專利名稱：基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能電網(wǎng)數(shù)據(jù)安全領(lǐng)域，特別涉及一種針對智能電網(wǎng)不良數(shù)據(jù)注入的檢測以及定位方法。
背景技術(shù)：
智能電網(wǎng)利用信息網(wǎng)絡(luò)技術(shù)對電力網(wǎng)絡(luò)中發(fā)電、配電和耗電設(shè)備進(jìn)行實(shí)時監(jiān)測和優(yōu)化控制，實(shí)現(xiàn)節(jié)能、減排等目標(biāo)?？刂浦行耐ㄟ^采集終端以及傳輸線的電表量測數(shù)據(jù)，估計(jì)當(dāng)前電網(wǎng)的運(yùn)行狀態(tài)，并進(jìn)行相應(yīng)的調(diào)度決策。如何保證及時發(fā)現(xiàn)智能電表量測值的錯誤，防止黑客的惡意數(shù)據(jù)注入，是智能電網(wǎng)穩(wěn)定運(yùn)行的基礎(chǔ)。目前，電力系統(tǒng)中已提供了較為成熟的不良數(shù)據(jù)檢測數(shù)據(jù)技術(shù)，但是針對智能電網(wǎng)的特殊性質(zhì)，其存在的嚴(yán)重隱患主要在于(I)智能電網(wǎng)的廣泛使用，導(dǎo)致第三方可以獲取智能電網(wǎng)終端裝置，了解智能電網(wǎng)的物理拓?fù)洳季忠约熬€路參數(shù)，并針對特定的網(wǎng)絡(luò)精心設(shè)計(jì)不良數(shù)據(jù)注入攻擊以避開傳統(tǒng)的電力系統(tǒng)不良數(shù)據(jù)檢測技術(shù)，最終實(shí)現(xiàn)入侵者在經(jīng)濟(jì)、政治上的利益攫??；(2)智能電網(wǎng)通信節(jié)點(diǎn)數(shù)量巨大、工作環(huán)境復(fù)雜，傳統(tǒng)不良數(shù)據(jù)檢測技術(shù)針對大型網(wǎng)絡(luò)檢測需要消耗大量的計(jì)算時間，這對上級控制中心的運(yùn)算能力以及存儲空間均提出了較高的要求。現(xiàn)有研究中，從理論上已經(jīng)針對智能電網(wǎng)的直流傳輸模型提出了部分解決方案，但是，針對實(shí)際中復(fù)雜的交流傳輸問題，還沒有一種有效的方法可以從本質(zhì)上解決上述問題。因此，從智能電網(wǎng)實(shí)際安全要求出發(fā)，需要找到一種具有較高靈敏度以及較快運(yùn)行速度的不良數(shù)據(jù)注入檢測技術(shù)。

發(fā)明內(nèi)容
本發(fā)明的主要目的在于提供一種基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法，其根據(jù)已有的智能電網(wǎng)物理結(jié)構(gòu)參數(shù)生成相應(yīng)的圖模型；利用聚類算法將圖模型分為若干子圖，每個子圖均對應(yīng)于智能電網(wǎng)中的子系統(tǒng)；對每個子系統(tǒng)進(jìn)行不良數(shù)據(jù)檢測，并針對檢測結(jié)果更新圖模型，執(zhí)行新的分區(qū)與檢測，以此將不良數(shù)據(jù)注入定位于較小的區(qū)間內(nèi)。本發(fā)明的目的通過以下技術(shù)方案實(shí)現(xiàn)基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法，包括如下步驟I)、根據(jù)給定的智能電網(wǎng)，構(gòu)造相應(yīng)的圖模型；2)、根據(jù)構(gòu)造的圖模型，通過分區(qū)/聚類算法對圖模型分區(qū)，將圖模型劃分為若干子圖，每個子圖對應(yīng)于智能電網(wǎng)中一個的子系統(tǒng)；3)、根據(jù)子系統(tǒng)分區(qū)結(jié)果，對每個子系統(tǒng)進(jìn)行不良數(shù)據(jù)檢測；4)、根據(jù)不良數(shù)據(jù)檢測結(jié)果，當(dāng)所檢測的每個子系統(tǒng)內(nèi)均無不良數(shù)據(jù)，或者具有不良數(shù)據(jù)的子系統(tǒng)的結(jié)點(diǎn)數(shù)均小于或等于4，則滿足檢測終止條件，結(jié)束檢測；
5)、當(dāng)不滿足檢測終止條件，則更新圖模型，并執(zhí)行步驟2)-步驟4)直到滿足檢測終止條件。本發(fā)明的進(jìn)一步改進(jìn)在于，所述步驟I)中建立圖模型的方法為:首先根據(jù)給定的智能電網(wǎng)的物理參數(shù)以及拓?fù)浣Y(jié)構(gòu)，選取發(fā)電機(jī)或者負(fù)載結(jié)點(diǎn)作為圖的頂點(diǎn)；當(dāng)兩個結(jié)點(diǎn)直接通過物理輸電線路相連，則對應(yīng)的頂點(diǎn)之間有直接相連的邊；所述給定的智能電網(wǎng)中含有η個發(fā)電/負(fù)載結(jié)點(diǎn)，m條傳輸線路，η和m均為正整數(shù)；構(gòu)建的圖模型G= {V，A};其中，V= (V1, V2,...VJ為圖的頂點(diǎn)，對應(yīng)于電網(wǎng)中的發(fā)電/負(fù)載結(jié)點(diǎn)；A={aij}i，j=l，2，".，η為圖的權(quán)重矩陣，當(dāng)au=0代表頂點(diǎn)之間沒有傳輸線路直接相連；選取傳輸線路的阻抗值、網(wǎng)絡(luò)連通狀況或者是線路上的實(shí)際功率潮流作為圖模型中邊的權(quán)重。本發(fā)明的進(jìn)一步改進(jìn)在于，步驟2)的分區(qū)過程中，頂點(diǎn)之間的距離以步驟I)中所設(shè)定的邊的權(quán)重為準(zhǔn)，并采用基于圖模型的L-bounded分區(qū)算法、K均值算法或K中心算法，對步驟I)中所建立的圖模型進(jìn)行分區(qū)，得到若干個連通子圖；每個子圖對應(yīng)于智能電網(wǎng)中的一個物理子系統(tǒng)。本發(fā)明的進(jìn)一步改進(jìn)在于，步驟3)的不良數(shù)據(jù)檢測的過程為:在每個子系統(tǒng)內(nèi)，根據(jù)現(xiàn)有的量測值，先進(jìn)行一次狀態(tài)估計(jì)得到子系統(tǒng)內(nèi)每個結(jié)點(diǎn)當(dāng)前的運(yùn)行狀態(tài)，再采用卡方檢測或者是標(biāo)準(zhǔn)化殘差檢測，對每個子系統(tǒng)進(jìn)行不良數(shù)據(jù)檢測；所述現(xiàn)有的量測值包括線路有功功率，線路無功功率，電力結(jié)點(diǎn)的運(yùn)行電壓幅值，電力結(jié)點(diǎn)的運(yùn)行電壓相角和結(jié)點(diǎn)的注入功率中一種或多種。本發(fā)明的進(jìn)一步改進(jìn)在于，步驟4)根據(jù)步驟3)中的不良數(shù)據(jù)檢測結(jié)果，進(jìn)行下一個步驟的選擇:如果在每個子系統(tǒng)均沒有不良數(shù)據(jù)，或者不良數(shù)據(jù)均已被定位在結(jié)點(diǎn)數(shù)小于或等于4的子系統(tǒng)范圍內(nèi)，則檢測過程結(jié)束；否則，針對步驟I)建立的原有圖模型進(jìn)行更新后，重復(fù)步驟2)-步驟4)直到滿足檢測結(jié)束的條件。本發(fā)明的進(jìn)一步改進(jìn)在于，原有圖模型的更新過程為:a、當(dāng)不良數(shù)據(jù)被定位在某個結(jié)點(diǎn)數(shù)大于4的子系統(tǒng)中，選取該子系統(tǒng)中的結(jié)點(diǎn)以及與該子系統(tǒng)直接相連的結(jié)點(diǎn)作為新的圖模型所包含的結(jié)點(diǎn)，建立新的圖模型；或者，b、將步驟2)所得到的分區(qū)中用于連接子系統(tǒng)的邊的結(jié)點(diǎn)相融合得到新的圖模型。本發(fā)明的進(jìn)一步改進(jìn)在于，步驟2)中分區(qū)所得每個子系統(tǒng)內(nèi)有足夠的量測量冗余度用于實(shí)現(xiàn)狀態(tài)估計(jì)。本發(fā)明的進(jìn)一步改進(jìn)在于，步驟3)中現(xiàn)有的量測值為傳輸線路上的有功功率和無功功率；系統(tǒng)結(jié)點(diǎn)的狀態(tài)估計(jì)值為結(jié)點(diǎn)運(yùn)行電壓的幅值和相角。相對于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果:(I)通過建立圖模型對電力系統(tǒng)進(jìn)行自適應(yīng)分區(qū)，在每個子系統(tǒng)內(nèi)進(jìn)行不良數(shù)據(jù)檢測，降低了每個子系統(tǒng)的量測量冗余度，提高了不良數(shù)據(jù)的檢測靈敏度；并通過多次分區(qū)縮小了不良注入數(shù)據(jù)所在的范圍初步實(shí)現(xiàn)了不良數(shù)據(jù)的定位；(2)算法復(fù)雜度低:相比于傳統(tǒng)不良數(shù)據(jù)檢測技術(shù)基于全局系統(tǒng)的狀態(tài)估計(jì)，本發(fā)明對每個子系統(tǒng)分別作基于狀態(tài)估計(jì)的不良數(shù)據(jù)檢測，使得運(yùn)算時間大幅降低；并且在不良注入數(shù)據(jù)的定位過程中，進(jìn)一步降低運(yùn)算時間；(3)具有較好的普適性:本發(fā)明針對實(shí)際的交直流傳輸系統(tǒng)均可以進(jìn)行不良數(shù)據(jù)檢測。


:圖1為本發(fā)明基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法框圖。
具體實(shí)施方式
:請參閱圖1所示，本發(fā)明一種基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法框圖，包括以下步驟:1)給定一個含有η個發(fā)電/負(fù)載結(jié)點(diǎn)，m條傳輸線路的智能電網(wǎng)，構(gòu)建圖模型G= {V, A}印和^勾為正整數(shù)讀中^=^^，..^}為圖的頂點(diǎn)，對應(yīng)于電網(wǎng)中的發(fā)電/負(fù)載結(jié)點(diǎn)；A={au} i，j = I, 2，…，η為圖的權(quán)重矩陣，當(dāng)au=0代表頂點(diǎn)之間沒有傳輸線路直接相連；選取電網(wǎng)中的物理參數(shù)，如傳輸線路的阻抗值(建議)、網(wǎng)絡(luò)連通狀況或者是線路上的實(shí)際功率潮流作為權(quán)重矩陣中非零元素的值。由此，根據(jù)智能電網(wǎng)建立了相應(yīng)的圖模型。2)根據(jù)步驟I)中建立的圖模型，選取基于圖模型的分區(qū)/聚類算法，如L-bounded分區(qū)算法(建議)、K均值算法或K中心算法，將圖模型G劃分為N個子圖{Gji = 1,2, -,N,N為正整數(shù)，每個子圖Gi均含有Iii個頂點(diǎn)以及Hii條邊；子圖Gi和子圖Gj之間有連接線ITijI。每個子圖均對應(yīng)于電網(wǎng)中的一個物理子系統(tǒng)，子系統(tǒng)有足夠的量測值冗余度用于狀態(tài)估計(jì)；對于不滿足冗余度要求的分區(qū)結(jié)果，加以相應(yīng)的調(diào)整。3)根據(jù)已有的電力參數(shù)量測值，(可選的參數(shù)包含:線路有功功率，線路無功功率，電力結(jié)點(diǎn)的運(yùn)行電壓幅值、相角，結(jié)點(diǎn)的注入功率)對每個子系統(tǒng)進(jìn)行狀態(tài)估計(jì)，估計(jì)子系統(tǒng)內(nèi)結(jié)點(diǎn)的運(yùn)行狀態(tài)，結(jié)點(diǎn)狀態(tài)值為結(jié)點(diǎn)的電壓幅值與相角。并采用不良數(shù)據(jù)檢測技術(shù)，如卡方檢驗(yàn)或者標(biāo)準(zhǔn)化殘差檢驗(yàn)，檢測每個子系統(tǒng)中的量測值是否含有不良數(shù)據(jù)。4 )根據(jù)步驟3 )中的檢測結(jié)果，如果每個子系統(tǒng)內(nèi)均沒有不良數(shù)據(jù)，或者不良數(shù)據(jù)已經(jīng)被定位在一個較小的范圍內(nèi)(即具有不良數(shù)據(jù)的子系統(tǒng)的結(jié)點(diǎn)數(shù)小于或等于4)，則檢測過程終止；否則，更新已有的圖模型。5)圖模型的更新過程主要基于步驟3)中的檢測結(jié)果，建立新的圖模型，可選的策略有:a.當(dāng)不良數(shù)據(jù)被定位在某個結(jié)點(diǎn)數(shù)大于4的子系SGi中，則取與該子系統(tǒng)相連的連接線ITijI以及連接線上的頂點(diǎn)并入子圖Gi中得到新子系統(tǒng)Gmw，并以此新的子系統(tǒng)作為新的圖模型；b.選取步驟2)分區(qū)結(jié)果中的所有連接線{Tu}，將其兩端頂點(diǎn)Vi和'融合作為新的頂點(diǎn)new,更新原圖模型G得到新的圖模型。對于新建立的圖模型，重復(fù)步驟2)-步驟4)直到滿足檢測終止條件。由此，完成了一次 基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測過程。
權(quán)利要求
1.基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法，其特征在于，包括如下步驟: 1)、根據(jù)給定的智能電網(wǎng)，構(gòu)造相應(yīng)的圖模型； 2)、根據(jù)構(gòu)造的圖模型，通過分區(qū)/聚類算法對圖模型分區(qū)，將圖模型劃分為若干子圖，每個子圖對應(yīng)于智能電網(wǎng)中一個的子系統(tǒng)； 3)、根據(jù)子系統(tǒng)分區(qū)結(jié)果，對每個子系統(tǒng)進(jìn)行不良數(shù)據(jù)檢測； 4)、根據(jù)不良數(shù)據(jù)檢測結(jié)果:當(dāng)所檢測的每個子系統(tǒng)內(nèi)均無不良數(shù)據(jù)，或者具有不良數(shù)據(jù)的子系統(tǒng)的結(jié)點(diǎn)數(shù)均小于或等于4，則滿足檢測終止條件，結(jié)束檢測； 5)、當(dāng)不滿足檢測終止條件，則更新圖模型，并執(zhí)行步驟2)-步驟4)直到滿足檢測終止條件。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟I)中建立圖模型的方法為: 首先根據(jù)給定的智能電網(wǎng)的物理參數(shù)以及拓?fù)浣Y(jié)構(gòu)，選取發(fā)電機(jī)或者負(fù)載結(jié)點(diǎn)作為圖的頂點(diǎn)；當(dāng)兩個結(jié)點(diǎn)直接通過物理輸電線路相連，則對應(yīng)的頂點(diǎn)之間有直接相連的邊；所述給定的智能電網(wǎng)中含有η個發(fā)電/負(fù)載結(jié)點(diǎn)，m條傳輸線路，η和m均為正整數(shù)；構(gòu)建圖模型G= {V, A};其中，V= (V1, N2,...VJ為圖的頂點(diǎn)，對應(yīng)于電網(wǎng)中的發(fā)電/負(fù)載結(jié)點(diǎn)'A= (BijIi，j = 1，2，…，η為圖的權(quán)重矩陣，當(dāng)au=0代表頂點(diǎn)之間沒有傳輸線路直接相連；選取傳輸線路的阻抗值、網(wǎng)絡(luò)連通狀況或者是線路上的實(shí)際功率潮流作為圖模型中邊的權(quán)重。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟2)的分區(qū)過程中，頂點(diǎn)之間的距離以步驟I)中所設(shè)定的邊的權(quán)重為準(zhǔn)，并采用基于圖模型的L-bounded分區(qū)算法、K均值算法或K中心算法，對步驟I)中所建立的圖模型進(jìn)行分區(qū)，得到若干個連通子圖；每個子圖對應(yīng)于智能電網(wǎng)中的一個物理子系統(tǒng)。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3)的不良數(shù)據(jù)檢測的過程為:在每個子系統(tǒng)內(nèi)，根據(jù)現(xiàn)有的量測值，先進(jìn)行一次狀態(tài)估計(jì)得到子系統(tǒng)內(nèi)每個結(jié)點(diǎn)當(dāng)前的運(yùn)行狀態(tài)，再采用卡方檢測或者是標(biāo)準(zhǔn)化殘差檢測，對每個子系統(tǒng)進(jìn)行不良數(shù)據(jù)檢測；所述現(xiàn)有的量測值包括線路有功功率，線路無功功率，電力結(jié)點(diǎn)的運(yùn)行電壓幅值，電力結(jié)點(diǎn)的運(yùn)行電壓相角和結(jié)點(diǎn)的注入功率中一種或多種。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟4)根據(jù)步驟3)中的不良數(shù)據(jù)檢測結(jié)果，進(jìn)行下一個步驟的選擇:如果在每個子系統(tǒng)均沒有不良數(shù)據(jù)，或者不良數(shù)據(jù)均已被定位在結(jié)點(diǎn)數(shù)小于或等于4的子系統(tǒng)范圍內(nèi)，則檢測過程結(jié)束；否則，針對步驟I)建立的原有圖模型進(jìn)行更新后，重復(fù)步驟2)-步驟4)直到滿足檢測結(jié)束的條件。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，原有圖模型的更新過程為:a、當(dāng)不良數(shù)據(jù)被定位在某個結(jié)點(diǎn)數(shù)大于4的子系統(tǒng)中，選取該子系統(tǒng)中的結(jié)點(diǎn)以及與該子系統(tǒng)直接相連的結(jié)點(diǎn)作為新的圖模型所包含的結(jié)點(diǎn)，建立新的圖模型；或者，b、將步驟2)所得到的分區(qū)中用于連接子系統(tǒng)的邊的結(jié)點(diǎn)相融合得到新的圖模型。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟2)中分區(qū)所得每個子系統(tǒng)內(nèi)有足夠的量測量冗余度用于實(shí)現(xiàn)狀態(tài) 估計(jì)。
8.根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟3)中現(xiàn)有的量測值為傳輸線路上的有功功率和無功功率；系統(tǒng)結(jié)點(diǎn)的狀態(tài)估計(jì)值為結(jié)點(diǎn)運(yùn)行電壓的幅值和相角。
全文摘要
本發(fā)明公開了一種基于自適應(yīng)分區(qū)狀態(tài)估計(jì)的智能電網(wǎng)不良數(shù)據(jù)檢測方法根據(jù)已有的智能電網(wǎng)物理結(jié)構(gòu)參數(shù)生成相應(yīng)的圖模型；利用聚類算法將圖模型分為若干子圖，每個子圖均對應(yīng)于智能電網(wǎng)中的一個子系統(tǒng)；對于每個子系統(tǒng)進(jìn)行不良數(shù)據(jù)檢測，并根據(jù)檢測結(jié)果更新圖模型，執(zhí)行新的分區(qū)與檢測，以此將不良數(shù)據(jù)定位于較小的區(qū)間內(nèi)。本發(fā)明可用于檢測針對智能電網(wǎng)設(shè)計(jì)的不良數(shù)據(jù)注入攻擊，利用分區(qū)技術(shù)，提高了不良數(shù)據(jù)檢測精度，并降低了檢測的時間復(fù)雜度；同時，通過多次分區(qū)的策略，在有效時間內(nèi)將不良數(shù)據(jù)定位于較小的范圍內(nèi)。
文檔編號G06F19/00GK103077325SQ20131003639
公開日2013年5月1日 申請日期2013年1月30日 優(yōu)先權(quán)日2013年1月30日
發(fā)明者劉烴, 王岱, 顧運(yùn), 桂宇虹, 管曉宏 申請人:西安交通大學(xué)