一种面向主动配电网虚假数据注入攻击的时空异构定位方法

摘要: 本发明属于电力系统信息安全领域,具体涉及一种面向主动配电网虚假数据注入攻击(fdia)的时空异构定位方法。背景技术:1、随着分布式光伏、储能及可控负荷等资源接入...
一种面向主动配电网虚假数据注入攻击的时空异构定位方法

本发明属于电力系统信息安全领域,具体涉及一种面向主动配电网虚假数据注入攻击(fdia)的时空异构定位方法。

背景技术:

1、随着分布式光伏、储能及可控负荷等资源接入规模不断扩大,主动配电网对量测数据的依赖程度显著提高。scada和pmu等多源量测设备,为状态估计、潮流监测和调度控制提供了重要数据基础。然而,量测数据在采集和传输过程中可能受到fdia的篡改,导致调度中心对系统运行状态产生错误判断,进而影响主动配电网的安全稳定运行。

2、在实际应用中,仅判断系统是否受到fdia攻击,难以满足故障隔离、运行恢复和安全防护的需求,还需要进一步识别具体受攻击节点,实现节点级攻击定位。现有fdia定位方法多将不同量测数据按照同质特征处理,默认各节点和支路量测在精度、频率及统计特性上具有一致性。但在主动配电网中,scada覆盖范围广但精度较低、噪声较大,pmu精度较高但通常仅部署于关键节点或关键支路附近。若对上述异构量测数据进行等价建模,容易削弱高质量量测信息的判别作用,影响攻击节点定位精度。

3、同时,分布式光伏出力具有随机性、间歇性和波动性,使主动配电网量测序列呈现明显的非平稳特征。在光伏波动、负荷变化和量测噪声共同作用下,fdia引起的局部异常扰动容易被正常运行波动掩盖,增加正常扰动与恶意攻击之间的区分难度。现有基于普通图神经网络或时空特征建模的方法,通常对scada/pmu量测差异、支路量测类型差异以及高噪声环境下的攻击特征弱化问题考虑不足,导致在复杂运行场景下的节点级fdia定位准确性和稳定性仍有待提高。

4、因此,亟需一种面向主动配电网多源量测异构、高噪声干扰和分布式光伏波动场景的fdia节点定位方法,以同时刻画量测序列的时间演化特征和电网拓扑空间关联关系,提高攻击节点定位的准确性和鲁棒性。

技术实现思路

1、本发明所要解决的技术问题是:针对主动配电网中多源量测设备异构、节点与支路量测配置不一致,以及分布式光伏出力波动和高噪声干扰下fdia攻击特征易被掩盖、受攻击节点难以准确定位的问题,提供一种面向主动配电网fdia的时空异构定位方法。该方法基于多源量测数据构建时空异构图,并利用tcn-hetgnn模型分别提取量测数据的时间演化特征和拓扑空间关联特征,从而实现主动配电网fdia攻击节点的精准定位。

2、本发明所采用的技术方案如下:

3、本发明提供一种面向主动配电网虚假数据注入攻击的时空异构定位方法,包括以下步骤:

4、步骤一:构建多源量测数据时空异构图,以主动配电网物理拓扑为基础,将配电网中的母线节点和支路连接关系分别抽象为图结构中的节点和边,并结合数据采集与监控中心(supervisory control and data acquisition center, scada)量测、同步相量测量单元(phasor measurement unit, pmu)量测及分布式光伏接入信息,将所述图结构构建为包含四类异构节点和两类异构支路的时空异构图;其中,所述四类异构节点包括:仅配置scada装置的节点、同时配置scada与pmu的节点、接入分布式光伏电源但未配置pmu的节点、以及同时具备scada、pmu和分布式电源接入的节点;所述两类异构支路包括:仅依赖scada量测的支路、以及同时具备scada和pmu量测的支路;

5、步骤二:采用特征掩码对齐方法对缺失量测进行标识和补齐,根据不同节点和支路的量测配置差异,建立节点特征掩码和支路特征掩码,对缺失的pmu量测、分布式光伏接入量测及支路电流相量量测进行标识,并通过零填充方式补齐缺失量测,以形成统一维度的节点特征表示和支路特征表示;

6、步骤三:利用时间卷积网络(temporal convolutional network, tcn)提取节点/支路时序特征,并通过异构图神经网络(heterogeneous graph neural network, hetgnn)进行类型感知的空间拓扑聚合;基于所述统一维度的节点特征表示和支路特征表示,在时序建模阶段首先对节点与支路特征进行维度重构以暂时解除拓扑关系,将节点特征张量由批量大小×节点数量×时间窗口长度×节点特征维度重构为批量大小×节点特征维度×时间窗口长度×节点数量,将支路特征张量由批量大小×支路数量×时间窗口长度×支路特征维度重构为批量大小×支路特征维度×时间窗口长度×支路数量;分别构建两个参数结构一致但权重独立的时间卷积网络,对重构后的节点序列与支路序列进行特征提取,并在完成多层卷积运算后从输出序列中提取末端时刻对应的特征作为节点和支路的时序表示;将所述时序表示输入异构图神经网络,通过类型专属消息构建和类型感知注意力机制,对不同类型节点及不同类型支路之间的空间拓扑关联进行加权聚合;其中,所述类型专属消息构建为:针对目标节点与其邻域节点之间的每条边,根据目标节点类型、邻域节点类型及连接支路类型,通过对应的多层感知机映射函数对目标节点时序特征、邻域节点时序特征及连接支路时序特征的拼接向量进行映射,生成类型专属消息向量;所述类型感知注意力机制为:针对不同类型节点分别设置独立的注意力权重向量和特征映射矩阵,基于所述类型专属消息向量计算边的重要性评分,并经归一化得到邻域注意力权重,利用所述注意力权重对类型专属消息向量进行加权聚合;

7、步骤四:输出节点级fdia攻击概率,将经过类型感知空间拓扑聚合后的节点特征与所述时序表示进行拼接,经降维映射得到紧凑节点特征,按照预设节点顺序将同一样本中全部节点的紧凑节点特征进行展平形成全网联合特征向量,输入全局分类模块,输出各节点受到fdia攻击的预测概率,并根据所述预测概率确定受攻击节点。

8、进一步地,步骤一所述构建多源量测数据时空异构图的过程如下:

9、以主动配电网的物理拓扑为基础,将系统建模为时空异构图:

10、

11、式中:和分别表示节点与边集合,和用于区分不同类型的节点和边,和分别表示节点特征和边特征。

12、(1)节点异构特征建模:在所构建的时空异构图中,节点集合记为,对应配电网中的个物理母线节点;引入节点类型映射函数将节点映射到相应的类型空间;结合主动配电网中高斯噪声与光伏出力波动的实际运行特征,根据节点接入的量测装置和电源类型,对节点集合进行结构化划分;将其划分为四类互不重叠的子集,,,;其中为仅配置scada装置的节点,为同时配置scada与pmu的节点,为接入分布式光伏电源但未配置pmu的节点,为同时具备scada、pmu和分布式电源接入的节点;

13、(2)支路异构特征建模:在图结构中引入边属性建模机制,将量测信息嵌入支路表示中;定义边类型映射函数  ,用于刻画不同支路的量测配置差异;根据线路两端是否具备支路电流测量能力的 pmu,将边集合划分为两类:一类为仅依赖scada量测的支路,其特征主要由线路有功功率和无功功率构成;另一类为同时具备scada和pmu量测的支路,在功率信息基础上进一步引入电流相量的实部与虚部;

14、进一步地,步骤二所述采用特征掩码对齐方法对缺失量测进行标识和补齐的过程如下:

15、(1)节点特征统一表示:完成节点类型划分后,采用基于特征掩码的零填充策略对多源量测数据进行统一建模;

16、节点特征统一建模步骤如下:

17、a.构建节点特征张量

18、式中:为节点数量,为时间窗口长度,且,表示统一后的特征维度,且;

19、b.对于任意节点,其在时刻 的特征向量表示为:

20、

21、式中:、、分别表示由 scada 采集的电压幅值、节点注入有功功率和节点注入无功功率; ,分别表示 pmu 采集的电压幅值和相角; 表示分布式光伏的有功功率注入;

22、c. 在特征对齐过程中,对于不同类型节点所缺失的量测信息,通过引入掩码约束进 行处理:未配置 pmu 的节点,其电压幅值和相角相量特征置为 0;未接入分布式光伏电源的节点, 其对应的有功注入特征置为 0;

23、(2)支路特征统一表示:完成边类型划分后,采用基于特征掩码的零填充策略进行统一建模;

24、支路特征统一建模步骤如下:

25、a.所有支路特征被组织为边特征张量

26、式中:为支路数量,为特征维度且;

27、b. 对于任意支路,其在时刻 的特征向量表示为:

28、

29、式中:、分别表示由scada量测获得的支路的有功功率和无功功率,、分别表示由pmu量测获得的支路电流相量实部和虚部;

30、c. 在特征对齐过程中,对于不同类型边所缺失的量测信息,通过引入掩码约束进行处理:对于仅配置 scada 的支路,其缺失的电流相量特征采用零填充策略进行对齐。

31、进一步地,步骤三所述利用tcn提取节点/支路时序特征,并通过hetgnn进行类型感知的空间拓扑聚合的步骤如下:

32、模型设计中引入时空解耦思路,将时间特征提取与空间拓扑建模相对分离,以提升对微弱异常信号的刻画能力;

33、基于所述统一维度的节点特征表示和支路特征表示,在输入层模型接收滑动窗口数据,并分别构建节点与支路的时序特征张量;

34、

35、

36、式中:为批量大小,且;

37、(1)利用tcn提取节点/支路时序特征;

38、a.考虑到空间拓扑结构可能在特征提取初期引入额外干扰,在时序建模阶段首先对节点与支路特征进行维度重构;对于节点特征张量,将重构为;对于支路特征张量,将重构为,经过该变换后,原有拓扑关系被暂时解除,各节点与支路的时间序列被视为相互独立的动态过程;

39、b. 在节点与支路特征维度重构后的基础上,分别构建两个参数结构一致但权重独立的时间卷积网络,对节点序列与支路序列进行特征提取;对于任一输入序列,设第层的输入特征为,其特征演化过程表示为:

40、

41、

42、式中:表示第层时间序列建模模块的输出特征向量,为中间隐状态特征;和分别表示第层的一维卷积核权重; 表示膨胀卷积运算,为随机失活函数,用于防止模型过拟合;为卷积映射,用于实现残差连接中的维度匹配;表示因果截断算子,用于保证时间序列建模的因果性;表示组归一化,用于在小批量样本场景下稳定内部隐藏层的特征分布,加速网络收敛并提升模型的泛化能力;为带泄露系数的非线性激活函数,用于引入非线性特征映射;

43、在时间卷积过程中,通过引入膨胀机制,模型能够逐层扩大感受野,从而捕获长时间范围内的动态依赖关系,其理论感受野表示为:

44、

45、式中:l 为网络的层数,k 为卷积核的大小;

46、在完成多层卷积运算后,从输出序列中提取末端时刻对应的特征作为节点和支路的时序表示;具体而言,节点表示定义为,支路表示定义为,其中表示时间序列的最后一个时刻;

47、(2)hetgnn进行类型感知的空间拓扑聚合:

48、a.类型专属消息构建:在图结构中,节点特征由时间卷积网络输出的构成,支路特征由构成;对于任意目标节点,其从邻域节点接受的消息表示为:

49、

50、式中:表示节点传递给目标节点的消息向量,分别表示节点与节点的特征向量,表示连接节点与的支路特征,为隐藏层特征维度,表示向量拼接操作,为节点类型映射函数,为支路类型映射函数,表示针对不同节点与支路类型组合所定义的多层感知机映射函数;

51、b.类型感知注意力机制:注意力权重的计算依赖于节点类型,不同类型节点对应独立的注意力参数,从而使模型能够针对不同类别节点自适应调整邻域信息的重要性;对于边其重要性评分表示为:

52、

53、式中:表示边的重要性评分,为可学习的类型感知注意力权重向量,表示针对目标节点类型专属的特征映射矩阵,表示消息向量维度,表示注意力机制的隐藏特征维度,为带泄露系数的非线性激活函数;

54、获得评分值后,通过归一化操作得到邻域内的注意力权重为:

55、

56、式中:表示节点对的归一化影响权重,表示节点的一阶邻域集合,表示以自然常数为底的指数函数;

57、c.异构状态更新:在完成加权聚合后,将聚合结果与节点自身特征进行拼接,并通过类型相关的线性映射完成特征更新,同时,引入残差连接以保留原始特征信息,并提高模型训练的稳定性;其表达式如下:

58、

59、式中:表示针对节点类型定义的特征更新矩阵,用于将拼接后的特征映射回统一维度; 为残差连接项;

60、随着多层网络的迭代传播,节点特征逐步融合来自不同邻域路径的信息,最终形成兼具局部动态响应与全局拓扑约束的高维表示,其中表示最终的节点特征张量。

61、进一步地,步骤四所述输出节点级fdia攻击概率的步骤如下:

62、将tcn提取的局部时序特征与hetgnn输出的空间特征进行拼接,形成联合表示,并通过降维映射得到紧凑的节点特征表达;在输出阶段,将所有节点特征进行展平后输入全局分类器,实现对整个电网中各节点攻击状态的联合预测;

63、(1)各节点的时空联合特征表示:

64、设tcn输出的节点局部时序特征为:

65、

66、hetgnn输出的节点空间拓扑特征为:

67、

68、则节点时空联合特征表示为:

69、

70、其中:

71、

72、式中:和分别表示tcn,hetgnn输出特征维度,且;表示沿特征维度进行拼接;

73、为降低全网节点特征展平后的参数规模,对各节点的时空联合特征进行降维映射,得到节点紧凑特征:

74、

75、其中:

76、

77、式中:和分别表示节点特征压缩层的权重矩阵和偏置项,表示压缩后的节点特征维度,且;

78、随后,按照预设节点顺序,将同一样本中全部节点的紧凑特征进行展平,形成全网联合特征向量:

79、

80、式中:表示第个样本对应的全网联合特征向量,表示向量展平操作;

81、(2)全局分类模块mlp:

82、将所述全网联合特征向量输入全局分类模块,得到与主动配电网节点数量相同的节点级预测值:

83、

84、其中:

85、

86、式中:表示随机失活操作,,分别表示全局分类模块第一全连接层和第二全连接层的权重矩阵;,分别表示对应的偏置项;

87、对节点级预测值施加sigmoid函数,得到各节点受到fdia攻击的预测概率:

88、

89、式中:表示第个样本中节点受到fdia攻击的预测概率;当则将节点判定为攻击节点;

90、考虑到实际数据中攻击样本占比较低,训练过程中采用加权二元交叉熵损失函数, 以增强模型对异常节点的识别能力,其表达式如下:

91、

92、式中:表示模型损失,为模型参数集合,为节点标签, 为正样本权重系数,且;所述正样本权重系数仅作用于受攻击节点对应的正样本损失项。

93、本发明具有以下有益效果:

94、(1)本发明面向主动配电网中scada、pmu及分布式光伏接入节点量测类型、量测精度和设备配置不一致的问题,构建包含四类异构节点和两类异构支路的多源量测数据时空异构图,能够在同一图结构中统一表示节点类型、支路类型、量测来源及其拓扑连接关系,避免将不同质量和不同来源的量测数据简单等价处理,提高了主动配电网复杂量测场景下特征表达的针对性。在ieee 33节点系统40 db信噪比条件下,本发明tcn-hetgnn模型的recall达到98.29%、f1 score达到98.88%,显著优于采用同构图建模的gcn(recall57.46%、f1 score 57.35%)和gat(recall 83.60%、f1 score 86.00%);在ieee 69节点系统同等条件下,本发明recall为96.81%、f1 score为97.73%,同样大幅领先于各对比模型,证明异构建模能够有效保留多源量测的差异化信息,提高复杂量测场景下特征表达的针对性。

95、(2)本发明采用特征掩码对齐方法,对未配置pmu、未接入分布式光伏电源以及缺失支路电流相量量测的特征位置进行标识和补齐,使不同类型节点和支路的量测数据能够形成统一维度的特征表示。该方法能够在保留多源量测差异性的同时满足模型输入维度一致性的要求,降低因量测配置不完整造成的特征缺失对fdia节点定位结果的影响。去除支路物理特征后,在ieee 33节点系统20 db强噪声条件下recall由完整模型的39.46%下降至31.49%,f1 score由47.86%下降至38.93%;在ieee 69节点系统20 db条件下recall由38.95%下降至32.69%,f1 score由50.84%下降至45.25%,说明保留并补齐支路功率、电流相量等物理量测特征对提升模型抗噪能力和定位精度具有重要作用。

96、(3)本发明采用tcn-hetgnn时空解耦建模方式,先利用tcn分别提取节点和支路量测序列的时间演化特征,再通过hetgnn中的类型专属消息构建和类型感知注意力机制,对不同类型节点和支路之间的空间拓扑关系进行差异化聚合。该方法能够同时考虑分布式光伏出力波动、高噪声干扰和电网拓扑耦合关系对fdia攻击特征的影响,从而提高复杂运行场景下攻击节点定位的准确性和稳定性。在ieee 33节点系统35 db条件下,本发明recall为95.67%、f1 score为95.48%,而时空耦合建模的stgcn仅为87.87%和85.39%;在25 db条件下本发明recall为59.91%、f1 score为66.62%,stgcn仅为44.65%和49.67%。