虚假数据攻击下电力系统安全检测技术研究

发布时间：2021-08-25 05:29

　　精准的状态估计是智能电网广域态势感知的关键。电力运营者通过对系统状态的实时估计分析,向智能电网各个核心组成部分下发最优决策,保证智能电网运行的安全性、稳定性、经济性。然而,研究发现电力系统状态估计正受到虚假数据注入攻击（False Data Injection Attack,FDIA）的威胁。这种攻击通过破坏电力数据完整性,篡改状态估计量测数据达到修改状态估计结果的目的,并且可以躲过传统不良数据辨识机制的检测,使电力控制中心误判系统状态,直接威胁到智能电网的安全稳定运行。因此,研究该类型数据攻击的攻击机理,制定有效的检测方法和应对措施,对电力系统安全运行具有重要意义。本文针对虚假数据注入攻击的检测与应对方法展开研究:首先,本文提出了一种考虑时间相关性的FDIA检测方法。目前FDIA数据的设计原则更多在于使设计的虚假数据满足电网物理特性约束,没有考虑电力数据中存在的时间相关性。根据这一思路,所设计检测方法首先使用变分模态分解算法对FDIA攻击行为在状态变量时间序列上进行特征提取,并使用基于统计意义的指标对突变特征进行描述。然后,根据得到的特征指标,训练具有模型更新能力的在线序列极限学习机... 

【文章来源】：燕山大学河北省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要工作
        1.3.1 研究内容
        1.3.2 章节安排
第2章 虚假数据注入攻击原理
    2.1 电力信息物理系统
    2.2 状态估计与不良数据检测辨识
        2.2.1 电力系统状态估计
        2.2.2 不良数据检测辨识
    2.3 虚假数据注入攻击原理
    2.4 虚假数据攻击模型
    2.5 本章小结
第3章 基于VMD和 OS-ELM的 FDIA检测方法
    3.1 引言
    3.2 基于VMD和 OS-ELM的 FDIA检测方法
        3.2.1 基于VMD和 OS-ELM的 FDIA检测框架
        3.2.2 基于变分模态分解的特征提取
        3.2.3 基于在线序列极限学习机的检测器模型
        3.2.4 基于F-test的状态分布识别
    3.3 实验仿真和结果分析
        3.3.1 算例描述
        3.3.2 实验结果分析
    3.4 本章小结
第4章 基于无监督学习的双层FDIA防御架构
    4.1 引言
    4.2 基于无监督学习算法的检测机制
        4.2.1 数据的预处理与特征描述
        4.2.2 基于主成分分析法的特征提取
        4.2.3 基于孤立森林的数据划分
    4.3 基于改进ELM的状态数据预测补偿方法
    4.4 实验仿真和结果分析
        4.4.1 算例描述
        4.4.2 实验结果分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3361494