CN111461424A - 一种面向智能电网需求响应的网络攻击检测方法及*** - Google Patents
一种面向智能电网需求响应的网络攻击检测方法及*** Download PDFInfo
- Publication number
- CN111461424A CN111461424A CN202010236762.7A CN202010236762A CN111461424A CN 111461424 A CN111461424 A CN 111461424A CN 202010236762 A CN202010236762 A CN 202010236762A CN 111461424 A CN111461424 A CN 111461424A
- Authority
- CN
- China
- Prior art keywords
- model
- user
- load
- attack
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 133
- 230000004044 response Effects 0.000 title claims abstract description 98
- 230000005611 electricity Effects 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000002347 injection Methods 0.000 claims abstract description 37
- 239000007924 injection Substances 0.000 claims abstract description 37
- 230000007787 long-term memory Effects 0.000 claims abstract description 27
- 230000006403 short-term memory Effects 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 106
- 230000002452 interceptive effect Effects 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 40
- 230000008569 process Effects 0.000 description 25
- 238000005457 optimization Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
- H04L63/1466—Active attacks involving interception, injection, modification, spoofing of data unit addresses, e.g. hijacking, packet injection or TCP sequence number attacks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向智能电网需求响应的网络攻击检测方法及***。该方法包括:由负荷模型和电价模型构建用户收益模型;基于用户收益模型以非合作博弈形式建立互动需求响应模型,采用势博弈方法求解得到第一最优可平移负荷;将电价模型中的参数作为攻击对象,基于攻击后的用户收益模型和攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,采用势博弈方法和库恩‑塔克条件求解得到第二最优可平移负荷;基于第一、第二最优可平移负荷对长短期记忆网络模型训练得到攻击检测模型;基于分布式事件触发方法,采用攻击检测模型对待检测电力***网络进行检测得到检测结果。本发明实现了攻击者针对用户侧进行数据注入攻击时对网络攻击的检测。
Description
技术领域
本发明涉及网络信息安全技术领域,特别是涉及一种面向智能电网需求响应的网络攻击检测方法及***。
背景技术
由于信息域和物理域的紧密耦合,信息安全问题在智能电网中日益突出,在过去的十年来,针对电力***的信息安全问题经历了一个从猜想质疑、到理论研究、再到实验验证的过程,随着委内瑞拉、伊朗核电站、乌克兰变电站等遭受信息攻击导致的大停电事故的发生,电力信息安全已成为全社会关注的重要问题。然而学术界对于信息安全问题的研究多集中在电网侧,针对用户的信息安全问题由于用户的容量小而险些被忽视。目前,缺乏一种考虑攻击者针对用户侧进行数据注入攻击的影响,对网络攻击进行检测的方法。
发明内容
基于此,有必要提供一种面向智能电网需求响应的网络攻击检测方法及***,实现了在攻击者针对用户侧进行数据注入攻击时,对网络攻击的检测,进而提高了电力***网络的安全性。
为实现上述目的,本发明提供了如下方案:
一种面向智能电网需求响应的网络攻击检测方法,包括:
由用户的固定负荷和用户的可平移负荷构建用户侧的负荷模型;
由所述负荷模型构建能量零售商的电价模型;
由所述负荷模型和所述电价模型构建用户收益模型;
基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷;所述互动需求响应模型中的博弈者为用户,中间商为能量零售商;所述第一最优可平移负荷为在不受攻击时用户收益最大时对应的可平移负荷;
将所述电价模型中的参数作为攻击对象,由攻击向量确定攻击后的用户收益模型,并依据所述攻击向量和所述负荷模型构建攻击者虚拟收益模型;
基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量;所述注入攻击模型中的主导者为攻击者,跟随者为用户;所述第二最优可平移负荷为受攻击后的用户收益最大时对应的可平移负荷;所述最优攻击向量为攻击者虚拟收益最大时对应的攻击向量;
基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型;所述攻击检测模型为训练好的长短期记忆网络模型;
基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
可选的,所述基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷,具体包括:
对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷;
由所述用户总负荷和所述电价模型中的参数计算电价;
基于所述电价,以用户收益最大为目标,对所述用户收益模型求解,得到当前迭代次数t下各用户优化后的可平移负荷;
判断当前迭代次数t下各用户优化后的可平移负荷对应的用户收益与上次迭代次数t-1下各用户优化后的可平移负荷对应的用户收益的差值是否在设定范围内;
若是,则将当前迭代次数t下各用户优化后的可平移负荷作为各个用户的第一最优可平移负荷;
若否,则令迭代次数加1,将当前迭代次数t下各用户优化后的可平移负荷作为更新后的迭代次数下各用户的可平移负荷,并将更新后的迭代次数作为当前次数,再返回对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷的步骤。
可选的,所述基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量,具体包括:
基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数;
对受到攻击后各用户的可平移负荷求和,得到受到攻击后用户总负荷;
由所述受到攻击后用户总负荷和所述攻击后的用户收益模型中的参数计算受到攻击后电价;
基于所述受到攻击后电价,以攻击后的用户收益最大为目标,采用势博弈方法和库恩-塔克条件对所述攻击后的用户收益模型求解,得到攻击后各用户的最优可平移负荷;
对攻击后各用户的最优可平移负荷求和,得到受到攻击后用户最优总负荷;
基于所述受到攻击后用户最优总负荷和当前迭代次数m下的攻击向量,以攻击者虚拟收益最大为目标,对所述攻击者虚拟收益模型求解,得到当前迭代次数m下优化后的攻击向量;
判断当前迭代次数m下优化后的攻击向量对应的攻击者虚拟收益与上次迭代次数m-1下优化后的攻击向量对应的攻击者虚拟收益的差值是否在设定范围内;
若是,则将当前迭代次数m下攻击后各用户的最优可平移负荷作为各个用户的第二最优可平移负荷,将当前迭代次数m下优化后的攻击向量作为最优攻击向量;
若否,则令迭代次数加1,将当前迭代次数m下优化后的攻击向量作为更新后的迭代次数下的攻击向量,并将更新后的迭代次数作为当前次数,再返回对基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数的步骤。
可选的,所述基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型,具体包括:
基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集;所述训练集包括多组第一类数据、多组第二类数据、第一类数据对应的类标签和第二类数据对应的类标签;所述第一类数据包括第一最优可平移负荷、第一最优可平移负荷对应的可平移负荷初值和第一最优可平移负荷对应的可平移负荷上限;所述第二类数据包括第二最优可平移负荷、第二最优可平移负荷对应的可平移负荷初值和第二最优可平移负荷对应的可平移负荷上限;所述第一类数据对应的类标签为正常状态;所述第二类数据对应的类标签为受到攻击状态;
构建长短期记忆网络模型;
将多组所述第一类数据和多组所述第二类数据作为所述长短期记忆网络模型的输入,将所述第一类数据对应的类标签和所述第二类数据对应的类标签作为所述长短期记忆网络模型的输出进行训练,得到训练好的长短期记忆网络模型;
将所述训练好的长短期记忆网络模型确定为攻击检测模型。
可选的,所述基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果,具体包括:
判断待检测电力***网络是否发生触发事件;所述触发事件为用户的可平移负荷超过可平移负荷上限、用户的总负荷超过总负荷设定阈值、用户的固定负荷发生变化或用户的可平移负荷总量不等于可平移负荷的电量需求;所述总负荷为固定负荷与可平移负荷之和;
若是,则所述用户侧向所述能量零售商发送触发信号,所述能量零售商采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
本发明还提供了一种面向智能电网需求响应的网络攻击检测***,包括:
负荷模型构建模块,用于由用户的固定负荷和用户的可平移负荷构建用户侧的负荷模型;
电价模型构建模块,用于由所述负荷模型构建能量零售商的电价模型;
用户收益模型构建模块,用于由所述负荷模型和所述电价模型构建用户收益模型;
第一最优可平移负荷确定模块,用于基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷;所述互动需求响应模型中的博弈者为用户,中间商为能量零售商;所述第一最优可平移负荷为在不受攻击时用户收益最大时对应的可平移负荷;
攻击者虚拟收益模型构建模块,用于将所述电价模型中的参数作为攻击对象,由攻击向量确定攻击后的用户收益模型,并依据所述攻击向量和所述负荷模型构建攻击者虚拟收益模型;
第二最优可平移负荷确定模块,用于基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量;所述注入攻击模型中的主导者为攻击者,跟随者为用户;所述第二最优可平移负荷为受攻击后的用户收益最大时对应的可平移负荷;所述最优攻击向量为攻击者虚拟收益最大时对应的攻击向量;
攻击检测模型确定模块,用于基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型;所述攻击检测模型为训练好的长短期记忆网络模型;
检测模块,用于基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
可选的,所述第一最优可平移负荷确定模块,具体包括:
第一总负荷确定单元,用于对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷;
第一电价计算单元,用于由所述用户总负荷和所述电价模型中的参数计算电价;
第一求解单元,用于基于所述电价,以用户收益最大为目标,对所述用户收益模型求解,得到当前迭代次数t下各用户优化后的可平移负荷;
第一判断单元,用于判断当前迭代次数t下各用户优化后的可平移负荷对应的用户收益与上次迭代次数t-1下各用户优化后的可平移负荷对应的用户收益的差值是否在设定范围内;若是,则将当前迭代次数t下各用户优化后的可平移负荷作为各个用户的第一最优可平移负荷;若否,则令迭代次数加1,将当前迭代次数t下各用户优化后的可平移负荷作为更新后的迭代次数下各用户的可平移负荷,并将更新后的迭代次数作为当前次数,再返回所述用户总负荷确定单元。
可选的,所述第二最优可平移负荷确定模块,具体包括:
参数确定单元,用于基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数;
第二总负荷确定单元,用于对受到攻击后各用户的可平移负荷求和,得到受到攻击后用户总负荷;
第二电价计算单元,用于由所述受到攻击后用户总负荷和所述攻击后的用户收益模型中的参数计算受到攻击后电价;
第二求解单元,用于基于所述受到攻击后电价,以攻击后的用户收益最大为目标,采用势博弈方法和库恩-塔克条件对所述攻击后的用户收益模型求解,得到攻击后各用户的最优可平移负荷;
第三总负荷确定单元,用于对攻击后各用户的最优可平移负荷求和,得到受到攻击后用户最优总负荷;
第三求解单元,用于基于所述受到攻击后用户最优总负荷和当前迭代次数m下的攻击向量,以攻击者虚拟收益最大为目标,对所述攻击者虚拟收益模型求解,得到当前迭代次数m下优化后的攻击向量;
第二判断单元,用于判断当前迭代次数m下优化后的攻击向量对应的攻击者虚拟收益与上次迭代次数m-1下优化后的攻击向量对应的攻击者虚拟收益的差值是否在设定范围内;若是,则将当前迭代次数m下攻击后各用户的最优可平移负荷作为各个用户的第二最优可平移负荷,将当前迭代次数m下优化后的攻击向量作为最优攻击向量;若否,则令迭代次数加1,将当前迭代次数m下优化后的攻击向量作为更新后的迭代次数下的攻击向量,并将更新后的迭代次数作为当前次数,再返回所述参数确定单元。
可选的,所述攻击检测模型确定模块,具体包括:
训练集确定单元,用于基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集;所述训练集包括多组第一类数据、多组第二类数据、第一类数据对应的类标签和第二类数据对应的类标签;所述第一类数据包括第一最优可平移负荷、第一最优可平移负荷对应的可平移负荷初值和第一最优可平移负荷对应的可平移负荷上限;所述第二类数据包括第二最优可平移负荷、第二最优可平移负荷对应的可平移负荷初值和第二最优可平移负荷对应的可平移负荷上限;所述第一类数据对应的类标签为正常状态;所述第二类数据对应的类标签为受到攻击状态;
长短期记忆网络模型构建单元,用于构建长短期记忆网络模型;
训练单元,用于将多组所述第一类数据和多组所述第二类数据作为所述长短期记忆网络模型的输入,将所述第一类数据对应的类标签和所述第二类数据对应的类标签作为所述长短期记忆网络模型的输出进行训练,得到训练好的长短期记忆网络模型;
攻击检测模型确定单元,用于将所述训练好的长短期记忆网络模型确定为攻击检测模型。
可选的,所述检测模块,具体包括:
第三判断单元,用于判断待检测电力***网络是否发生触发事件;所述触发事件为用户的可平移负荷超过可平移负荷上限、用户的总负荷超过总负荷设定阈值、用户的固定负荷发生变化或用户的可平移负荷总量不等于可平移负荷的电量需求;所述总负荷为固定负荷与可平移负荷之和;若是,则所述用户侧向所述能量零售商发送触发信号,所述能量零售商采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
与现有技术相比,本发明的有益效果是:
本发明提出了一种面向智能电网需求响应的网络攻击检测方法及***,该方法考虑需求响应中用户与能量零售商之间的交互以及攻击者针对用户进行的数据注入攻击,在该配置下建立攻击者、用户以及能量零售商的数学模型,并考虑针对电价函数参数生成攻击向量的方法,针对该攻击,建立分布式事件触发检测机制,并利用机器学习技术实现检测。本发明实现了攻击者针对用户侧进行数据注入攻击时对网络攻击的检测,提高了电力***网络的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种面向智能电网需求响应的网络攻击检测方法的流程图;
图2为本发明具体实施例中面向智能电网需求响应的网络攻击检测方法的流程图;
图3为本发明实施例一种面向智能电网需求响应的网络攻击检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种面向智能电网需求响应的网络攻击检测方法的流程图。参见图1,所述面向智能电网需求响应的网络攻击检测方法,包括:
步骤101:由用户的固定负荷和用户的可平移负荷构建用户侧的负荷模型。
步骤102:由所述负荷模型构建能量零售商的电价模型。
步骤103:由所述负荷模型和所述电价模型构建用户收益模型。
步骤104:基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷。
所述互动需求响应模型中的博弈者为用户,中间商为能量零售商;所述第一最优可平移负荷为在不受攻击时用户收益最大时对应的可平移负荷。
步骤105:将所述电价模型中的参数作为攻击对象,由攻击向量确定攻击后的用户收益模型,并依据所述攻击向量和所述负荷模型构建攻击者虚拟收益模型。
步骤106:基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量。
所述注入攻击模型中的主导者为攻击者,跟随者为用户;所述第二最优可平移负荷为受攻击后的用户收益最大时对应的可平移负荷;所述最优攻击向量为攻击者虚拟收益最大时对应的攻击向量。
步骤107:基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型。
所述攻击检测模型为训练好的长短期记忆网络模型。
步骤108:基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
其中,所述步骤104,具体包括:
对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷。
由所述用户总负荷和所述电价模型中的参数计算电价。
基于所述电价,以用户收益最大为目标,对所述用户收益模型求解,得到当前迭代次数t下各用户优化后的可平移负荷。
判断当前迭代次数t下各用户优化后的可平移负荷对应的用户收益与上次迭代次数t-1下各用户优化后的可平移负荷对应的用户收益的差值是否在设定范围内。若是,则将当前迭代次数t下各用户优化后的可平移负荷作为各个用户的第一最优可平移负荷;若否,则令迭代次数加1,将当前迭代次数t下各用户优化后的可平移负荷作为更新后的迭代次数下各用户的可平移负荷,并将更新后的迭代次数作为当前次数,再返回对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷的步骤。
其中,步骤106,具体包括:
基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数。
对受到攻击后各用户的可平移负荷求和,得到受到攻击后用户总负荷。
由所述受到攻击后用户总负荷和所述攻击后的用户收益模型中的参数计算受到攻击后电价。
基于所述受到攻击后电价,以攻击后的用户收益最大为目标,采用势博弈方法和库恩-塔克条件对所述攻击后的用户收益模型求解,得到攻击后各用户的最优可平移负荷。
对攻击后各用户的最优可平移负荷求和,得到受到攻击后用户最优总负荷。
基于所述受到攻击后用户最优总负荷和当前迭代次数m下的攻击向量,以攻击者虚拟收益最大为目标,对所述攻击者虚拟收益模型求解,得到当前迭代次数m下优化后的攻击向量。
判断当前迭代次数m下优化后的攻击向量对应的攻击者虚拟收益与上次迭代次数m-1下优化后的攻击向量对应的攻击者虚拟收益的差值是否在设定范围内。若是,则将当前迭代次数m下攻击后各用户的最优可平移负荷作为各个用户的第二最优可平移负荷,将当前迭代次数m下优化后的攻击向量作为最优攻击向量;若否,则令迭代次数加1,将当前迭代次数m下优化后的攻击向量作为更新后的迭代次数下的攻击向量,并将更新后的迭代次数作为当前次数,再返回对基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数的步骤。
其中,步骤107,具体包括:
基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集;所述训练集包括多组第一类数据、多组第二类数据、第一类数据对应的类标签和第二类数据对应的类标签;所述第一类数据包括第一最优可平移负荷、第一最优可平移负荷对应的可平移负荷初值和第一最优可平移负荷对应的可平移负荷上限;所述第二类数据包括第二最优可平移负荷、第二最优可平移负荷对应的可平移负荷初值和第二最优可平移负荷对应的可平移负荷上限;所述第一类数据对应的类标签为正常状态;所述第二类数据对应的类标签为受到攻击状态。
构建长短期记忆网络模型。
将多组所述第一类数据和多组所述第二类数据作为所述长短期记忆网络模型的输入,将所述第一类数据对应的类标签和所述第二类数据对应的类标签作为所述长短期记忆网络模型的输出进行训练,得到训练好的长短期记忆网络模型。
将所述训练好的长短期记忆网络模型确定为攻击检测模型。
其中,步骤108,具体包括:
判断待检测电力***网络是否发生触发事件;所述触发事件为用户的可平移负荷超过可平移负荷上限、用户的总负荷超过总负荷设定阈值、用户的固定负荷发生变化或用户的可平移负荷总量不等于可平移负荷的电量需求;所述总负荷为固定负荷与可平移负荷之和。若是,则所述用户侧向所述能量零售商发送触发信号,所述能量零售商采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
本实施例提供的面向智能电网需求响应的网络攻击检测方法通过构建用户、能量零售商以及攻击者的基础模型,并在此基础上,根据各自在智能电网互动需求响应过程中的目标构建其收益函数模型,利用非合作博弈理论构建互动需求响应模型,在将其作为跟随者,与作为主导者的攻击者一起,构建主从博弈模型,实现攻击者针对该需求响应的数据注入攻击,能够有效的分析对***造成的影响,在用户的原始负荷峰值时刻造成了更高的负荷高峰。基于攻击给***带来的变化,选用长短期记忆网络构建***级别的攻击检测模型,又结合用户侧能量管理***,设置事件触发的初步检测机制,实现了用户侧事件触发,能量零售商处进行***检测的分布式事件触发检测方法,降低了***对网络攻击检测的能耗以及计算资源浪费。
下面提供了一个更为具体的实施例。
图2为本发明具体实施例中面向智能电网需求响应的网络攻击检测方法的流程图。参见图2,面向智能电网需求响应的网络攻击检测方法的思路如下:
首先,分别建立用户和能量零售商的基础模型,再构建二者的收益函数模型,为攻击模型的搭建奠定基础。
之后采用非合作博弈理论,基于用户的基础模型以及收益模型,以用户收益最大为目标,参与互动需求响应的电能量为策略,将用户之间的互动需求响应过程建模为非合作博弈模型,并结合能量零售商作为中间人,协调***级别参数在各用户中的通信。
再构建攻击者针对用户侧能量管理***的数据注入攻击模型,以电价函数参数为攻击目标,生成攻击向量,恶意篡改该参数,并构建用户的虚拟收益模型,以应用到主从博弈中。
再完成主从博弈框架的搭建,先确定攻击者作为主导者,互动需求响应中的用户作为跟随者,其中攻击者的策略为针对电价函数参数的攻击向量,用户的策略经过非合作博弈实现,为参与互动需求响应的电能量,即形成了主从博弈嵌套非合作博弈的复合博弈框架,利用主从博弈实现保证二者效益最大化的前提下,达到博弈均衡点,即完成本发明对于用户侧数据注入攻击的建模探究。
根据攻击的结果与正常情况的差异,利用长短期记忆网络构建***级别的攻击检测***,并利用正常情况及受到攻击情况的数据对网络进行训练。
结合用户侧能量管理***带有的计算能力,设置事件触发机制,实现分布式事件触发检测方法。
面向智能电网需求响应的网络攻击检测方法具体包括如下步骤:
步骤1:建立用户的负荷模型
本实施例中用户带有用户侧能量管理***,可以进行数据搜集以及初步计算的工作,用电为用户的主要行为,用户的负荷包括两类,第一类为固定负荷,第二类为可平移负荷。
1)第一类负荷
第一类负荷对可靠性要求较高,且供电时间不可调整,不参与需求响应的优化。
2)第二类负荷
第二类负荷是指用户可根据实时电价信息调整用电时间,保证在一定的时间范围内满足对负荷的持续供应即可,为需求响应优化的主要调节量:
对于一个用户,在时间段t内的总负荷为第一类负荷和第二类负荷之和,可以表示为:
用户的第二类负荷在调节过程中需要满足上下限约束以及总量约束的条件
所有用户在h时刻的总负荷可以表示为:
其中,Lh为所有用户在h时刻的负荷。
步骤2:基于步骤1的负荷模型建立能量零售商的电价模型
本实施例中电能作为输入能源经过能量零售商被送入用户,能量零售商相当于一个中间管理者,用以协调用户的用能需求以及电网的动态分时定价策略,调整***能用户能量的使用。能量零售商内具备能源管理中心(EMS),能够接收反馈能量需求和供应的信息,例如,根据用户侧反馈的电能需求量来决定动态分时电价。
在本实施例所研究的配电网互动需求响应***中,选取二次多项式模型来描述电能的生产成本:
电价模型由能量零售商决定,并通过通信技术告知用户,在互动需求响应的过程中由用户自身计算***中的电价,电价模型可以表示为:
其中,Ph为h时刻的电价。
在***运行过程中,能量零售商还将向用户提供电价函数参数以及***的总用电量,以实现用户对电价的自主决策。
步骤3:基于步骤1、2中用户及能量零售商的负荷模型与电价模型,建立二者的收益函数模型
1)能量零售商
其中用户购电的收益为:
其中,Ch为用户在h时刻的总购电收益
向公用电网购电的支出为:
能量零售商总收益为:
2)用户
在互动需求响应过程中,由于用户只具有用电行为,进行购电,所以用户的收益以支出的相反数形式表示,由电价及用电量组成:
步骤4:基于上述3个步骤,建立基于非合作博弈的互动需求响应模型,其中用户作为博弈的主体,能量零售商作为用户交互过程中的中间人,为用户提供电价函数参数及***总用电量,各用户的策略基于电价得出,为参与互动需求响应的电能量,制定策略的原则为用户自身收益的最大化。
(1)输入用户的负荷初始数据,并设置参数,包括电价函数参数ah,bh,用户i可平移负荷的电量需求sqi。其中ah,bh由能量零售商根据上层信息设定。
(2)能量零售商基于各用户的负荷数据(首次为初始数据),通过求和得到***总电能量,并将***总电能量下发给用户,以辅助用户参与互动需求响应。
(3)用户接收能量零售商的负荷数据信息,计算自身效益并基于能量零售商的电价函数参数ah,bh以及***总负荷,计算交易电价Ph。依据自身效益最大为目标,调整自己的负荷策略,即参与互动需求响应的第二类负荷各个用户的策略都将对***总电能量产生影响,并反馈给能量零售商。
(4)基于步骤(3)中用户的负荷策略,能量零售商执行步骤(2),将***总用电量传递给各个用户,当各个用户都不愿意单独去改变自己的用电安排,博弈达到一种稳定状态,即任何一个用户都不能通过改变自己的策略增加收益(每个用户在相邻两次迭代下得到的优化后的可平移负荷对应的用户收益的差值均在设定范围内),则博弈达到纳什均衡,该博弈停止,否则,用户继续修改负荷策略,并传递给能量零售商,即重复进行(2)、(3)步骤,直至达到博弈均衡点。
步骤5:建立攻击者的攻击模型以及收益模型
本发明中攻击者首先需要获得***的信息及参数,才能依据这些信息产生自己的攻击向量,攻击的主要途径有两种,第一种首先找到***操作漏洞,再向其中注入恶意软件,寻找关键配置文件,恶意修改其参数。第二种首先截获能量零售商向用户发送的信息,发动中间人攻击,再恶意修改参数。
由于用户用电量以及电价信息的变化比较容易在***中被发现,选择电价函数的参数ah作为攻击者的攻击对象,攻击者将针对该参数生成攻击向量。攻击者的攻击目标为用户侧能量管理***,通过攻击单个用户的能量管理***,造成配用电***中传输线负荷过载或者是停电事故,其攻击参数可以表示为
a1h=ah-Δah;
其中Δah为攻击者针对电价函数参数产生的攻击向量。
鉴于攻击者的目的是对***产生最大的负面影响,包括传输线负荷过载以及停电事故,造成这些后果的措施是诱使用户将第二类负荷向着原始负荷的高峰处移动,造成更高的负荷高峰,因此,构造攻击者的虚拟收益表征这一负面影响,可以表示为:
该函数虽然与电能成本函数相似,但是该函数并不具备物理意义,只是表示攻击者将在负荷高峰时构造攻击向量,以减少电价函数参数,此时用户根据电价模型计算出的电价将减低,因此用户倾向于向着该时刻调配负荷,造成***更高的负荷高峰。
为了使得网络攻击更具隐蔽性,攻击向量应满足一定的约束条件,主要包括两类,第一类为单时刻的攻击约束:
0≤Δah≤u·ah,h∈[1,H];
第二类为全时刻的攻击总约束:
其中,u为参数ah在单时刻的最大偏移百分比,v为参数ah在全时刻的偏移百分比。
步骤6:基于步骤4中以非合作博弈为基础的互动需求响应过程以及步骤5中攻击者模型,以主从博弈框架建立数据注入攻击模型,其中攻击者作为主导者,互动需求响应过程中的用户作为跟随者,攻击者策略为针对用户参与互动需求响应的电能量生成的攻击向量,跟随者的策略为基于非合作博弈的互动需求响应过程,包括电价及参与互动需求响应的电能量,攻击者与跟随着的策略均为实现自身收益最大化。
1)博弈过程
(1)在非合作博弈互动需求响应的基础上,初始化攻击者的攻击向量Δah,并设置参数,包括u,v。
(2)攻击者针对非合作博弈互动需求响应的结果,即用户对于第二类负荷的策略,生成攻击向量,并注入到用户侧能量管理***接收到的电价函数参数的配置文件中。
(3)用户接收到带有攻击者攻击向量的电价函数参数,根据该函数计算电价,并基于电价,以自身收益最大为目标制定自身策略,即参与互动需求响应的电能量,所有用户再将其策略反馈给能量零售商。
(4)能量零售商汇总***内电能量信息后,连同电价函数参数一下,下发给各个用户,攻击者根据互动需求响应过程反馈的结果计算自身的收益,若攻击者以及用户均达到最大收益,即二者均不能通过改变自身策略增加效益,则博弈达到均衡,该博弈停止,否则,攻击者则重新制定对于电价函数的攻击向量,并重复进行(2)、(3),直至达到博弈均衡点。
2)博弈求解
由于跟随者为互动需求响应过程中的用户,在求解基于非合作博弈的互动需求响应过程时本就是一个迭代的过程,而攻击者与该跟随者之间的主从博弈的求解,也是一个迭代的过程,因此,该博弈问题求解上需要经过大量的迭代,存在一定的困难。
如果所有参与者改变策略的动机都可以用一个称为势函数的全局函数来表示,那么这个博弈可以被表示为势博弈。通过势博弈的方法,简化互动需求响应的求解过程,该互动需求响应可以由势函数表示:
以该势函数为目标函数,在负荷约束条件下对其进行求解,可以替代非合作博弈的迭代过程,即为互动需求响应提供了两种求解方法,一种为基于非合作博弈的迭代求解方法,另一种为势函数的优化方法。
此外,利用库恩-塔克条件(KKT),将该主从博弈问题转化为单阶段优化问题,将跟随者在互动需求响应过程中的优化转化为KKT优化的约束条件,可以表示为:
其中,表示可平移负荷上限约束对应的拉格朗日乘子,βi 表示可平移负荷下限约束对应的拉格朗日乘子,λi表示可平移负荷的电量需求对应的拉格朗日乘子。经过该转化过程,主从两侧博弈可以被表示成攻击者单侧的优化问题。
步骤7:基于步骤6中网络攻击对***产生的不良结果,结合机器学习技术中的长短期记忆网络,建立***级别的攻击检测模型。
本实施例引入机器学习技术中的长短期记忆网络对***攻击进行检测。在检测过程中,首先需要寻找***的特征量,通过识别特征量的变化情况,判断***是否处于被攻击的状态。由于电力***内的特征量多为电力负荷,而电力负荷在每天、每月、每季度乃至每年都存在着规律,因此电力负荷可以当成时间序列数据,长短期记忆网络在处理时间序列数据上具备优势。
选取可平移负荷初值、可平移负荷上限、优化后可平移负荷为三个特征量,作为网络的输入,网络输出为网络状态,共有两类,第一类为正常状态,第二类为受到攻击状态。利用在正常状态以及攻击状态的负荷数据训练网络,使得网络具备识别两种状态的能力。两种状态中最明显的差异为负荷峰值,正常状态中,经过优化后的负荷峰值将比原始负荷峰值降低,而受到攻击的状态中,经过优化后的负荷峰值将比原始负荷峰值高。
步骤8:鉴于用户侧能量管理***的计算能力,设置分布式事件触发机制,结合步骤7中***级别的攻击检测模型,构建分布式事件触发检测方法。
***级别检测将由能量零售商开展,为了保证***安全,***级别检测将通过时间触发的方式,以一定的时间间隔重复进行,浪费大量的计算资源并产生能耗。因此,利用用户侧能量管理***对配用电***进行初步检测,降低***级别检测的时间及次数。提出事件触发的检测方式。在用户侧能量管理***中,设置以下四类触发事件:
(1)用户i的可平移负荷超过了可平移负荷的上限约束;
(2)设置总负荷的阈值Lthre,用户i在h时刻的负荷超过该阈值;
(3)用户的固定负荷发生变化;
(4)可平移负荷的总量不等于可平移负荷的总量约束sqi。
当以上四类事件中的任何一个发生时,用户侧能量管理***将会被触发,发送触发信号给能量零售商,由能量零售商运行训练好的长短期记忆网络进行***级别检测,判断是否存在攻击。因此构成了分布式事件触发的检测方法。
上述面向智能电网需求响应的网络攻击检测方法的关键点在于:
(1)步骤2构造了能量零售商的电价模型,通过通信的方式,将该模型以及参数在互动需求响应过程中传递给用户,由用户自主决策电价,通过该方式增加用户在参与***互动需求响应过程的自主性,分散智能电网***的调控。
(2)步骤5构造了针对智能电网中互动需求响应的数据注入攻击模型,通过选择电价函数参数,攻击单个用户的用户侧能量管理***,使得整个配用电***受到影响,通过攻击者的收益函数fvir(Δa)来反映这种影响。
(3)步骤4以及步骤6利用主从博弈论以及非合作博弈论建立了针对用户侧能量管理***的数据注入攻击模型,考虑主从博弈中由基于非合作博弈的互动需求响应过程充当跟随者,攻击者充当主导者,即构建了主从博弈嵌套非合作博弈的复合博弈模型作为攻击模型。攻击者以电价函数参数作为攻击目标,生成攻击向量作为其策略注入到用户侧能量管理***中,意在对***产生严重的负面影响,包括传输线路过载以及停电事故。互动需求响应过程本来是为了优化用户在智能电网中的电能使用量,并实现电网的经济运行,然而随着攻击者的引入,通过改变电价函数参数对用户制定的电价产生影响,在负荷高峰时刻,降低电价函数参数,使得用户计算出低电价,将负荷调整至该时刻,造成***更高的负荷高峰。攻击者与用户基于各自的效用函数,不断进行互动,直至二者均达到不可再继续增长的最大收益处,则博弈停止,达到博弈均衡。因此,针对用户侧的数据注入攻击将对互动需求响应过程产生影响,进而对整个***的安全运行造成威胁。
(4)步骤6中对于主从博弈嵌套非合作博弈的复合博弈模型的求解,通过势博弈的思路将跟随侧基于非合作博弈的互动需求响应转化为势函数,通过对势函数进行优化求解替代了原先的迭代过程。而后利用KKT条件将主从博弈中的跟随侧作为KKT优化的约束条件,将主、从两侧的交互迭代问题转化为主侧单独的优化问题,简化求解。
(5)步骤7中所述的结合机器学***移负荷、可平移负荷上限约束以及优化后可平移负荷作为长短期记忆网络的输入特征量,正常情况及受到攻击情况两个类别作为网络的输出,抓住两种情况在负荷峰值上的差异作为检测的重点,实现***级别的网络攻击检测。
(6)步骤8中通过用户侧能量管理***构成了分布式事件触发的检测方法,结合用户侧的初步检测工作以及能量零售商的***级别检测,有效节约检测的能耗及计算资源。用户侧通过设置触发事件的方式构成初步检测,能量零售商通过首先学习好的长短期记忆网络进行***级别的检测,构成分布式事件触发检测方法。
本实施例的面向智能电网需求响应的网络攻击检测方法,具有以下优点:
(1)通过构建用户、能量零售商以及攻击者三个主体的基本模型,构造了一种针对用户侧能量管理***的数据注入攻击,考虑了电价函数位于用户侧,上层实体仅提供电价函数参数的方法,增加了用户参与互动需求响应的自主性。针对攻击者,则选取了电价函数的参数作为攻击目标,相对于用户用电量以及电价而言,在***中更具隐蔽性,实现通过攻击单个用户对***造成传输线过载或是停电事故的负面影响。
(2)通过构建非合作博弈协调用户之间的互动需求响应过程,选取能量零售商作为中间人传递***级别信息,而后基于该互动需求响应,利用主从博弈框架构造了攻击者的数据注入攻击模型,形成了主从博弈嵌套非合作博弈的复合博弈框架,通过该框架,攻击者和互动需求响应中的用户不断交互,诱使用户的负荷策略由调峰变为增峰,二者不断进行交互,直至二者均达到收益最大。
(3)基于攻击模型对***产生的不良后果以及***特征量出现的变化,结合用户侧能量管理***的计算能力以及能量零售商的***级别调控,在用户侧设置事件触发机制,能量零售商处选用长短期记忆网络进行***级别网络攻击检测,构成了分布式事件触发检测方法,降低了由时间触发趋势的网络攻击检测给***带的能耗以及计算资源浪费。
(4)面向智能电网需求响应的网络攻击检测方法具有重要的工业应用。其可将攻击模型应用到带有互动需求响应过程的实际工业园区智能电网中,实现该园区对于这种针对用户侧攻击方式的认知,并验证其可能对整个***产生的不利影响。对于实际的互动需求响应过程,通过将实际***内各项负荷参数以及设备参数带入到本发明所构建的模型中,进行复合博弈的计算,得到的结果有助于该园区验证自身对于网络攻击防范措施是否充足,提高园区的安全防范意识。该方法应用于实际工业园区中,能够指导实际工业园区对网络攻击的检测,以及利用分布式事件触发的方式,节约园区资源,为园区开辟个性化检测方法提供思路。因此,将该数据注入攻击模型以及检测方法应用到实际工业园区中,可加强工业园区的信息安全意识及检测防护方法,保证园区的正常运行,并节约园区资源起到一定作用。
本发明还提供了一种面向智能电网需求响应的网络攻击检测***,图3为本发明实施例一种面向智能电网需求响应的网络攻击检测***的结构示意图。参见图3,所述面向智能电网需求响应的网络攻击检测***,包括:
负荷模型构建模块201,用于由用户的固定负荷和用户的可平移负荷构建用户侧的负荷模型。
电价模型构建模块202,用于由所述负荷模型构建能量零售商的电价模型。
用户收益模型构建模块203,用于由所述负荷模型和所述电价模型构建用户收益模型。
第一最优可平移负荷确定模块204,用于基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷;所述互动需求响应模型中的博弈者为用户,中间商为能量零售商;所述第一最优可平移负荷为在不受攻击时用户收益最大时对应的可平移负荷。
攻击者虚拟收益模型构建模块205,用于将所述电价模型中的参数作为攻击对象,由攻击向量确定攻击后的用户收益模型,并依据所述攻击向量和所述负荷模型构建攻击者虚拟收益模型。
第二最优可平移负荷确定模块206,用于基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量;所述注入攻击模型中的主导者为攻击者,跟随者为用户;所述第二最优可平移负荷为受攻击后的用户收益最大时对应的可平移负荷;所述最优攻击向量为攻击者虚拟收益最大时对应的攻击向量。
攻击检测模型确定模块207,用于基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型;所述攻击检测模型为训练好的长短期记忆网络模型。
检测模块208,用于基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
作为一种可选的实施方式,所述第一最优可平移负荷确定模块204,具体包括:
第一总负荷确定单元,用于对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷。
第一电价计算单元,用于由所述用户总负荷和所述电价模型中的参数计算电价。
第一求解单元,用于基于所述电价,以用户收益最大为目标,对所述用户收益模型求解,得到当前迭代次数t下各用户优化后的可平移负荷。
第一判断单元,用于判断当前迭代次数t下各用户优化后的可平移负荷对应的用户收益与上次迭代次数t-1下各用户优化后的可平移负荷对应的用户收益的差值是否在设定范围内;若是,则将当前迭代次数t下各用户优化后的可平移负荷作为各个用户的第一最优可平移负荷;若否,则令迭代次数加1,将当前迭代次数t下各用户优化后的可平移负荷作为更新后的迭代次数下各用户的可平移负荷,并将更新后的迭代次数作为当前次数,再返回所述用户总负荷确定单元。
作为一种可选的实施方式,所述第二最优可平移负荷确定模块206,具体包括:
参数确定单元,用于基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数。
第二总负荷确定单元,用于对受到攻击后各用户的可平移负荷求和,得到受到攻击后用户总负荷。
第二电价计算单元,用于由所述受到攻击后用户总负荷和所述攻击后的用户收益模型中的参数计算受到攻击后电价。
第二求解单元,用于基于所述受到攻击后电价,以攻击后的用户收益最大为目标,采用势博弈方法和库恩-塔克条件对所述攻击后的用户收益模型求解,得到攻击后各用户的最优可平移负荷。
第三总负荷确定单元,用于对攻击后各用户的最优可平移负荷求和,得到受到攻击后用户最优总负荷。
第三求解单元,用于基于所述受到攻击后用户最优总负荷和当前迭代次数m下的攻击向量,以攻击者虚拟收益最大为目标,对所述攻击者虚拟收益模型求解,得到当前迭代次数m下优化后的攻击向量。
第二判断单元,用于判断当前迭代次数m下优化后的攻击向量对应的攻击者虚拟收益与上次迭代次数m-1下优化后的攻击向量对应的攻击者虚拟收益的差值是否在设定范围内;若是,则将当前迭代次数m下攻击后各用户的最优可平移负荷作为各个用户的第二最优可平移负荷,将当前迭代次数m下优化后的攻击向量作为最优攻击向量;若否,则令迭代次数加1,将当前迭代次数m下优化后的攻击向量作为更新后的迭代次数下的攻击向量,并将更新后的迭代次数作为当前次数,再返回所述参数确定单元。
作为一种可选的实施方式,所述攻击检测模型确定模块207,具体包括:
训练集确定单元,用于基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集;所述训练集包括多组第一类数据、多组第二类数据、第一类数据对应的类标签和第二类数据对应的类标签;所述第一类数据包括第一最优可平移负荷、第一最优可平移负荷对应的可平移负荷初值和第一最优可平移负荷对应的可平移负荷上限;所述第二类数据包括第二最优可平移负荷、第二最优可平移负荷对应的可平移负荷初值和第二最优可平移负荷对应的可平移负荷上限;所述第一类数据对应的类标签为正常状态;所述第二类数据对应的类标签为受到攻击状态。
长短期记忆网络模型构建单元,用于构建长短期记忆网络模型。
训练单元,用于将多组所述第一类数据和多组所述第二类数据作为所述长短期记忆网络模型的输入,将所述第一类数据对应的类标签和所述第二类数据对应的类标签作为所述长短期记忆网络模型的输出进行训练,得到训练好的长短期记忆网络模型。
攻击检测模型确定单元,用于将所述训练好的长短期记忆网络模型确定为攻击检测模型。
作为一种可选的实施方式,所述检测模块208,具体包括:
第三判断单元,用于判断待检测电力***网络是否发生触发事件;所述触发事件为用户的可平移负荷超过可平移负荷上限、用户的总负荷超过总负荷设定阈值、用户的固定负荷发生变化或用户的可平移负荷总量不等于可平移负荷的电量需求;所述总负荷为固定负荷与可平移负荷之和;若是,则所述用户侧向所述能量零售商发送触发信号,所述能量零售商采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种面向智能电网需求响应的网络攻击检测方法,其特征在于,包括:
由用户的固定负荷和用户的可平移负荷构建用户侧的负荷模型;
由所述负荷模型构建能量零售商的电价模型;
由所述负荷模型和所述电价模型构建用户收益模型;
基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷;所述互动需求响应模型中的博弈者为用户,中间商为能量零售商;所述第一最优可平移负荷为在不受攻击时用户收益最大时对应的可平移负荷;
将所述电价模型中的参数作为攻击对象,由攻击向量确定攻击后的用户收益模型,并依据所述攻击向量和所述负荷模型构建攻击者虚拟收益模型;
基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量;所述注入攻击模型中的主导者为攻击者,跟随者为用户;所述第二最优可平移负荷为受攻击后的用户收益最大时对应的可平移负荷;所述最优攻击向量为攻击者虚拟收益最大时对应的攻击向量;
基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型;所述攻击检测模型为训练好的长短期记忆网络模型;
基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
2.根据权利要求1所述的一种面向智能电网需求响应的网络攻击检测方法,其特征在于,所述基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷,具体包括:
对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷;
由所述用户总负荷和所述电价模型中的参数计算电价;
基于所述电价,以用户收益最大为目标,对所述用户收益模型求解,得到当前迭代次数t下各用户优化后的可平移负荷;
判断当前迭代次数t下各用户优化后的可平移负荷对应的用户收益与上次迭代次数t-1下各用户优化后的可平移负荷对应的用户收益的差值是否在设定范围内;
若是,则将当前迭代次数t下各用户优化后的可平移负荷作为各个用户的第一最优可平移负荷;
若否,则令迭代次数加1,将当前迭代次数t下各用户优化后的可平移负荷作为更新后的迭代次数下各用户的可平移负荷,并将更新后的迭代次数作为当前次数,再返回对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷的步骤。
3.根据权利要求1所述的一种面向智能电网需求响应的网络攻击检测方法,其特征在于,所述基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量,具体包括:
基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数;
对受到攻击后各用户的可平移负荷求和,得到受到攻击后用户总负荷;
由所述受到攻击后用户总负荷和所述攻击后的用户收益模型中的参数计算受到攻击后电价;
基于所述受到攻击后电价,以攻击后的用户收益最大为目标,采用势博弈方法和库恩-塔克条件对所述攻击后的用户收益模型求解,得到攻击后各用户的最优可平移负荷;
对攻击后各用户的最优可平移负荷求和,得到受到攻击后用户最优总负荷;
基于所述受到攻击后用户最优总负荷和当前迭代次数m下的攻击向量,以攻击者虚拟收益最大为目标,对所述攻击者虚拟收益模型求解,得到当前迭代次数m下优化后的攻击向量;
判断当前迭代次数m下优化后的攻击向量对应的攻击者虚拟收益与上次迭代次数m-1下优化后的攻击向量对应的攻击者虚拟收益的差值是否在设定范围内;
若是,则将当前迭代次数m下攻击后各用户的最优可平移负荷作为各个用户的第二最优可平移负荷,将当前迭代次数m下优化后的攻击向量作为最优攻击向量;
若否,则令迭代次数加1,将当前迭代次数m下优化后的攻击向量作为更新后的迭代次数下的攻击向量,并将更新后的迭代次数作为当前次数,再返回对基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数的步骤。
4.根据权利要求1所述的一种面向智能电网需求响应的网络攻击检测方法,其特征在于,所述基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型,具体包括:
基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集;所述训练集包括多组第一类数据、多组第二类数据、第一类数据对应的类标签和第二类数据对应的类标签;所述第一类数据包括第一最优可平移负荷、第一最优可平移负荷对应的可平移负荷初值和第一最优可平移负荷对应的可平移负荷上限;所述第二类数据包括第二最优可平移负荷、第二最优可平移负荷对应的可平移负荷初值和第二最优可平移负荷对应的可平移负荷上限;所述第一类数据对应的类标签为正常状态;所述第二类数据对应的类标签为受到攻击状态;
构建长短期记忆网络模型;
将多组所述第一类数据和多组所述第二类数据作为所述长短期记忆网络模型的输入,将所述第一类数据对应的类标签和所述第二类数据对应的类标签作为所述长短期记忆网络模型的输出进行训练,得到训练好的长短期记忆网络模型;
将所述训练好的长短期记忆网络模型确定为攻击检测模型。
5.根据权利要求1所述的一种面向智能电网需求响应的网络攻击检测方法,其特征在于,所述基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果,具体包括:
判断待检测电力***网络是否发生触发事件;所述触发事件为用户的可平移负荷超过可平移负荷上限、用户的总负荷超过总负荷设定阈值、用户的固定负荷发生变化或用户的可平移负荷总量不等于可平移负荷的电量需求;所述总负荷为固定负荷与可平移负荷之和;
若是,则所述用户侧向所述能量零售商发送触发信号,所述能量零售商采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
6.一种面向智能电网需求响应的网络攻击检测***,其特征在于,包括:
负荷模型构建模块,用于由用户的固定负荷和用户的可平移负荷构建用户侧的负荷模型;
电价模型构建模块,用于由所述负荷模型构建能量零售商的电价模型;
用户收益模型构建模块,用于由所述负荷模型和所述电价模型构建用户收益模型;
第一最优可平移负荷确定模块,用于基于所述用户收益模型,以非合作博弈形式建立互动需求响应模型,并采用势博弈方法对所述互动需求响应模型求解,得到各个用户的第一最优可平移负荷;所述互动需求响应模型中的博弈者为用户,中间商为能量零售商;所述第一最优可平移负荷为在不受攻击时用户收益最大时对应的可平移负荷;
攻击者虚拟收益模型构建模块,用于将所述电价模型中的参数作为攻击对象,由攻击向量确定攻击后的用户收益模型,并依据所述攻击向量和所述负荷模型构建攻击者虚拟收益模型;
第二最优可平移负荷确定模块,用于基于所述攻击后的用户收益模型和所述攻击者虚拟收益模型,采用主从博弈框架构建数据注入攻击模型,并采用势博弈方法和库恩-塔克条件对所述数据注入攻击模型求解,得到各个用户的第二最优可平移负荷和最优攻击向量;所述注入攻击模型中的主导者为攻击者,跟随者为用户;所述第二最优可平移负荷为受攻击后的用户收益最大时对应的可平移负荷;所述最优攻击向量为攻击者虚拟收益最大时对应的攻击向量;
攻击检测模型确定模块,用于基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集,并采用所述训练集对长短期记忆网络模型进行训练,得到攻击检测模型;所述攻击检测模型为训练好的长短期记忆网络模型;
检测模块,用于基于分布式事件触发方法,采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
7.根据权利要求6所述的一种面向智能电网需求响应的网络攻击检测***,其特征在于,所述第一最优可平移负荷确定模块,具体包括:
第一总负荷确定单元,用于对当前迭代次数t下各用户的可平移负荷求和,得到用户总负荷;
第一电价计算单元,用于由所述用户总负荷和所述电价模型中的参数计算电价;
第一求解单元,用于基于所述电价,以用户收益最大为目标,对所述用户收益模型求解,得到当前迭代次数t下各用户优化后的可平移负荷;
第一判断单元,用于判断当前迭代次数t下各用户优化后的可平移负荷对应的用户收益与上次迭代次数t-1下各用户优化后的可平移负荷对应的用户收益的差值是否在设定范围内;若是,则将当前迭代次数t下各用户优化后的可平移负荷作为各个用户的第一最优可平移负荷;若否,则令迭代次数加1,将当前迭代次数t下各用户优化后的可平移负荷作为更新后的迭代次数下各用户的可平移负荷,并将更新后的迭代次数作为当前次数,再返回所述用户总负荷确定单元。
8.根据权利要求6所述的一种面向智能电网需求响应的网络攻击检测***,其特征在于,所述第二最优可平移负荷确定模块,具体包括:
参数确定单元,用于基于当前迭代次数m下的攻击向量确定攻击后的用户收益模型中的参数;
第二总负荷确定单元,用于对受到攻击后各用户的可平移负荷求和,得到受到攻击后用户总负荷;
第二电价计算单元,用于由所述受到攻击后用户总负荷和所述攻击后的用户收益模型中的参数计算受到攻击后电价;
第二求解单元,用于基于所述受到攻击后电价,以攻击后的用户收益最大为目标,采用势博弈方法和库恩-塔克条件对所述攻击后的用户收益模型求解,得到攻击后各用户的最优可平移负荷;
第三总负荷确定单元,用于对攻击后各用户的最优可平移负荷求和,得到受到攻击后用户最优总负荷;
第三求解单元,用于基于所述受到攻击后用户最优总负荷和当前迭代次数m下的攻击向量,以攻击者虚拟收益最大为目标,对所述攻击者虚拟收益模型求解,得到当前迭代次数m下优化后的攻击向量;
第二判断单元,用于判断当前迭代次数m下优化后的攻击向量对应的攻击者虚拟收益与上次迭代次数m-1下优化后的攻击向量对应的攻击者虚拟收益的差值是否在设定范围内;若是,则将当前迭代次数m下攻击后各用户的最优可平移负荷作为各个用户的第二最优可平移负荷,将当前迭代次数m下优化后的攻击向量作为最优攻击向量;若否,则令迭代次数加1,将当前迭代次数m下优化后的攻击向量作为更新后的迭代次数下的攻击向量,并将更新后的迭代次数作为当前次数,再返回所述参数确定单元。
9.根据权利要求6所述的一种面向智能电网需求响应的网络攻击检测***,其特征在于,所述攻击检测模型确定模块,具体包括:
训练集确定单元,用于基于所述第一最优可平移负荷和所述第二最优可平移负荷确定训练集;所述训练集包括多组第一类数据、多组第二类数据、第一类数据对应的类标签和第二类数据对应的类标签;所述第一类数据包括第一最优可平移负荷、第一最优可平移负荷对应的可平移负荷初值和第一最优可平移负荷对应的可平移负荷上限;所述第二类数据包括第二最优可平移负荷、第二最优可平移负荷对应的可平移负荷初值和第二最优可平移负荷对应的可平移负荷上限;所述第一类数据对应的类标签为正常状态;所述第二类数据对应的类标签为受到攻击状态;
长短期记忆网络模型构建单元,用于构建长短期记忆网络模型;
训练单元,用于将多组所述第一类数据和多组所述第二类数据作为所述长短期记忆网络模型的输入,将所述第一类数据对应的类标签和所述第二类数据对应的类标签作为所述长短期记忆网络模型的输出进行训练,得到训练好的长短期记忆网络模型;
攻击检测模型确定单元,用于将所述训练好的长短期记忆网络模型确定为攻击检测模型。
10.根据权利要求6所述的一种面向智能电网需求响应的网络攻击检测***,其特征在于,所述检测模块,具体包括:
第三判断单元,用于判断待检测电力***网络是否发生触发事件;所述触发事件为用户的可平移负荷超过可平移负荷上限、用户的总负荷超过总负荷设定阈值、用户的固定负荷发生变化或用户的可平移负荷总量不等于可平移负荷的电量需求;所述总负荷为固定负荷与可平移负荷之和;若是,则所述用户侧向所述能量零售商发送触发信号,所述能量零售商采用所述攻击检测模型对待检测电力***网络进行检测,得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236762.7A CN111461424B (zh) | 2020-03-30 | 2020-03-30 | 一种面向智能电网需求响应的网络攻击检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236762.7A CN111461424B (zh) | 2020-03-30 | 2020-03-30 | 一种面向智能电网需求响应的网络攻击检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461424A true CN111461424A (zh) | 2020-07-28 |
CN111461424B CN111461424B (zh) | 2022-04-12 |
Family
ID=71679262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236762.7A Active CN111461424B (zh) | 2020-03-30 | 2020-03-30 | 一种面向智能电网需求响应的网络攻击检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461424B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261016A (zh) * | 2020-10-12 | 2021-01-22 | 国网甘肃省电力公司电力科学研究院 | 一种攻击场景下的电网防护方法 |
CN112819300A (zh) * | 2021-01-21 | 2021-05-18 | 南京邮电大学 | 网络攻击下基于随机博弈网的配电网风险评估方法 |
CN112819307A (zh) * | 2021-01-23 | 2021-05-18 | 西安交通大学 | 智能电网中基于负载监督的需求响应方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764734A (zh) * | 2018-05-30 | 2018-11-06 | 南方电网科学研究院有限责任公司 | 一种基于主从博弈的综合能源***互动模拟方法及装置 |
CN108764267A (zh) * | 2018-04-02 | 2018-11-06 | 上海大学 | 一种基于对抗式决策树集成的拒绝服务攻击检测方法 |
CN109191326A (zh) * | 2018-08-23 | 2019-01-11 | 东北大学 | 基于攻击方视角的配电网cps相依存***网络攻击风险评估方法 |
CN110889111A (zh) * | 2019-10-23 | 2020-03-17 | 广东工业大学 | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 |
-
2020
- 2020-03-30 CN CN202010236762.7A patent/CN111461424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764267A (zh) * | 2018-04-02 | 2018-11-06 | 上海大学 | 一种基于对抗式决策树集成的拒绝服务攻击检测方法 |
CN108764734A (zh) * | 2018-05-30 | 2018-11-06 | 南方电网科学研究院有限责任公司 | 一种基于主从博弈的综合能源***互动模拟方法及装置 |
CN109191326A (zh) * | 2018-08-23 | 2019-01-11 | 东北大学 | 基于攻击方视角的配电网cps相依存***网络攻击风险评估方法 |
CN110889111A (zh) * | 2019-10-23 | 2020-03-17 | 广东工业大学 | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 |
Non-Patent Citations (2)
Title |
---|
LIUDONG CHEN ET AL.: ""Parameter tampering cyberattack and event-trigger detection in game-based interactive demand response"", 《ELECTRICAL POWERANDENERGYSYSTEMS》 * |
陈刘东 等: ""面向互动需求响应的虚假数据注入攻击及其检测方法"", 《电力***自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261016A (zh) * | 2020-10-12 | 2021-01-22 | 国网甘肃省电力公司电力科学研究院 | 一种攻击场景下的电网防护方法 |
CN112819300A (zh) * | 2021-01-21 | 2021-05-18 | 南京邮电大学 | 网络攻击下基于随机博弈网的配电网风险评估方法 |
CN112819300B (zh) * | 2021-01-21 | 2024-04-30 | 南京邮电大学 | 网络攻击下基于随机博弈网的配电网风险评估方法 |
CN112819307A (zh) * | 2021-01-23 | 2021-05-18 | 西安交通大学 | 智能电网中基于负载监督的需求响应方法及*** |
CN112819307B (zh) * | 2021-01-23 | 2023-08-18 | 西安交通大学 | 智能电网中基于负载监督的需求响应方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111461424B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461424B (zh) | 一种面向智能电网需求响应的网络攻击检测方法及*** | |
Li et al. | Decentralized on-demand energy supply for blockchain in internet of things: a microgrids approach | |
Wang et al. | Adaptive bidding strategy for real-time energy management in multi-energy market enhanced by blockchain | |
Chi et al. | Multistrategy Repeated Game‐Based Mobile Crowdsourcing Incentive Mechanism for Mobile Edge Computing in Internet of Things | |
Nematshahi et al. | Application of Distribution Locational Marginal Price in optimal simultaneous distributed generation placement and sizing in electricity distribution networks | |
Dai et al. | Real‐time pricing in smart community with constraint from the perspective of advertising game | |
Wu et al. | Non-cooperative differential game and feedback Nash equilibrium analysis for real-time electricity markets | |
Su et al. | Cloud–edge collaboration-based bi-level optimal scheduling for intelligent healthcare systems | |
Yan et al. | Blockchain‐based framework of power demand response in China | |
Murao et al. | Dynamic balanced integration mechanism for LQG power networks with independent types | |
Shao et al. | A grid connection mechanism of large-scale distributed energy resources based on blockchain | |
Mao et al. | Centralized bidding mechanism of demand response based on blockchain | |
Ma et al. | Optimal participation and cost allocation of shared energy storage considering customer directrix load demand response | |
Tao et al. | Research on multi-microgrids scheduling strategy considering dynamic electricity price based on blockchain | |
Tushar et al. | Achieving the UN’s sustainable energy targets through dynamic operating limits | |
CN114117705A (zh) | 配电信息物理***优化方法、***、存储介质及计算设备 | |
Guo et al. | An incentive mechanism for horizontal federated learning based on principle of compound interest | |
Chen et al. | Parameter tampering cyberattack and event-trigger detection in game-based interactive demand response | |
Xu et al. | LSTM short-term residential load forecasting based on federated learning | |
Wu et al. | Research on Evolutionary Game of Value Co‐Creation Behavior of Shared Private Charging Piles of Electric Vehicles | |
Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
Zhang et al. | Game and dynamic communication path-based pricing strategies for microgrids under communication interruption | |
CN104182850B (zh) | 一种基于需求响应的联络线计划制定方法 | |
Xia et al. | Emission reduction estimation by coupling peer-to-peer energy sharing with carbon emission markets considering temporal and spatial factors | |
Zhang et al. | A deep reinforcement learning-based bidding strategy for participants in a peer-to-peer energy trading scenario |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |