(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210883476.9 (22)申请日 2022.07.26 (71)申请人 福建省海峡信息技 术有限公司 地址 350003 福建省福州市 鼓楼区北二环 中路61号2号楼 (72)发明人 赖建华　张章学　蓝友枢　唐敏　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 郭东亮　蔡学俊 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/18(2006.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06N 5/02(2006.01)G06Q 50/06(2012.01) G06F 113/04(2020.01) (54)发明名称 一种基于无监督的智能电网异常检测方法 (57)摘要 本发明提出一种基于无监督的智能 电网异 常检测方法， 基于测量值统计相关性， 用于检测 电网中的用电异常行为、 用电异常模式或网络攻 击， 其智能电网攻击检测器的框架包括DBN建模、 用于特征提取的互信息以及用于数据训练的 RBM； 所述DBN和互信息应用于由多个测量值组成 的智能电网测试系统， RBM用于捕获由DBN模型以 无监督方式提取的全系统模式； 所述智能电网攻 击检测器从SCADA系统中提取知识； 本发明从实 际的应用出发， 重点在于对电力设备和电力网络 进行海量在线数据的特征量选择、 样本预处理并 引入两种不同的数据挖掘方法来处理智能电网 的异常问题。 权利要求书3页 说明书7页 附图2页 CN 115221790 A 2022.10.21 CN 115221790 A 1.一种基于无监督的智能电网异常检测方法， 基于测量值统计相关性， 用于检测电网 中的用电异常行为、 用电异常模式或网络攻击， 其特征在于： 所述方法包括SCADA模拟器模 块、 状态估计 器模块、 粗 糙集规则提取器、 异常检测器模块、 智能电网攻击检测器； 所述SCADA模拟器模块计算电力系统网络的所有电压、 功率流和注入， 然后将计算量与 粗糙集规则提取器提取的规则相关联于电力系统的测量 点； 所述状态估计 器模块包括用于状态估计过程的程序； 所述粗糙集规则提取器使用粗 糙集分类算法从SCADA系统的知识数据库中提取规则； 所述异常检测器模块使用粗糙集规则提取器定义的规则来确定SCADA输出数据的状 态； 智能电网攻击检测器的框架包括DBN建模、 用于特征提取的互信息以及用于数据训练 的RBM； 所述DBN和互信息应用于由多个测量值组成的智 能电网测试系统， RBM用于捕获由 DBN模型以无监 督方式提取的全系统模式； 所述智能电网攻击检测器从SCADA系统中提取知识， 首先， 在离线模式下以知识提取器 生成用于决定系统的正常或异常行为的规则， 其次， 处于在线模线时， 以上述规则对RTU断 续器的数据进行检测以确定测量的正常性。 2.根据权利要求1所述的一种基于无监督的智能电网异常检测方法， 其特征在于： 所述 智能电网攻击检测器从S CADA系统中提取知识， 其方法包括对电力设备、 电力网络在 线数据 的特征量选择、 样本预处理， 引入基于无监督学习方法的数据挖掘方法来处理智能电网的 异常问题： 数据挖掘方法包括基于密度的局部异常因子学习方法和基于距离的支持向量域 数据描述学习方法； 所述局部异常因子为本地异常因素LOF； 所述支持向量域数据描述为支持向量域描述 的SVDD； 所述SVDD通过计算测量残差的L ‑范数来验证状态向量完整性， 即BDD， 判定存在坏数据 的公式为 其中z∈RN是测量向量， 是估计的状态向量， Z∈ RN×D是测量雅可比矩阵。 阈值Pr是 预定义的， 以根据状态估计的精度来控制残差的容限。 3.根据权利要求2所述的一种基于无监督的智能电网异常检测方法， 其特征在于： 当对 智能电网攻击的模式为意图控制传感器读数的子集并任意操纵状态变量的FDI攻击时， 攻 击引起的测量 点数据变化以公式表述 为 其中ε是测量噪声， 是不知道攻击发生的操作员对状态向量的试图估计值， 不是实际 的状态向量x； 所述异常检测方法把注入的虚假数据(Ha)分解为a＝Zca和qa两部分， 其中ca∈RD是注入权　利　要　求　书 1/3 页 2 CN 115221790 A 2的数据向量， 位于Z的列空间中， 用于保证BDD测试的不可检测性， 而qa是位于Z(ZTZ)‑1ZTqa＝ 0的互补空间中的唯一可检测部 分， 即， 如果攻击发起者可以部 分访问网络拓扑和线路参数 以构建完全位于(H)中的秘密攻击， 即qa＝0， 则协调攻击向量ha总是存在的。 4.根据权利要求1所述的一种基于无监督的智能电网异常检测方法， 其特征在于： 所述 粗糙集分类算法通过在建立知识数据库时进 行数据约简， 为异常检测器模块提供更紧凑的 规则集。 5.根据权利要求3所述的一种基于无监督的智能电网异常检测方法， 其特征在于： 所述 DBN建模为概率图形模 型的建模， 即通过将系统的状态表示为一组变量， 并对时间序列中时 间步长内和时间步长之间的变量的概率依赖性进行建模， 建模时， 在不同的时间点t＝ 1， ...， T被考虑； 每个xi,t代表状态i在时间t的表达式； 符号序列从SDF设置的变量中提取； 为了找到新符号sn出现的概率， 假设DB N满足L阶马尔可夫性质， 并从训练数据中学习描述L 阶马尔可夫链的状态转移矩阵Π； 假设 时刻k的状态表示为 qk； 状态转移矩阵Π的第ij个元 素是qk+1是sj的概率， 假设qk是sj， 即 Πij＝P(qk+1＝si|qk＝sj)   公式七； 当同时处理几个时间序列时， 以xL阶马尔可夫链来预测一个新符号在一个符号序列A 中出现的概率， 给定另一个符号序列B的最后一个L符号， 并分别为表 示子系统A和B的L阶马 尔可夫定义了正则 状态转移矩阵ΠA和ΠB， 即A对B和B对A的因果依赖性可以分别用交叉状 态转移矩阵ΠAB和ΠBA来表示， 并给定一个多元时间序列， 通过分割产生符号序列S， 定义一 个高阶DBN 来描述顶点之间的后续状态和转移概 率； 当DBN模型准备完成， SCADA系统的系统范围的模式被RBM学习， 然后从测试数据中计算 出学习特征的可能性。 6.根据权利要求5所述的一种基于无监督的智能电网异常检测方法， 其特征在于： 所述 用于数据训练的RBM为受限玻尔兹曼机， 属于随机的基于能量的模型EM， 在EM中， 能量与被 分析系统的每个状态相关联； 被分析系统由随机二进制神经元 的网络来表示， 随机二进制 神经元表述为一组可见变 量v＝{v1,...,vN}， 这些神经元连接到随机 不可观察单元， 即一组 隐藏变量h＝{h1,...,hK}； 给定二进制变量v和隐藏变量h， 状态的联合概率Pr(v， h)仅取决 于该状态的能量En(v， h)， 具有玻尔兹曼分布函数， 以公式表述 为： 其中， 其中a、 b和w是通过最大化具有低能状态的训练数据的可能性而获得的模型参数； 数据 密度改写为: Pr(v)∝∑hexp(‑En(v,h))＝exp(‑F(v))  公式十七； 其中F(v)为已知的自由能， 改写为： F(v)＝‑log(Pr(v) )+cons tan t   公式十八； 自由能用作异常指数， 以线性时间对数据实例进行排序。权　利　要　求　书 2/3 页 3 CN 115221790 A 3