了其电路拓扑与工作原理并导出能构成最简拓扑的充要条件。这是一种用自举电压方式提高电容器电势，实现无环流下的电容器电能的一次复位馈能的新方法。对此电路进行的仿真研究与实验测试结果都表明该技术对非隔离型变换器有应用价值。     

智能配电网分布式拓扑识别与应用方法

为实现配电网中的分布式保护与控制,提出了一种基于智能终端单元(Smart Terminal Unit, STU)的分布式拓扑识别与应用方法。对于每个STU,在该方法中仅需为其配置与之关联的静态网络拓扑信息。在一定的拓扑识别规则下,通过与其他智能终端交换信息,各智能终端可以确定馈线支路集的边界终端以及边界终端之间的连接关系,形成动态网络拓扑信息,从而实现拓扑信息的识别与存储。以配电网故障自愈、分布式电源孤岛检测功能为例,介绍了在拓扑信息分布式存储情况下的拓扑应用方法。     

第四类LLC谐振变流器模块功能准同构拓扑探求及变形研究

针对现有第4类LLC谐振型DC-DC变流器拓扑种类繁多,研究芜杂的现状,该文在总结第4类LLC谐振型变流器基本特性及分析方法的基础上,从模块电路功能辨识的角度出发,将该类变流器拓扑重新统一构建在一个由若干基本功能电路模块组成的宏模型内,并探求归纳其所有基于此宏模型的功能电路模块准同构拓扑形式。这些拓扑形式保留了第4类LLC谐振型DC-DC变流器的特征和优点,可根据输入输出及磁隔离要求而分类,并具有各自适用的应用场合,是电力电子系统集成优选拓扑类。进而,这些拓扑可柔性改造成诸多变形形式,从而适用于一些特殊应用,例如高压输入及高效率多路输出场合。最后,用一个适用于不间断电源(uninterruptible power supply,UPS)系统后备模式直直转换的样机验证第4类LLC谐振型DC-DC变流器准同构拓扑及变形形式的多样性和在工业应用中的有效性。