一种智能电网下虚假数据定位检测方法

1.本发明涉及一种智能电网下虚假数据定位检测方法，属于电力系统技术领域。


背景技术：

2.智能电网是由通信系统和物理设备共同组成的一个高度复杂的耦合网络系统，将现代先进的传感测量技术、通讯技术、信息技术、计算机技术和物理电网相结合。具体来说，分布在外场的传感器或者仪表采集实时的测量输入，如节点电压、节点注入功率等，将采集到的量测值送入系统的控制中心。在控制中心中对接收到的量测数据进行状态估计，检测系统是否可靠的运行。虚假数据注入攻击作为一种隐蔽的攻击，绕过了传统的不良数据检测机制，通过篡改量测数据使状态估计结果出现偏差，导致控制中心做出错误的决策，造成严重的经济损失。因此，及时有效的发现并快速的定位虚假数据注入攻击对于电力系统的安全有着极为重要的作用。
3.为了保障电力系统的安全，及时有效的发现、快速准确的定位注入攻击，本发明提出了一种智能电网中虚假数据定位检测方法。


技术实现要素：

4.本发明的目的在于提供一种智能电网下虚假数据定位检测方法，该方法能够利用实时的节点重构数据计算每个时刻上节点的异常得分，并根据异常得分与预先设定的阈值进行比较，检测并定位虚假数据注入攻击，解决了虚假数据注入攻击对于电力系统，导致控制中心做出错误的决策的缺陷。
5.一种智能电网下虚假数据定位检测方法，所述方法包括：
6.将实时接收到的节点量测值进行归一化处理输入预先训练的神经网络模型中，得到节点上实时的重构值；
7.计算节点的输入量测值和输出的重构值的差值，并根据重构差值得到每个节点上的异常得分；
8.判断节点上实时的异常得分和设定的阈值的大小，若
9.此时节点的异常得分大于阈值，则判断当前节点发生了虚假数据注入攻击，若
10.此时节点的异常得分小于阈值，则判断当前节点未发生虚假数据注入攻击。
11.进一步地，所述神经网络模型包括生成模块和识别模块，所述生成模块和识别模块由2*l层的神经网络单元组成，其中，第一l层由n个相同的神经网络单元组成；其中，第一l层中后一层网络的输入结合了前一层网络的输出和隐藏状态，第一l层网络用于从输入向量中提取有效特征，第一l层输入向量的维度是n
×
m，输出向量的维度是n
×
a，m代表了电网的节点总数，a代表了隐藏神经元数量；
12.第二l层由n个相同的神经网络单元组成，其中，第二l层中后一层网络的输入结合了前一层网络的输出和隐藏状态，第二l层用于从第一l层网络提取的特征维度中重构出对应的特征，第二l层网络的输入向量的维度是n
×
a，输出向量的维度是n
×
m，n是一批次输入
数据的个数，m代表电网的节点总数和隐藏神经元的数量。
13.进一步地，每层的神经网络单元计算公式表示为：
14.r
t
＝σ(x
twxr
+h
t-1whr
)
15.z
t
＝σ(x
twxz
+h
t-1whz
)
16.y
t
＝r
t
*h
t-1
17.n
t
＝tanh(x
twxh
+y
twhh
)
18.h
t
＝z
t
*h
t-1
+(1-z
t
)*n
t
19.根据r
t
＝σ(x
twxr
+h
t-1whr
)，将t时刻的输入x
t
和上一时刻的隐藏状态h
t-1
分别和权重矩阵w
xr
和w
hr
相乘求和后，经过非线性的激活函数，得到重置状态r
t
；
20.根据z
t
＝σ(x
twxz
+h
t-1whz
)，将t时刻的输入x
t
和上一时刻的隐藏状态h
t-1
分别和权重矩阵w
xz
和w
hz
相乘求和后，经过非线性的激活函数，得到更新状态z
t
；
21.将重置状态r
t
和上一个时刻的隐藏状态h
t-1
按照元素对应位置相乘，得到y
t
＝r
t
*h
t-1
，根据n
t
＝tanh(x
twxh
+y
twhh
)，将t时刻的输入x
t
和y
t
分别和权重矩阵w
xh
和w
hh
相乘求和后，经过tanh激活函数，得到候选状态n
t
；
22.根据h
t
＝z
t
*h
t-1
+(1-z
t
)*n
t
，将t时刻的更新状态z
t
和上一时刻的隐藏状态h
t-1
按照元素对应位置相乘；将t时刻的候选状态n
t
和(1-z
t
)按照元素对应位置相乘；将上述两个结果相加得到神经网络单元的输出h
t
。
23.进一步地，所述神经网络模型的训练方法包括：
24.获取智能电网历史量测数据作为训练集，并把历史量测数据分为一个个窗口大小为n的时间窗，一批次n
×
m维的测量值；
25.将一批次n个数据输入到生成模块和识别模块中，并分别进行自训练，更新初始神经网络模型的初始权重；
26.将自训练阶段生成模块的n个重构输出送入识别模块进行对抗训练，得到n个对抗训练的输出，并且再一次更新神经网络的权重，得到训练好的神经网络模型。
27.进一步地，所述自训练的方法包括：
28.根据生成模块和识别模块训练的损失函数：其中，xi代表训练时第i个时刻的输入量测，xi′
代表训练时第i个时刻的输出量测；
29.将一批次n个量测值x送入生成模块，通过min l
model_self
(x，model1(x))初始化生成模块的权重，并模拟生成“弱攻击”的数据model1(x)；
30.将一批次n个量测值x送入识别模块，通过min l
model_self
(x，model2(x))初始化识别模块，进行初步的权重更新。
31.进一步地，所述将自训练阶段生成模块的n个重构输出送入识别模块进行对抗训练的方法包括：
32.设定对抗训练的损失为：
[0033][0034]
设定生成模块model1的训练目标为：min l
model_adv
，让model1试图欺骗识别模块model2，来更好的生成数据；
[0035]
设定识别模块model2的训练目标为：maxl
model_adv
，让model2区分数据是来自于真实数据x，还是生成模块重构的数据model1(x)。
[0036]
进一步地，所述阈值设定方法包括：
[0037]
取训练集中正常的量测数据输入神经网络模型中输出对应的重构量测值；
[0038]
将每个时刻生成模块的输出和经过对抗训练后识别模块的输出与输入的量测值做差得到两个重构误差；
[0039]
对这两个重构误差加权求和得到当前时刻上每个节点的异常得分；
[0040]
统计训练阶段所有时刻的异常得分，对计算得到的异常得分进行升序排序。
[0041]
进一步地，所述对这两个重构误差加权求和得到当前时刻上每个节点的异常得分的方法包括：
[0042]
将一批次n个数据送入生成模块model1进行自训练，得到重构误差||x-model1(x)||2；将生成模块自训练的输出送入识别模块model2进行对抗训练，得到重构误差||x-model2(model1(x))||2；
[0043]
设定异常得分为：scorei＝α||x
i-model1(xi)||2+β||x
i-model2(model1(xi))||2，其中下标i代表了节点的编号，α+β＝1。
[0044]
与现有技术相比，本发明所达到的有益效果：本发明公能够利用实时的节点重构数据计算每个时刻上节点的异常得分，并根据异常得分与预先设定的阈值进行比较，检测并定位虚假数据注入攻击，克服了现有的技术无法准确定位攻击发生位置的不足之处。
附图说明
[0045]
图1为本发明实施提供的智能电网中虚假数据定位检测方法的流程。
具体实施方式
[0046]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0047]
本发明公开了一种智能电网下虚假数据定位检测方法，该方法使用2*l层的神经网络单元来对输入量测数据进行重建，其中前l层起到编码器的作用，从输入向量中提取数据的有效特征，后l层网络则起到了解码器的作用，从提取的特征中重构出对应的量测数据。在多层网络之间，后一层的网络结合前一层网络的输出和隐藏状态。经过2*l层的神经网络单元，充分提取了输入数据的时间相关性，并完整的重建了量测数据。此外，对抗训练的加入提高了神经网络在弱攻击时候的检测性能，使检测和定位的准确率进一步的提升。具体分为离线训练、阈值确定和在线检测三个部分。离线训练部分包括了自训练和对抗训练两阶段；阈值确定是在各个节点上，将生成模块和识别模块的重构误差加权求和得到异常得分，并按照0.95分位数作为阈值。在线检测主要是将实时更新的节点量测数据送入训练好的模型，并根据节点的重构误差来计算每个节点的异常得分，通过异常得分与阈值的比较来判定是否发生虚假数据攻击。通过以下步骤具体阐述：
[0048]
步骤1：将实时接收到的节点量测值输入进行批次归一化处理，并输入到训练好的神经网络模型中，得到节点上实时的重构量测值；
[0049]
步骤2：计算节点的输入值和重构值的重构误差；
[0050]
步骤3：根据重构误差计算每个节点上的异常得分；
[0051]
步骤4：判断此时节点上的异常得分和预先设定的阈值的大小，
[0052]
若此时节点的异常得分大于阈值，则认为此时当前节点发生了虚假数据注入攻击；若此时节点的异常得分小于阈值，则认为此时当前节点上未发生虚假数据注入攻击。
[0053]
在发明中，步骤1中的神经网络模型包括：
[0054]
步骤1-1：由2*l层的神经网络单元组成的生成模块和判别模块，通常l取2。对于每个模块而言，前l层均由n个相同的神经网络单元组成，其中后一层网络的输入结合了前一层网络的输出和隐藏状态，前l层网络起到了编码器的作用，从输入向量中提取有效特征，前l层输入向量的维度是n
×
m，输出向量的维度是n
×
a，m代表了电网的节点总数，a代表了隐藏神经元数量；后l层由n个相同的神经网络单元，其中后一层网络的输入结合了前一层网络的输出和隐藏状态，后l层起到了解码器的作用，从前l层网络提取的特征维度中重构出对应的特征。将前l层维度为n
×
a的输出作为后l层的输入，输出向量维度为n
×
m，n是一批次输入数据的个数，m代表电网的节点总数，也是隐藏神经元的数量，具体每层神经网络单元计算可以表示为：
[0055]rt
＝σ(x
twxr
+h
t-1whr
)
[0056]zt
＝σ(x
twxz
+h
t-1whz
)
[0057]yt
＝r
t
*h
t-1
[0058]nt
＝tanh(x
twxh
+y
twhh
)
[0059]ht
＝z
t
*h
t-1
+(1-z
t
)*n
t
[0060]
根据r
t
＝σ(x
twxr
+h
t-1whr
)，将t时刻的输入x
t
和上一时刻的隐藏状态h
t-1
分别和权重矩阵w
xr
和w
hr
相乘求和后，经过非线性的激活函数，得到重置状态r
t
；
[0061]
根据z
t
＝σ(x
twxz
+h
t-1whz
)，将t时刻的输入x
t
和上一时刻的隐藏状态h
t-1
分别和权重矩阵w
xr
和w
hr
相乘求和后，经过非线性的激活函数，得到更新状态z
t
；
[0062]
将重置状态r
t
和上一个时刻的隐藏状态h
t-1
按照元素对应位置相乘，得到y
t
＝r
t
*h
t-1
，根据n
t
＝tanh(x
twxh
+y
twhh
)，将t时刻的输入x
t
和y
t
分别和权重矩阵w
xh
和w
hh
乘求和后，经过tanh激活函数，得到候选状态n
t
；
[0063]
根据h
t
＝z
t
*h
t-1
+(1-z
t
)*n
t
，将t时刻的更新状态z
t
和上一时刻的隐藏状态h
t-1
按照元素对应位置相乘；将t时刻的候选状态n
t
和(1-z
t
)按照元素对应位置相乘；将上述两个结果相加得到神经网络单元的输出h
t
。
[0064]
本发明通过2*l层神经网络单元来重构输入量测数据，并计算每个节点上的异常得分，比较每个节点上重构的异常得分和预先设定的阈值，小于阈值则认定为正常的数据，大于阈值则判定当前节点受到了攻击。本发明实现了虚假数据注入攻击的定位检测，解决了现有大多数方案无法找到虚假数据注入攻击位置的问题。同时神经网路单元中结合历史时刻的隐藏状态更新重构量测数据，有效的提取了量测数据的时间相关性，并且尽可能准确的重构了输入的特征值。正常量测经过训练好的神经网络模型能很好的重构原始数据得到一个较小的异常得分，而对于受到攻击的量测值则无法很好的重构，导致了较高的异常得分。
[0065]
本发明中，步骤1中，神经网络模型的训练方法具体包括：
[0066]
步骤1-2：获取智能电网历史量测数据作为训练集，将智能电网历史量测数据分为
一个个窗口大小为n的时间窗，一批次n
×
m维的测量值，m代表了电网节点总数；依次将一批次n个数据输入到由2*l层神经网络单元组成的生成模块和识别模块分别进行自训练，相应更新模型的初始权重；将自训练阶段生成模块的n个重构输出送入识别模块进行对抗训练，得到n个对抗训练的输出，相应更新模型的权重，从而训练出神经网络模型；
[0067]
进一步的，本发明模型训练包括第一阶段的自训练和第二阶段的对抗训练：
[0068]
步骤1-2-1：第一阶段的自训练的操作为：根据模块的损失函数：1：第一阶段的自训练的操作为：根据模块的损失函数：
[0069]
其中xi，xi′
分别代表训练时第i个时刻的输入量测和输出量测。
[0070]
将一批次n个量测值x送入生成模块，通过min l
model_self
(x，model1(x))来相应更新生成模块的模型参数，并模拟生成“弱攻击”的数据model1(x)；
[0071]
将一批次n个量测值x送入识别模块，通过min l
model
(x，model2(x))来相应更新识别模块的模型参数。
[0072]
第二阶段的对抗训练的操作为：
[0073]
设定对抗训练的损失为：设定生成模块model1的训练目标为：min l
model_adv
，让model1试图欺骗识别模块model2，来更好的生成数据。
[0074]
设定识别模块model2的训练目标为：maxl
model_adv
，让model2尽可能的区分数据是来自于真实数据x还是生成模块重构的数据model1(x)。
[0075]
本发明在训练阶段采用了两阶段的对抗训练，一阶段生成模块和识别模块分别进行自训练，相应更新模型参数，并将生成模块的输出虚拟等效为异常较小的量测数据再一次的送入识别模块进行二阶段的对抗训练。在对抗训练中，生成模块model1的目的是训练生成尽可能真实的数据来欺骗识别模块model2，而识别模块的目的则是训练让model2尽可能的判别哪些数据是真实的数据哪些数据是生成模块的重构数据。因此，对抗训练的引入让模型更能区分小的注入攻击，提升了模型对于弱攻击的检测性能。
[0076]
步骤2：计算节点的输入值和重构值的重构误差；
[0077]
步骤2-1：计算节点的输入值和重构值的重构误差包括：将一批次n个数据送入生成模块model1进行自训练，得到重构误差||x-model1(x)||2；将model1自训练的输出送入识别模块model2进行对抗训练，得到重构误差||x-model2(model1(x))||2；
[0078]
步骤3：根据节点的重构误差，来计算每个节点上的异常得分；
[0079]
步骤3-1：计算每个节点的异常得分具体包括：scorei＝α||x
i-model1(xi)||2+β||x
i-model2(model1(xi))||2，下标i代表节点的编号，其中α+β＝1，并且用于将假阳性和真阳性之间的权重参数化，如果α＜β表示高灵敏度检测场景，将α＞β应用于低灵敏度检测场景，根据实际的量测数据来改变两者的值。
[0080]
步骤4：若此时节点的异常得分大于阈值，则认为此时当前节点发生了虚假数据注入攻击。若此时节点的异常得分小于阈值，则认为此时当前节点上发生了虚假数据注入攻击。
[0081]
步骤4-1：节点上阈值的设定包括：取训练集中正常的量测数据输入神经网络模型中输出对应的重构量测值；将每个时刻生成模块的输出和经过对抗训练后识别模块的输出
与输入量测值做差得到重构误差；对这两个重构误差加权求和得到当前时刻上每个节点的异常得分；统计训练阶段所有时刻的异常得分，对计算得到的异常得分进行升序排列。在每个节点上，取0.95的分位数作为当前节点的阈值。
[0082]
本发明公开一种智能电网下虚假数据定位检测设备，包括存储介质及处理器。
[0083]
提到的存储介质用于存储指令。
[0084]
所述的处理器则是根据存储介质所存储的指令进行系统操作，以执行本发明所述方法的步骤。
[0085]
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行一种基于变形的非局部网络医学图像分割方法。
[0086]
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行一种基于变形的非局部网络医学图像分割方法的指令。
[0087]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0088]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0089]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0090]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种智能电网下虚假数据定位检测方法，其特征在于，所述方法包括：将实时接收到的节点量测值进行归一化处理输入预先训练的神经网络模型中，得到节点上实时的重构值；计算节点的输入量测值和输出的重构值的差值，并根据重构差值得到每个节点上的异常得分；判断节点上实时的异常得分和设定的阈值的大小，若此时节点的异常得分大于阈值，则判断当前节点发生了虚假数据注入攻击，若此时节点的异常得分小于阈值，则判断当前节点未发生虚假数据注入攻击。2.根据权利要求1所述的智能电网下虚假数据定位检测方法，其特征在于，所述神经网络模型包括生成模块和识别模块，所述生成模块和识别模块由2*l层的神经网络单元组成，其中，第一l层由n个相同的神经网络单元组成，第一l层中后一层网络的输入结合了前一层网络的输出和隐藏状态，第一l层网络用于从输入向量中提取有效特征，第一l层输入向量的维度是n
×
m，输出向量的维度是n
×
a，m代表了电网的节点总数，a代表了隐藏神经元数量；第二l层由n个相同的神经网络单元组成，其中，第二l层中后一层网络的输入结合了前一层网络的输出和隐藏状态，第二l层用于从第一l层网络提取的特征维度中重构出对应的特征，第二l层网络的输入向量的维度是n
×
a，输出向量的维度是n
×
m，n是一批次输入数据的个数，m代表电网的节点总数和隐藏神经元的数量。3.根据权利要求2所述的智能电网下虚假数据定位检测方法，其特征在于，每层的神经网络单元计算公式表示为：r
t
＝σ(x
t
w
xr
+h
t-1
w
hr
)z
t
＝σ(x
t
w
xz
+h
t-1
w
hz
)y
t
＝r
t
*h
t-1
n
t
＝tanh(x
t
w
xh
+y
t
w
hh
)h
t
＝z
t
*h
t-1
+(1-z
t
)*n
t
根据r
t
＝σ(x
t
w
xr
+h
t-1
w
hr
)，将t时刻的输入x
t
和上一时刻的隐藏状态h
t-1
分别和权重矩阵w
xr
和w
hr
相乘求和后，经过非线性的激活函数，得到重置状态r
t
；根据z
t
＝σ(x
t
w
xz
+h
t-1
w
hz
)，将t时刻的输入x
t
和上一时刻的隐藏状态h
t-1
分别和权重矩阵w
xz
和w
hz
相乘求和后，经过非线性的激活函数，得到更新状态z
t
；将重置状态r
t
和上一个时刻的隐藏状态h
t-1
按照元素对应位置相乘，得到y
t
＝r
t
*h
t-1
，根据n
t
＝tanh(x
t
w
xh
+y
t
w
hh
)，将t时刻的输入x
t
和y
t
分别和权重矩阵w
xh
和w
hh
相乘求和后，经过tanh激活函数，得到候选状态n
t
；根据h
t
＝z
t
*h
t-1
+(1-z
t
)*n
t
，将t时刻的更新状态z
t
和上一时刻的隐藏状态h
t-1
按照元素对应位置相乘；将t时刻的候选状态n
t
和(1-z
t
)按照元素对应位置相乘；将上述两个结果相加得到神经网络单元的输出h
t
。4.根据权利要求2所述的智能电网下虚假数据定位检测方法，其特征在于，所述神经网络模型的训练方法包括：获取智能电网历史量测数据作为训练集，并把历史量测数据分为一个个窗口大小为n的时间窗，一批次n
×
m维的测量值；
将一批次n个数据输入到生成模块和识别模块中，并分别进行自训练，更新初始神经网络模型的初始权重；将自训练阶段生成模块的n个重构输出送入识别模块进行对抗训练，得到n个对抗训练的输出，并且再一次更新神经网络的权重，得到训练好的神经网络模型。5.根据权利要求4所述的智能电网下虚假数据定位检测方法，其特征在于，所述自训练的方法包括：根据生成模块和识别模块训练的损失函数：其中，x
i
代表训练时第i个时刻的输入量测，x
i
′
代表训练时第i个时刻的输出量测；将一批次n个量测值x送入生成模块，通过min l
model_self
(x，model1(x))初始化生成模块的权重，并模拟生成“弱攻击”的数据model1(x)；将一批次n个量测值x送入识别模块，通过min l
model_self
(x，model2(x))初始化识别模块，进行初步的权重更新。6.根据权利要求4所述的智能电网下虚假数据定位检测方法，其特征在于，所述将自训练阶段生成模块的n个重构输出送入识别模块进行对抗训练的方法包括：设定对抗训练的损失为：设定生成模块model1的训练目标为：min l
model_adv
，让model1试图欺骗识别模块model2，来更好的生成数据；设定识别模块model2的训练目标为：max l
model_adv
，让model2区分数据是来自于真实数据x，还是生成模块重构的数据model1(x)。7.根据权利要求1所述的智能电网下虚假数据定位检测方法，其特征在于，所述阈值设定方法包括：取训练集中正常的量测数据输入神经网络模型中输出对应的重构量测值；将每个时刻生成模块的输出和经过对抗训练后识别模块的输出与输入的量测值做差得到两个重构误差；对这两个重构误差加权求和得到当前时刻上每个节点的异常得分；统计训练阶段所有时刻的异常得分，对计算得到的异常得分进行升序排序。8.根据权利要求7所述的智能电网下虚假数据定位检测方法，其特征在于，所述对这两个重构误差加权求和得到当前时刻上每个节点的异常得分的方法包括：将一批次n个数据送入生成模块model1进行自训练，得到重构误差||x-model1(x)||2；将生成模块自训练的输出送入识别模块model2进行对抗训练，得到重构误差||x-model2(model1(x))||2；设定异常得分为：score
i
＝α||x
i-model1(x
i
)||2+β||x
i-model2(model1(x
i
))||2，其中下标i代表了节点的编号，α+β＝1。

技术总结
本发明公开了一种智能电网下虚假数据定位检测方法，方法包括：将实时接收到的节点量测值进行归一化处理输入预先训练的神经网络模型中，得到节点上实时的重构值；计算节点的输入量测值和输出的重构值的差值，并根据重构差值得到每个节点上的异常得分；判断节点上实时的异常得分和设定的阈值的大小，若此时节点的异常得分大于阈值，则判断当前节点发生了虚假数据注入攻击，若此时节点的异常得分小于阈值，则判断当前节点未发生虚假数据注入攻击；本发明能对虚假数据注入攻击进行有效的检测和精确的定位，保证了电力系统的运行安全。保证了电力系统的运行安全。保证了电力系统的运行安全。


技术研发人员：王玉峰 周炀明
受保护的技术使用者：南京邮电大学
技术研发日：2023.08.08
技术公布日：2023/10/11