信息物理融合环境下电网虚假数据实时检测算法研究
发布时间：2022-02-21 11:19
信息物理系统正朝着智能化、规模化的方向发展,给社会带来便利的同时,系统的稳定性与经济性却面临着越来越严峻的挑战,系统中的虚假数据作为一种不同于噪声与奇异值的异常数据,可以直接影响量测数据或系统状态估计的准确性,导致智能决策的失误,进而引起设备异常动作,产生大规模不利影响。因此,本文以智能电网为背景,深入研究了虚假数据的实时检测算法,针对现有算法存在的检测延时大、准确率低等不足,完成的主要工作如下:（1）对于电网总线侧虚假数据检测,针对基于KL散度或广义对数似然比等单一指标的检测算法无法兼顾准确性与快速性的不足,且考虑降低噪声与野值对准确率的影响,在量测序列中引入滑动时间窗,提出了交流潮流模型下基于并行无迹卡尔曼滤波的多指标混合检测算法。测试分析了该算法对虚假数据的检测性能,并与基于单一指标的检测算法进行对比,数值仿真表明,所提算法在交流潮流模型下具有明显的优势,在直流潮流模型下,在保证检测准确率的同时,平均每100个测试序列的检测延时也降低了13个采样周期。（2）对于电网用户侧负荷虚假数据检测,针对基于长短期记忆（long short term memory,LSTM）网络数据预测或基...
【文章来源】：燕山大学河北省
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
电力系统中的FDI攻击点示意图
RNN的典型结
燕山大学工学硕士学位论文-16-t1h——t)1(时刻隐藏层的特征向量；IHW——输入层到隐藏层之间的权重矩阵。HHW——从记忆单元到隐藏层之间的权重矩阵HOW——隐藏层到输出层之间的权重矩阵)(——非线性激活函数，一般选择Sigmod函数或tanh函数等。在网络的最后加入回归层，采用线性回归，tube回归或支持向量回归等可以对序列数据进行有效的预测。对于RNN的权重参数(HOHHIH,,WWW)的更新，每一次的输出值ty都会对应产生一个误差值te,则总的误差可以表示为:teE,则损失函数可以使用交叉熵损失函数,也可以使用平方误差损失函数。常采用BP算法的一个扩展算法——时间反向传播(backpropagationthroughtime,BPTT)算法。如图2-3所示，BPTT算法是通过将动态的RNN网络展开为静态网络后，将输出端的误差值反向传递并运用梯度下降法对网络参数进行更新的。图2-3RNN网络的BPTT展开图此外，自从Hinton2006年的工作之后，越来越多的研究者开始关注各种自编码器模型相应的堆叠模型。基于RNN的SAE网络由于具有强大的序列特征提取与数据重构能力，进而被学者用来进行数据异常检测，即使用正常的数据对网络进行训练，采用数据重构误差构造损失函数进行模型参数训练，网络训练完成后，即可以对待检测序列进行重构并进行异常判断。把数据重构误差作为判断准则实现对异常数据检测的前提是当异常数据被输入到网络中时，由于网络对该异常数据的特征不能进行有效的提取，必然会引起较大的数据重构误差，否则，无法对其进行有效的检测。在功能上，自动编码器可以理解为试图去还原其原始输入的系统，它由编码器和解码器两部分组成，本质上都是对输入信号进行拟合变换，编码器将输入信号x变
【参考文献】：
期刊论文
[1]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖. 电力系统自动化. 2019(08)
[2]基于多种智能方法结合的电网故障诊断综述[J]. 喻圣,邹红波,余凡,韩娜,严祥武,吴建新. 电力学报. 2019(01)
[3]基于LSTM时间序列重建的生产装置异常检测[J]. 窦珊,张广宇,熊智华. 化工学报. 2019(02)
[4]智能电网信息系统体系结构研究[J]. 李睿. 企业技术开发. 2016(19)
[5]智能电网信息安全防御体系与信息安全测试系统构建 乌克兰和以色列国家电网遭受网络攻击事件的思考与启示[J]. 李中伟,佟为明,金显吉. 电力系统自动化. 2016(08)
[6]乌克兰事件的启示:防范针对电网的虚假数据注入攻击[J]. 赵俊华,梁高琪,文福拴,董朝阳. 电力系统自动化. 2016(07)
[7]智能电网信息系统体系结构研究[J]. 李超,侯庆雷,崔大明. 电子技术与软件工程. 2015(24)
[8]广域相量测量技术发展现状与展望[J]. 段刚,严亚勤,谢晓冬,陶洪铸,杨东,王立鼎,赵昆,李劲松. 电力系统自动化. 2015(01)
[9]智能电网信息系统体系结构研究[J]. 曹军威,万宇鑫,涂国煜,张树卿,夏艾瑄,刘小非,陈震,陆超. 计算机学报. 2013(01)
博士论文
[1]信息物理系统中攻击检测与安全状态估计问题研究[D]. 敖伟.重庆大学 2017
本文编号：3637146
【文章来源】：燕山大学河北省
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
电力系统中的FDI攻击点示意图
RNN的典型结
燕山大学工学硕士学位论文-16-t1h——t)1(时刻隐藏层的特征向量；IHW——输入层到隐藏层之间的权重矩阵。HHW——从记忆单元到隐藏层之间的权重矩阵HOW——隐藏层到输出层之间的权重矩阵)(——非线性激活函数，一般选择Sigmod函数或tanh函数等。在网络的最后加入回归层，采用线性回归，tube回归或支持向量回归等可以对序列数据进行有效的预测。对于RNN的权重参数(HOHHIH,,WWW)的更新，每一次的输出值ty都会对应产生一个误差值te,则总的误差可以表示为:teE,则损失函数可以使用交叉熵损失函数,也可以使用平方误差损失函数。常采用BP算法的一个扩展算法——时间反向传播(backpropagationthroughtime,BPTT)算法。如图2-3所示，BPTT算法是通过将动态的RNN网络展开为静态网络后，将输出端的误差值反向传递并运用梯度下降法对网络参数进行更新的。图2-3RNN网络的BPTT展开图此外，自从Hinton2006年的工作之后，越来越多的研究者开始关注各种自编码器模型相应的堆叠模型。基于RNN的SAE网络由于具有强大的序列特征提取与数据重构能力，进而被学者用来进行数据异常检测，即使用正常的数据对网络进行训练，采用数据重构误差构造损失函数进行模型参数训练，网络训练完成后，即可以对待检测序列进行重构并进行异常判断。把数据重构误差作为判断准则实现对异常数据检测的前提是当异常数据被输入到网络中时，由于网络对该异常数据的特征不能进行有效的提取，必然会引起较大的数据重构误差，否则，无法对其进行有效的检测。在功能上，自动编码器可以理解为试图去还原其原始输入的系统，它由编码器和解码器两部分组成，本质上都是对输入信号进行拟合变换，编码器将输入信号x变
【参考文献】：
期刊论文
[1]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖. 电力系统自动化. 2019(08)
[2]基于多种智能方法结合的电网故障诊断综述[J]. 喻圣,邹红波,余凡,韩娜,严祥武,吴建新. 电力学报. 2019(01)
[3]基于LSTM时间序列重建的生产装置异常检测[J]. 窦珊,张广宇,熊智华. 化工学报. 2019(02)
[4]智能电网信息系统体系结构研究[J]. 李睿. 企业技术开发. 2016(19)
[5]智能电网信息安全防御体系与信息安全测试系统构建 乌克兰和以色列国家电网遭受网络攻击事件的思考与启示[J]. 李中伟,佟为明,金显吉. 电力系统自动化. 2016(08)
[6]乌克兰事件的启示:防范针对电网的虚假数据注入攻击[J]. 赵俊华,梁高琪,文福拴,董朝阳. 电力系统自动化. 2016(07)
[7]智能电网信息系统体系结构研究[J]. 李超,侯庆雷,崔大明. 电子技术与软件工程. 2015(24)
[8]广域相量测量技术发展现状与展望[J]. 段刚,严亚勤,谢晓冬,陶洪铸,杨东,王立鼎,赵昆,李劲松. 电力系统自动化. 2015(01)
[9]智能电网信息系统体系结构研究[J]. 曹军威,万宇鑫,涂国煜,张树卿,夏艾瑄,刘小非,陈震,陆超. 计算机学报. 2013(01)
博士论文
[1]信息物理系统中攻击检测与安全状态估计问题研究[D]. 敖伟.重庆大学 2017
本文编号：3637146
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3637146.html
