CN116881746A - 电力***中异常数据的辨识方法、辨识装置 - Google Patents
电力***中异常数据的辨识方法、辨识装置 Download PDFInfo
- Publication number
- CN116881746A CN116881746A CN202311152729.6A CN202311152729A CN116881746A CN 116881746 A CN116881746 A CN 116881746A CN 202311152729 A CN202311152729 A CN 202311152729A CN 116881746 A CN116881746 A CN 116881746A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- correlation
- correlation matrix
- clusters
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 21
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 8
- 244000153665 Ficus glomerata Species 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力***技术领域,提供一种电力***中异常数据的辨识方法、辨识装置,所述方法包括以下步骤:获取电力***中的各节点的量测数据,将量测数据变换到频域中,并计算量测数据在频域中的幅值;根据量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果;基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关;根据表型相关辨识量测数据是否为异常数据。本发明利用电力***中物理特性和节点间的相关性对异常数据进行辨识,能够有效搜索出可能被攻击者入侵用于注入攻击向量的节点,提升电力***安全性和可靠性。
Description
技术领域
本发明涉及电力***技术领域,具体涉及一种电力***中异常数据的辨识方法和一种电力***中异常数据的辨识装置。
背景技术
随着新型电力***的持续发展,由高渗透率新能源发电并网带来的高不确定性、大规模电力电子设备接入带来的强非线性和海量量测/控制节点带来的高维状态/动作空间等问题,导致电力***的分析难度和控制策略复杂度急剧提高。
相关技术中,虽然已提出多种数据驱动的解决方案,数据驱动方法可以大幅度降低***的分析和控制复杂度,提高控制策略的执行效率。但数据驱动发展伴随着的大量智能设备、物联终端设备,这些设备都为针对数据驱动算法的网络攻击提供了潜在的攻击向量注入点,攻击者可以利用电网信息物理耦合特性,从信息侧或物理侧向***中注入攻击向量,针对数据驱动算法进行攻击,从而达到获利或破坏***稳定运行的目的。
在此背景下,针对数据驱动算法的对抗攻击和防御问题,成为本领域技术人员亟待解决的技术问题。
发明内容
本发明为解决上述技术问题,本发明第一方面实施例提供了一种电力***中异常数据的辨识方法。
本发明第二方面实施例提供了一种电力***中异常数据的辨识装置。
本发明采用的技术方案如下:
本发明的第一方面实施例提出了一种电力***中异常数据的辨识方法,包括以下步骤:获取电力***中的各节点的量测数据,将所述量测数据变换到频域中,并计算所述量测数据在频域中的幅值;根据所述量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果;基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关;根据所述表型相关辨识所述量测数据是否为异常数据。
本发明上述的电力***中异常数据的辨识方法还具有如下附加技术特征:
根据本发明的一个实施例,具体根据以下公式计算所述量测数据在频域中的幅值:
;
其中,为量测数据在频域中的幅值,W为采样时间窗内的数据点数,X为量测数据矩阵,i为采样时间窗内数据点编号,m为节点编号,/>为节点m在采样时间窗内第i个数据点的值,k为频域中的坐标,e为自然对数的底。
根据本发明的一个实施例,具体根据以下公式计算各节点量测数据间的相关性矩阵:
;
;/>;
其中,m、n为节点编号,M为相关性矩阵,的元素为节点m与节点n之间的相关性,W为采样时间窗内的数据点数,i为采样时间窗内数据点编号,/>和/>分别为节点m和节点n的量测数据在频域中的幅值,/>和/>分别为/>和/>的平均值,/>为节点m在在采样时间窗内第i个数据点的幅值,/>为节点n在采样时间窗内第i个数据点的幅值,T为转置矩阵。
根据本发明的一个实施例,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果,具体包括:在初始时,每个节点被单独分为1个数据簇,标记为c1~cm,在第步中,选取相关性最高的数据簇p和q进行聚合,生成新的数据簇并标记为cm+1,并且标记当前步I的数据簇合集为cI;在相关性矩阵中加入第m+1行和m+1列,计算数据簇cm+1与其他数据簇cs之间的相关性;迭代m-1步后,将所有量测数据分为2类,将成员数量较少的一类标为含有攻击向量,而成员数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
根据本发明的一个实施例,具体根据以下公式计算数据簇构成的聚类树的表型相关:
具体根据以下公式计算数据簇构成的聚类树的表型相关:
;
;/> ;
其中,L为所述表型相关,M为相关性矩阵,I为迭代步数编号,i和j为求和步数编号,p和q为数据簇编号,α和β分别为第一参数和第二参数, 为第i-1迭代步中数据簇p和q的相关性矩阵,/>为第i迭代步中数据簇p和q的相关性矩阵,/>为第i和第j求和步骤的相关性矩阵。
根据本发明的一个实施例,根据所述表型相关辨识所述量测数据是否为异常数据,包括:如果所述表型相关大于设定值Lmin,则判断所述量测数据为异常数据。
根据本发明的一个实施例,根据以下公式获取所述设定值Lmin:
;/>;/>;
;其中,/>为针对正常样本的判别错误率,/>为正常样本总数,为正常样本中判别错误的数量,/>为针对异常样本的判别错误率,/>为异常样本总数,/>为异常样本中判别错误的数量,/>为样本的判别错误率,s.t.为约束条件。
本发明的第二方面实施例提出了一种电力***中异常数据的辨识装置,包括:获取模块,所述获取模块用于获取电力***中的各节点的量测数据,将所述量测数据变换到频域中,并计算所述量测数据在频域中的幅值;聚类模块,所述聚类模块用于根据所述量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果;计算模块,所述计算模块用于基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关;辨识模块,所述辨识模块用于根据所述表型相关辨识所述量测数据是否为异常数据。
本发明上述的电力***中异常数据的辨识装置还具有如下附加技术特征:
根据本发明的一个实施例,所述聚类模块具体用于:在初始时,每个节点被单独分为1个数据簇,标记为c1~cm,在第步中,选取相关性最高的数据簇p和q进行聚合,生成新的数据簇并标记为cm+1,并且标记当前步I的数据簇合集为cI;在相关性矩阵中加入第m+1行和m+1列,计算数据簇cm+1与其他数据簇cs之间的相关性/>;迭代m-1步后,将所有量测数据分为2类,将成员数量较少的一类标为含有攻击向量,而成员数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
根据本发明的一个实施例,所述计算模块具体根据以下公式计算数据簇构成的聚类树的表型相关:
;
;/> ;
其中,L为所述表型相关,M为相关性矩阵,I为迭代步数编号,i和j为求和步数编号,p和q为数据簇编号,α和β分别为第一参数和第二参数, 为第i-1迭代步中数据簇p和q的相关性矩阵,/>为第i迭代步中数据簇p和q的相关性矩阵,/>为第i和第j求和步骤的相关性矩阵。
本发明的有益效果:
本发明利用电力***中物理特性和节点间的相关性对异常数据进行辨识,能够有效搜索出可能被攻击者入侵用于注入攻击向量的节点,提升电力***安全性和可靠性。
附图说明
图1是根据本发明一个实施例的电力***中异常数据的辨识方法的流程图;
图2是根据本发明另一个实施例的电力***中异常数据的辨识方法的流程图;
图3是根据本发明一个具体示例的电力***的节点示意图;
图4是根据本发明一个具体示例的电力***的样本测试结果示意图;
图5是根据本发明一个实施例的电力***中异常数据的辨识装置的方框示意图。
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。
图1是根据本发明一个实施例的电力***中异常数据的辨识方法的流程图。如图1所示,该方法包括以下步骤:
S1,获取电力***中的各节点的量测数据,将量测数据变换到频域中,并计算量测数据在频域中的幅值。
具体地,量测数据可以为电力***中各发电机节点的电压、功角、有功功率、无功功率等数据。
可以对量测数据进行傅里叶变换,以计算频域中的幅值,为后续相关性矩阵提供输入数据。具体可以根据以下公式计算量测数据在频域中的幅值:
;
其中,为量测数据在频域中的幅值,W为采样时间窗内的数据点数,X为量测数据矩阵,i为采样时间窗内数据点编号,m为节点编号,/>为节点m在采样时间窗内第i个数据点的值,k为频域中的坐标,e为自然对数的底。
S2,根据量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果。
根据本发明的一个实施例,具体根据以下公式计算各节点量测数据间的相关性矩阵:
;
;
;
其中,m、n为节点编号,M为相关性矩阵,相关性矩阵M为对称矩阵,的元素为节点m与节点n之间的相关性,W为采样时间窗内的数据点数,i为采样时间窗内数据点编号,和/>分别为节点m和节点n的量测数据在频域中的幅值,/>和/>分别为/>和/>的平均值,为节点m在在采样时间窗内第i个数据点的幅值,/>为节点n在采样时间窗内第i个数据点的幅值,T为转置矩阵。
根据本发明的一个实施例,如图2所示,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果,具体包括:
S21,在初始时,每个节点被单独分为1个数据簇,标记为c1~cm,在第步中,选取相关性最高的数据簇p和q进行聚合,生成新的数据簇并标记为cm+1,并且标记当前步I的数据簇合集为cI。
其中,;/>。
S22,在相关性矩阵中加入第m+1行和m+1列,计算数据簇cm+1与其他数据簇cs之间的相关性。
;
其中,为数据簇/>中包含的子数据簇总数。
S23,迭代m-1步后,将所有量测数据分为2类,将成员数量较少的一类标为含有攻击向量,而成员数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
可以理解,考虑到攻击者的攻击资源有限,同时篡改***内超过50%的节点量测数据的概率极低,因此聚类后将成员数量较少的一类标为含有攻击向量,而数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
S3,基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关L。
具体地,数据簇构成的聚类树的表型相关用于表征聚类结果是否能够体现各节点数据间的差异,具体根据以下公式计算数据簇构成的聚类树的表型相关:
;
;
;
其中,L为所述表型相关,M为相关性矩阵,I为迭代步数编号,i和j为求和步数编号,p和q为数据簇编号,α和β分别为第一参数和第二参数, 为第i-1迭代步中数据簇p和q的相关性矩阵,/>为第i迭代步中数据簇p和q的相关性矩阵,/>为第i和第j求和步骤的相关性矩阵。
S4,根据表型相关L辨识量测数据是否为异常数据。
L越接近1则说明数据间的差异越大,即数据中越可能存在攻击向量。因此,存在某一设定值Lmin,当时,如果表型相关大于设定值Lmin,则说明量测数据中含有攻击向量,判断量测数据为异常数据。
Lmin需要基于大量历史和仿真数据确定,可通过求解以下优化问题,得到最优Lmin,从而使针对异常数据的判别准确率最高。
根据本发明的一个实施例,根据以下公式获取设定值Lmin:
;
;
;
;
其中,为针对正常样本的判别错误率,/>为正常样本总数,/>为正常样本中判别错误的数量,/>为针对异常样本的判别错误率,/>为异常样本总数,/>为异常样本中判别错误的数量,/>为样本的判别错误率,s.t.为约束条件。
确定Lmin后,即可在实际应用中根据L与Lmin间的数量关系判断量测数据中的是否含有攻击向量。
为了更直观的描述本发明上述的辨识方法的技术效果,将上述方法运用于如图3所示的电力***中的39节点***,在该***中的10台发电机上分别部署1个量测单元,编号M1~M10,用于测量各发电机节点的电压、功角、有功功率、无功功率等量测数据。攻击目标为故障后的***暂态稳定预测算法,其输入为故障后各节点电压在一定时间窗内的量测数据,输出为***稳定预测结果,攻击方式为诱导用户侧的分布式电源向电力***中注入攻击向量。
从攻击场景构造的数据集中随机选取600组正常样本,针对这些样本计算注入分布式电源的扰动,并得到由分布式电源向电力***中注入的攻击向量和最终攻击效果。从中选取120组攻击成功的样本,将其中的量测数据替换为攻击向量从而得到异常样本,而其他样本维持不变。统计正常样本数据和含有攻击向量的异常样本数据的表型相关性,如图4的(a)中所示,以及被辨识为可能被入侵的分布式电源所在节点数量,如图4中的(b)所示。异常样本数据的表型相关性主要分布在区间(0.94,1),为了尽可能不漏检异常样本,采用较为激进的判别方式,因此优化后求得。异常样本中判别为被入侵的节点数量大部分分布在3,与攻击场景中攻击者选取的攻击方案相同。
因此,采用本发明上述的异常数据辨识方法,异常样本的捡出率为92.5%,并且可以有效辨识出异常样本中被入侵的分布式电源所在节点,仅有少部分异常样本检测出的被入侵节点错误。
综上,根据本发明实施例的电力***中异常数据的辨识方法,获取电力***中的各节点的量测数据,将量测数据变换到频域中,并计算量测数据在频域中的幅值,然后,根据量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果,再基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关,最后根据表型相关辨识量测数据是否为异常数据。由此,利用电力***中物理特性和节点间的相关性对异常数据进行辨识,能够有效搜索出可能被攻击者入侵用于注入攻击向量的节点,提升电力***安全性和可靠性。
与上述的电力***中异常数据的辨识方法相对应,本发明还提出一种电力***中异常数据的辨识装置。由于本发明的装置实施例与上述的方法实施例相对应,对于装置实施例中未披露的细节,可参见上述的方法实施例,本发明中不再进行赘述。
图5是根据本发明一个实施例的电力***中异常数据的辨识装置的方框示意图,如图5所示,该装置包括:获取模块100、聚类模块200、计算模块300和辨识模块400。
其中,获取模块100用于获取电力***中的各节点的量测数据,将量测数据变换到频域中,并计算量测数据在频域中的幅值;聚类模块200用于根据量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果;计算模块300用于基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关;辨识模块400用于根据表型相关辨识量测数据是否为异常数据。
根据本发明的一个实施例,聚类模块200具体用于:在初始时,每个节点被单独分为1个数据簇,标记为c1~cm,在第I步中,选取相关性最高的数据簇p和q进行聚合,生成新的数据簇并标记为cm+1,并且标记当前步I的数据簇合集为cI;在相关性矩阵中加入第m+1行和m+1列,计算数据簇cm+1与其他数据簇cs之间的相关性;迭代m-1步后,将所有量测数据分为2类,将成员数量较少的一类标为含有攻击向量,而成员数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
根据本发明的一个实施例,计算模块300具体根据以下公式计算数据簇构成的聚类树的表型相关:
;
;
;
其中,L为所述表型相关,M为相关性矩阵,I为迭代步数编号,i和j为求和步数编号,p和q为数据簇编号,α和β分别为第一参数和第二参数, 为第i-1迭代步中数据簇p和q的相关性矩阵,/>为第i迭代步中数据簇p和q的相关性矩阵,/>为第i和第j求和步骤的相关性矩阵。
根据本发明的一个实施例,辨识模块400具体用于:如果表型相关大于设定值Lmin,则判断量测数据为异常数据。
辨识模块400根据以下公式获取设定值Lmin:
;
;
;
;
其中,为针对正常样本的判别错误率,/>为正常样本总数,/>为正常样本中判别错误的数量,/>为针对异常样本的判别错误率,/>为异常样本总数,/>为异常样本中判别错误的数量,/>为样本的判别错误率。
综上所述,根据本发明实施例的电力***中异常数据的辨识装置,利用电力***中物理特性和节点间的相关性对异常数据进行辨识,能够有效搜索出可能被攻击者入侵用于注入攻击向量的节点,提升电力***安全性和可靠性。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种电力***中异常数据的辨识方法,其特征在于,包括以下步骤:
获取电力***中的各节点的量测数据,将所述量测数据变换到频域中,并计算所述量测数据在频域中的幅值;
根据所述量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果;
基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关;
根据所述表型相关辨识所述量测数据是否为异常数据。
2.根据权利要求1所述的电力***中异常数据的辨识方法,其特征在于,具体根据以下公式计算所述量测数据在频域中的幅值:
;
其中,为量测数据在频域中的幅值,W为采样时间窗内的数据点数,X为量测数据矩阵,i为采样时间窗内数据点编号,m为节点编号,/>为节点m在采样时间窗内第i个数据点的值,k为频域中的坐标,e为自然对数的底。
3.根据权利要求1所述的电力***中异常数据的辨识方法,其特征在于,具体根据以下公式计算各节点量测数据间的相关性矩阵:
;
;
;
其中,m、n为节点编号,M为相关性矩阵,的元素为节点/>与节点/>之间的相关性,W为采样时间窗内的数据点数,i为采样时间窗内数据点编号,/>和/>分别为节点m和节点n的量测数据在频域中的幅值,/>和/>分别为/>和/>的平均值,/>为节点m在在采样时间窗内第i个数据点的幅值,/>为节点n在采样时间窗内第i个数据点的幅值,T为转置矩阵。
4.根据权利要求1所述的电力***中异常数据的辨识方法,其特征在于,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果,具体包括:
在初始时,每个节点被单独分为1个数据簇,标记为c1~cm,在第步中,选取相关性最高的数据簇p和q进行聚合,生成新的数据簇并标记为cm+1,并且标记当前步I的数据簇合集为cI;
在相关性矩阵中加入第m+1行和m+1列,计算数据簇cm+1与其他数据簇cs之间的相关性;
迭代m-1步后,将所有量测数据分为2类,将成员数量较少的一类标为含有攻击向量,而成员数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
5.根据权利要求1所述的电力***中异常数据的辨识方法,其特征在于,具体根据以下公式计算数据簇构成的聚类树的表型相关:
;
;
;
其中,L为所述表型相关,M为相关性矩阵,I为迭代步数编号,i和j为求和步数编号,p和q为数据簇编号,α和β分别为第一参数和第二参数, 为第i-1迭代步中数据簇p和q的相关性矩阵,/>为第i迭代步中数据簇p和q的相关性矩阵,/>为第i和第j求和步骤的相关性矩阵。
6.根据权利要求1所述的电力***中异常数据的辨识方法,其特征在于,根据所述表型相关辨识所述量测数据是否为异常数据,包括:
如果所述表型相关大于设定值Lmin,则判断所述量测数据为异常数据。
7.根据权利要求6所述的电力***中异常数据的辨识方法,其特征在于,根据以下公式获取所述设定值Lmin:
;
;
;
;
其中,为针对正常样本的判别错误率,/>为正常样本总数,/>为正常样本中判别错误的数量,/>为针对异常样本的判别错误率,/>为异常样本总数,/>为异常样本中判别错误的数量,/>为样本的判别错误率,s.t.为约束条件。
8.一种电力***中异常数据的辨识装置,其特征在于,包括:
获取模块,所述获取模块用于获取电力***中的各节点的量测数据,将所述量测数据变换到频域中,并计算所述量测数据在频域中的幅值;
聚类模块,所述聚类模块用于根据所述量测数据在频域中的幅值计算各节点量测数据间的相关性矩阵,基于相关性矩阵的节点数据聚类方法,并通过迭代方式逐步聚合预设距离内的数据簇,生成聚类结果;
计算模块,所述计算模块用于基于聚类后的数据簇和数据簇的相关性矩阵,计算数据簇构成的聚类树的表型相关;
辨识模块,所述辨识模块用于根据所述表型相关辨识所述量测数据是否为异常数据。
9.根据权利要求8所述的电力***中异常数据的辨识装置,其特征在于,所述聚类模块具体用于:
在初始时,每个节点被单独分为1个数据簇,标记为c1~cm,在第步中,选取相关性最高的数据簇p和q进行聚合,生成新的数据簇并标记为cm+1,并且标记当前步I的数据簇合集为cI;
在相关性矩阵中加入第m+1行和m+1列,计算数据簇cm+1与其他数据簇cs之间的相关性;
迭代m-1步后,将所有量测数据分为2类,将成员数量较少的一类标为含有攻击向量,而成员数量较多的一类标为不含攻击向量,并分别设置标签ρ为1或0。
10.根据权利要求9所述的电力***中异常数据的辨识装置,其特征在于,所述计算模块具体根据以下公式计算数据簇构成的聚类树的表型相关:
;
;
;
其中,L为所述表型相关,M为相关性矩阵,I为迭代步数编号,i和j为求和步数编号,p和q为数据簇编号,α和β分别为第一参数和第二参数, 为第i-1迭代步中数据簇p和q的相关性矩阵,/>为第i迭代步中数据簇p和q的相关性矩阵,/>为第i和第j求和步骤的相关性矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152729.6A CN116881746B (zh) | 2023-09-08 | 2023-09-08 | 电力***中异常数据的辨识方法、辨识装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152729.6A CN116881746B (zh) | 2023-09-08 | 2023-09-08 | 电力***中异常数据的辨识方法、辨识装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881746A true CN116881746A (zh) | 2023-10-13 |
CN116881746B CN116881746B (zh) | 2023-11-14 |
Family
ID=88260938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311152729.6A Active CN116881746B (zh) | 2023-09-08 | 2023-09-08 | 电力***中异常数据的辨识方法、辨识装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881746B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010095314A1 (ja) * | 2009-02-17 | 2010-08-26 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
CN110674864A (zh) * | 2019-09-20 | 2020-01-10 | 国网上海市电力公司 | 一种含同步相量量测装置的风电异常数据辨识方法 |
CN111382862A (zh) * | 2018-12-27 | 2020-07-07 | 国网辽宁省电力有限公司信息通信分公司 | 一种电力***异常数据辨识方法 |
CN114418006A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 一种异常数据的检测方法及装置 |
CN114827211A (zh) * | 2022-05-13 | 2022-07-29 | 浙江启扬智能科技有限公司 | 一种物联网节点数据驱动的异常监控区域检测方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
-
2023
- 2023-09-08 CN CN202311152729.6A patent/CN116881746B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010095314A1 (ja) * | 2009-02-17 | 2010-08-26 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
CN111382862A (zh) * | 2018-12-27 | 2020-07-07 | 国网辽宁省电力有限公司信息通信分公司 | 一种电力***异常数据辨识方法 |
CN110674864A (zh) * | 2019-09-20 | 2020-01-10 | 国网上海市电力公司 | 一种含同步相量量测装置的风电异常数据辨识方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN114418006A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 一种异常数据的检测方法及装置 |
CN114827211A (zh) * | 2022-05-13 | 2022-07-29 | 浙江启扬智能科技有限公司 | 一种物联网节点数据驱动的异常监控区域检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116881746B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
CN108880915B (zh) | 一种电力信息网络安全告警信息误报判定方法和*** | |
US20220128614A1 (en) | Partial discharge determination apparatus and partial discharge determination method | |
CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
CN116401532B (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
Meng et al. | Forced oscillation source location via multivariate time series classification | |
CN110187275A (zh) | 一种永磁电机健康状态检测方法及*** | |
CN116155561A (zh) | 基于层次聚类的电力物联网多类虚假数据注入攻击检测方法及*** | |
CN116070302A (zh) | 一种电缆绝缘状态的预测方法及装置 | |
CN112684402B (zh) | 用电量平稳电能运行误差数据的监测方法及*** | |
CN116881746B (zh) | 电力***中异常数据的辨识方法、辨识装置 | |
CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
CN112345972B (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及*** | |
Lou et al. | Network robustness prediction: Influence of training data distributions | |
CN116307269A (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
CN116577552A (zh) | 一种智能量测开关的窃电诊断方法和装置 | |
CN111091194A (zh) | 一种基于cavwnb_kl算法的操作***识别方法 | |
CN113408210B (zh) | 基于深度学习的非侵入负荷分解方法、***、介质和设备 | |
CN114047399A (zh) | 一种光伏直流电弧故障识别方法及装置 | |
JP7170913B2 (ja) | 機器状態判定システム、電力量計、および機器状態判定方法 | |
Wang et al. | Data framing attacks against nonlinear state estimation in smart grid | |
Merrill et al. | Deep convolution for irregularly sampled temporal point clouds |
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 |