一种对电网虚假数据注入攻击的时空检测方法

1.本发明涉及电网虚假数据注入攻击检测领域，尤其是一种对电网虚假数据注入攻击的时空检测方法。


背景技术：

2.由于虚假数据注入攻击(fdia)可以绕过传统的基于残差的检测技术，因此成功的fdia可能会对电力系统的物理或经济运行产生不利影响。为了确保对电力系统的保护，国内外对抵御fdia进行了大量研究。
3.fdia检测的研究基本上可以分为基于模型的检测方法和数据驱动的检测方法。基于模型的方法不需要观测历史数据，但检测的精度也依赖于模型的精度，并且延迟问题也很难令人满意。数据驱动检测方法在应用过程中不涉及系统的参数及具体结构，该类方法只需历史数据便可以对fdia进行检测。近年来，图神经网络(gnn)已经成为处理图形数据的强大工具，基于gnn的fdia检测模型在中开发。然而，大多数基于gnn的模型只能捕获局部空间依赖。在时间相关性方面，基于lstm和gru的方法受到其固有的顺序性的影响，阻碍了长时间序列的学习能力。另外，大多现有的方法仅单独考虑了时间相关性或空间相关性来进行fdia检测。如何同时捕捉复杂的时空依赖特征，并为整个电力系统提供准确的fdia检测是一个值得研究的问题。


技术实现要素：

4.本发明需要解决的技术问题是提供一种对电网虚假数据注入攻击的时空检测方法，提出的空间transformer模块，在电力系统拓扑连接的基础上还动态捕捉了隐藏的空间模式，以综合考虑电网的局部和全局依赖关系。时间transformer模块捕获电网数据的非线性和长期时间依赖关系，实现提高电力系统中fdia的检测性能的目的。
5.为解决上述技术问题，本发明所采用的技术方案是：一种对电网虚假数据注入攻击的时空检测方法，包括如下步骤：
6.步骤s1、确定虚假数据注入攻击检测模型的输入特征，输入特征包括表示电力系统母线间的连接关系的邻接矩阵a和各母线节点的功率；
7.步骤s2、建立空间transformer模型：应用一个固定的图卷积层和一个空间自注意层来分别探索局部空间依赖性和全局空间依赖性，将学习到的局部空间特征和全局空间特征使用门机制融合；
8.步骤s3、建立时间transformer模型，通过对输入数据赋予不同的时间相关性权重来捕获电网数据的时间相关性特征；
9.步骤s4、将虚假数据检测问题建模为分类问题，据此构建基于时空transformer网络的fdia检测整体模型。
10.本发明技术方案的进一步改进在于：所述步骤s1中确定虚假数据注入攻击检测模型的输入特征的具体过程如下：
11.电网表示为图g＝(v,e,a)，其中v表示n个母线的集合，e是母线之间支路的集合，根据电力系统母线间的连接关系获得邻接矩阵a，若母线节点直接相连，则在a中对应元素为1；若母线节点不直接相连，则在a中对应元素为0，将电网中n个母线的时间序列长度为m的节点功率数据视作时间-空间-特征三维时空矩阵即每个母线的每个采样时间点会采集到一个长度为d的特征向量，三维时空矩阵z归一化之后，结合电网的邻接矩阵组成模型的输入特征。
12.本发明技术方案的进一步改进在于：所述步骤s2中应用一个固定的图卷积层探索局部空间依赖性的具体过程如下：
13.图卷积的计算基于切比雪夫多项式近似，表示邻接矩阵a的对角度矩阵，in为单位矩阵，将对称归一化拉普拉斯矩阵l定义为l＝i
n-d-1/2
ad
1/2
，从而得到一个缩放的拉普拉斯矩阵其中λ
max
是l的最大特征值，基于切比雪夫多项式tk的图卷积的近似输出写为：
[0014][0015]
其中，k是图卷积的核大小，θ是多项式系数的向量。
[0016]
本发明技术方案的进一步改进在于：所述步骤s2中应用一个空间自注意层来探索全局空间依赖性的具体过程如下：
[0017]
首先将每个时间步长的嵌入特征进行转换，通过应用可训练的线性变换，计算query向量key向量和value向量
[0018][0019][0020][0021]
其中，和分别为和的权重矩阵；
[0022]
计算在高维潜在子空间中query和key矩阵之间的相关性强度的权重计算方法为：
[0023][0024]
式中，为具有嵌入特征的图g的所有节点之间的自注意得到的注意得分，即电网母线间的全局空间依赖性，得到的分数用于对进行加权，并计算加权和得到节点新的嵌入
[0025][0026]
此外，采用三层前馈网络进一步学习节点的非线性特征，三层前馈网络包含三个隐藏层和两个校正线性单元(relu)激活函数，利用探索特征通道之间的相互作用来更新
[0027][0028]
在输入的嵌入特征与空间自注意提取的特征之间建立了残差连接之间建立了残差连接和为三层的权重矩阵；用另一个残差连接来求和前馈网络的输入和输出，与门机制进行特征融合。
[0029]
本发明技术方案的进一步改进在于：所述步骤s2中学习到的局部空间特征和全局空间特征使用门机制融合的过程为：
[0030]
门g由图卷积层的和空间自注意层的得出：
[0031][0032]
其中，和分别是将和转换为一维向量的线性投影，通过用门g将和加权得到输出
[0033][0034]
空间transformer的输出为收集m个时间步长并行获得的并通过输入后续的时间transformer。
[0035]
本发明技术方案的进一步改进在于：所述步骤s3中建立时间transformer模型的具体过程如下：
[0036]
从输入特征和时间嵌入的级联获得其中g
t
是1
×
1卷积层，在每个时间步长为每个节点生成d维向量；
[0037]
首先将长度为m和d通道的时间序列投影到具有可学习映射的潜在高维子空间中，这三个子空间的学习过程，即query子空间key子空间和value子空间表示为
[0038][0039][0040][0041]
其中，和是学习的线性映射，在得到这三个潜在的高维子空间后，引入缩放点积函数来考虑z
t-m+1
,
…
,z
t
中的双向时间依赖性，
[0042][0043]
通过对由时间相关性加权的进行聚合来获得时间特征；
[0044][0045]
为开发一个共享的三层前馈神经网络；
[0046][0047]
采用残差连接更好地学习深度网络，对于每个节点，其输出为
因此，通过收集所有节点的时间transformer的输出为
[0048]
本发明技术方案的进一步改进在于：所述步骤s4中将虚假数据检测问题建模为分类问题，构建基于时空transformer网络的fdia检测整体模型的具体过程如下：
[0049]
将历史时刻电网中各母线的特征放入空间transformer层中，然后经过时间transformer提取电网数据在时序上的特征，将融合电网时空特征的中间结果展成一维向量，经过一个全连接层及softmax层输出各个节点异常的概率，概率最大的节点作为模型最终的检测结果，模型构建完后，应用交叉熵损失函数的监督训练，计算出模型中定义的所有未知参数：
[0050][0051]
其中，p为样本数，q为类别数，y
iq
为样本标签类别，p
iq
为样本i属于类别q的概率。
[0052]
由于采用了上述技术方案，本发明取得的技术进步是：
[0053]
本发明为了提高电力系统中fdia的检测性能，提出了一种新的时空图神经网络来动态建模空间和长期时间依赖，引入空间transformer模块，以学习电网的时变空间相关性。在电力系统拓扑连接的基础上还动态捕捉了隐藏的空间模式，以综合考虑电网的局部和全局依赖关系。在时间维度上，引入时间transformer模块来捕获电网数据的非线性和长期时间依赖关系，实现提高电力系统中fdia的检测性能的目的。
附图说明
[0054]
图1是本发明方法的时空transformer网络的说明性体系结构图；
[0055]
图2是本发明方法的空间transformer结构及空间自注意层示意图；
[0056]
图3是本发明方法的时间transformer结构及时间自注意层示意图。
具体实施方式
[0057]
下面结合实施例对本发明做进一步详细说明：
[0058]
如图1所示，本发明提出的一种对电网虚假数据注入攻击的时空检测方法步骤如下：
[0059]
步骤s1，确定虚假数据注入攻击检测模型的输入特征：
[0060]
电网可以自然地表示为一个图g＝(v,e,a)，其中v表示n个母线的集合，e是母线之间支路的集合。根据电力系统母线间的连接关系获得邻接矩阵a。若母线节点直接相连，则在a中对应元素为1；否则为0。将电网中n个母线的时间序列长度为m的节点功率视作时间-空间-特征三维时空矩阵即每个母线的每个采样时间点会采集到一个长度为d的特征向量。三维时空矩阵z归一化之后，结合电网的邻接矩阵组成模型的输入特征。
[0061]
步骤s2，建立空间transformer模型：
[0062]
如图2所示，应用一个固定的图卷积层和一个空间自注意层来分别探索空间依赖性的局部和全局分量。将学习到的局部和全局空间特征使用门机制融合。
[0063]
1)图卷积层
[0064]
图卷积将经典的基于网格的卷积推广到图域。节点特征是根据学习到的权值和预
定义图对相邻节点的信息进行聚合而得到的。图卷积的计算一般都是基于切比雪夫多项式近似，以降低计算复杂度。表示邻接矩阵a的对角度矩阵，in为单位矩阵。将对称归一化拉普拉斯矩阵l定义为l＝i
n-d-1/2
ad
1/2
，从而得到一个缩放的拉普拉斯矩阵其中λ
max
是l的最大特征值。基于切比雪夫多项式tk的图卷积的近似输出可以写为：
[0065][0066]
其中，k是图卷积的核大小，θ是多项式系数的向量。由于g是基于电网的物理连通性构造的，因此通过固定的图卷积层可以明确地探索由拓扑结构所确定的局部空间依赖性。
[0067]
2)空间自注意层
[0068]
基于gcn的模型只建模局部的空间依赖关系。为了捕捉全局的隐藏空间依赖性，提出了一种空间自注意层。这是通过独立计算每个时间步长中每对母线之间的相关性来实现的，有效地建模节点之间的全局空间依赖关系。
[0069]
首先将每个时间步长的嵌入特征转换为更高级的特征，以获得足够的表达能力。通过应用可训练的线性变换，计算query向量key向量和value向量
[0070][0071][0072][0073]
这里，和分别为和的权重矩阵。
[0074]
以与transformer的编码器类似的方式，计算在高维潜在子空间中query和key矩阵之间的相关性强度的权重计算方法为：
[0075][0076]
式中，为具有嵌入特征的图g的所有节点之间的自注意得到的注意得分，即电网母线间的全局空间依赖性。采用点积法降低了计算中的计算成本和存储成本。采用softmax对空间依赖性进行归一化，比例因子防止了由softmax函数导致的饱和。得到的分数用于对进行加权，并计算加权和得到节点新的嵌入
[0077][0078]
此外，采用三层前馈网络进一步学习节点的非线性特征，该网络包含三个隐藏层和两个校正线性单元(relu)激活函数。利用探索特征通道之间的相互作用来更新
[0079]
[0080]
为了防止神经网络的退化，在输入的嵌入特征与空间自注意提取的特征之间建立了残差连接间建立了残差连接和为三层的权重矩阵。这里用另一个残差连接来求和前馈网络的输入和输出，与门机制进行特征融合。
[0081]
3)特征融合的门机制
[0082]
门机制有效地融合学习到的局部和全局特征。门g由图卷积层的和空间自注意层的得出。
[0083][0084]
其中，和分别是将和转换为一维向量的线性投影。通过用门g将和加权得到输出
[0085][0086]
空间transformer的输出为收集m个时间步长并行获得的并通过输入后续的时间transformer。
[0087]
步骤s3，建立时间transformer模型：
[0088]
如图3所示，开发了一个完全建立在注意机制上的时间transformer网络。与空间transformer类似，是从输入特征和时间嵌入的级联获得的，其中g
t
是1
×
1卷积层，在每个时间步长为每个节点生成d维向量。
[0089]
首先将长度为m和d通道的时间序列投影到具有可学习映射的潜在高维子空间中。这三个子空间的学习过程，即query子空间key子空间和value子空间可以表示为
[0090][0091][0092][0093]
其中和是学习的线性映射。在得到这三个潜在的高维子空间后，我们引入了缩放点积函数来考虑z
t-m+1
,
…
,z
t
中的双向时间依赖性。
[0094][0095]
基于rnn的模型仅限于考虑基于前面时间步长的时间依赖，这种从左到右的架构对于建模上下文依赖关系是次优的。通过对由时间相关性加权的进行聚合来获得时间特征。
[0096][0097]
为了探索潜在特征之间的相互作用，为开发了一个共享的三层前馈神经网络。
[0098][0099]
这里采用残差连接可以更好地学习深度网络。对于每个节点，其输
出为因此，通过收集所有节点的时间transformer的输出为
[0100]
步骤s4、将虚假数据检测问题建模为分类问题，据此构建基于时空transformer网络的fdia检测整体模型。
[0101]
将历史时刻电网中各母线的特征放入空间transformer层中，有效地集成了电网数据的局部和全局空间依赖。然后经过时间transformer提取电网数据在时序上的特征。将融合电网时空特征的中间结果展成一维向量，经过一个全连接层及softmax层输出各个节点异常的概率。概率最大的节点作为模型最终的检测结果。模型构建完后，应用交叉熵损失函数的监督训练，计算出模型中定义的所有未知参数：
[0102][0103]
式中，p为样本数，q为类别数，y
iq
为样本标签类别，p
iq
为样本i属于类别q的概率。

技术特征：
1.一种对电网虚假数据注入攻击的时空检测方法，其特征在于：包括如下步骤：步骤s1、确定虚假数据注入攻击检测模型的输入特征，输入特征包括表示电力系统母线间的连接关系的邻接矩阵a和各母线节点的功率；步骤s2、建立空间transformer模型：应用一个固定的图卷积层和一个空间自注意层来分别探索局部空间依赖性和全局空间依赖性，将学习到的局部空间特征和全局空间特征使用门机制融合；步骤s3、建立时间transformer模型，通过对输入数据赋予不同的时间相关性权重来捕获电网数据的时间相关性特征；步骤s4、将虚假数据检测问题建模为分类问题，据此构建基于时空transformer网络的fdia检测整体模型。2.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤s1中确定虚假数据注入攻击检测模型的输入特征的具体过程如下：电网表示为图g＝(v,e,a)，其中v表示n个母线的集合，e是母线之间支路的集合，根据电力系统母线间的连接关系获得邻接矩阵a，若母线节点直接相连，则在a中对应元素为1；若母线节点不直接相连，则在a中对应元素为0，将电网中n个母线的时间序列长度为m的节点功率数据视作时间-空间-特征三维时空矩阵即每个母线的每个采样时间点会采集到一个长度为d的特征向量，三维时空矩阵z归一化之后，结合电网的邻接矩阵组成模型的输入特征。3.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤s2中应用一个固定的图卷积层探索局部空间依赖性的具体过程如下：图卷积的计算基于切比雪夫多项式近似，表示邻接矩阵a的对角度矩阵，i
n
为单位矩阵，将对称归一化拉普拉斯矩阵l定义为l＝i
n-d-1/2
ad
1/2
，从而得到一个缩放的拉普拉斯矩阵其中λ
max
是l的最大特征值，基于切比雪夫多项式t
k
的图卷积的近似输出写为：其中，k是图卷积的核大小，θ是多项式系数的向量。4.根据权利要求3所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤s2中应用一个空间自注意层来探索全局空间依赖性的具体过程如下：首先将每个时间步长的嵌入特征进行转换，通过应用可训练的线性变换，计算query向量key向量和value向量和value向量和value向量和value向量其中，和分别为和的权重矩阵；
计算在高维潜在子空间中query和key矩阵之间的相关性强度的权重计算方法为：式中，为具有嵌入特征的图g的所有节点之间的自注意得到的注意得分，即电网母线间的全局空间依赖性，得到的分数用于对进行加权，并计算加权和得到节点新的嵌入点新的嵌入此外，采用三层前馈网络进一步学习节点的非线性特征，三层前馈网络包含三个隐藏层和两个校正线性单元(relu)激活函数，利用探索特征通道之间的相互作用来更新更新在输入的嵌入特征与空间自注意提取的特征之间建立了残差连接之间建立了残差连接和为三层的权重矩阵；用另一个残差连接来求和前馈网络的输入和输出，与门机制进行特征融合。5.根据权利要求3所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤s2中学习到的局部空间特征和全局空间特征使用门机制融合的过程为：门g由图卷积层的和空间自注意层的得出：其中，和分别是将和转换为一维向量的线性投影，通过用门g将和加权得到输出权得到输出空间transformer的输出为收集m个时间步长并行获得的并通过输入后续的时间transformer。6.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤s3中建立时间transformer模型的具体过程如下：从输入特征和时间嵌入的级联获得其中g
t
是1
×
1卷积层，在每个时间步长为每个节点生成d维向量；首先将长度为m和d通道的时间序列投影到具有可学习映射的潜在高维子空间中，这三个子空间的学习过程，即query子空间key子空间和value子空间表示为表示为表示为
其中，和是学习的线性映射，在得到这三个潜在的高维子空间后，引入缩放点积函数来考虑z
t-m+1
,
…
,z
t
中的双向时间依赖性，通过对由时间相关性加权的进行聚合来获得时间特征；为开发一个共享的三层前馈神经网络；采用残差连接更好地学习深度网络，对于每个节点，其输出为因此，通过收集所有节点的时间transformer的输出为7.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤s4中将虚假数据检测问题建模为分类问题，构建基于时空transformer网络的fdia检测整体模型的具体过程如下：将历史时刻电网中各母线的特征放入空间transformer层中，然后经过时间transformer提取电网数据在时序上的特征，将融合电网时空特征的中间结果展成一维向量，经过一个全连接层及softmax层输出各个节点异常的概率，概率最大的节点作为模型最终的检测结果，模型构建完后，应用交叉熵损失函数的监督训练，计算出模型中定义的所有未知参数：其中，p为样本数，q为类别数，y
iq
为样本标签类别，p
iq
为样本i属于类别q的概率。

技术总结
本发明公开了一种对电网虚假数据注入攻击的时空检测方法，包括以下步骤：确定虚假数据注入攻击检测模型的输入特征；建立空间特征提取模型，固定的图卷积层和空间自注意层分别用来探索空间依赖性的局部和全局分量；建立时间特征提取模型，通过对输入数据赋予不同的时间相关性权重来捕获电网数据的时间相关性特征；将虚假数据检测问题建模为分类问题，据此构建基于时空特征提取网络的FDIA检测整体模型。本发明提出的空间特征提取模块综合考虑了电网的局部和全局依赖关系。时间特征提取模块捕获电网数据的非线性和长期时间依赖关系。实现提高电力系统中FDIA的检测性能的目的。现提高电力系统中FDIA的检测性能的目的。现提高电力系统中FDIA的检测性能的目的。


技术研发人员：李学平 胡琳博 何良策
受保护的技术使用者：燕山大学
技术研发日：2023.05.15
技术公布日：2023/8/14