(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211264062.4 (22)申请日 2022.10.17 (65)同一申请的已公布的文献号 申请公布号 CN 115333870 A (43)申请公布日 2022.11.11 (73)专利权人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 姚文轩　郑瑶　邱伟　唐求　 唐思豪　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 专利代理师 谭武艺 (51)Int.Cl. H04L 9/40(2022.01) G06K 9/00(2022.01) G06N 3/04(2006.01)(56)对比文件 US 2019327259 A1,2019.10.24 CN 110035090 A,2019.07.19 CN 111145044 A,2020.0 5.12 CN 111708350 A,2020.09.25 邱伟.考虑网络攻击的广域测量信号分析关 键技术研究. 《中国博士论文 全文数据库信息科 技辑》 .2021, Pankaj D. Ac hlerkar etl.Variati onal Mode Decompositi on and Decisi on Tree Based Detecti on and Clas sificati on of Power Qual ity Disturbances i n Grid- Connected Distributed Generati on System. 《IEEE TRANSACTIONS ON SMART GRID》 .2018, 孙凯祺等.面向快速频率响应系统的网络攻 击防御控制策略. 《中国电机 工程学报》 .2021, 审查员 曾珍 (54)发明名称 面向智能 电网广域同步量测的网络攻击识 别方法及系统 (57)摘要 本发明公开了一种面向智能 电网广域同步 量测的网络攻击识别方法及系统， 本发明方法包 括使用变分模态分解VMD将量测数据 f(t)分解为 多个模态分量； 从多个模态分量中提取其中的共 同分量； 通过将量测数据 f(t)减去共同分量得到 含有空间位置信息的扰动分量 y(t)； 将扰动分量 y(t)利用具有离散正交S变换提取DOST特征矩 阵； 将DOST特征矩阵输入训练好的卷积神经网 络， 得到量测数据 f(t)对应的网络攻击识别结 果。 本发明能够从不同电网同步测量数据中提取 含有空间位置信息的DOS T特征矩阵， 在不同网络 攻击下通过卷积神经网络能够对电网同步测量 数据进行攻击检测， 快速识别量测系统是否被网 络攻击。 权利要求书2页 说明书9页 附图3页 CN 115333870 B 2022.12.13 CN 115333870 B 1.一种面向智能电网广域同步 量测的网络攻击识别方法， 其特 征在于包括： S101， 使用变分模态分解VMD将量测数据 f(t)分解为多个模态分量 IMFi； S102， 从多个模态分量 IMFi中提取其中的共同分量 IMFj； S103， 通过将量测数据 f(t)减去共同分量 IMFj得到含有空间位置信息的扰动分量 y(t)； S104， 将扰动分量 y(t)利用具有离 散正交S变换提取DOST特 征矩阵； S105， 将DOST特征矩阵输入训练好的卷积神经网络， 得到量测数据 f(t)对应的网络攻 击识别结果； 步骤S104包括： S201， 根据扰动分量 y(t)构成的实信号的正频带 p和负频带 ‑p的正交基函数共轭对称， 将v=v+0.5带入正交基函数， 并根据正交基函数确定不同倍频数 m下的DOST系数矩阵， 并根 据DOST系数矩阵构建得到大小为( N/2,N)的DOST特征矩阵， 其中 N为扰动分量 y(t)的点数， v 为频带中心； 所述 正交基函数的函数表达式为： ， 上式中， 为正交基函数， 为kΔt时刻，v是频带中心； q表示为时间定位， β是v频带中心的频带宽度， 式中： k=0,1…N，N表示扰动 分量点数； 表示虚数单位， 表示时 间窗口中心， 且 ； S202， 根据扰动分量的点数 N分别计算最大倍频数 ， 根据扰动分量的 点数N以及最大倍频 数 计算最小列数 ； S203， 将大小为( N/2,N)的DOST特征矩阵中每一个DOST系数矩阵行数保持不变、 列数减 小 倍， 然后重组得到 压缩后的大小为( N/2,N/4)的DOST特 征矩阵， 步骤S105中采用的卷积神经网络包括依次相连的扩张双正态卷积层DDNC、 批量归一化 层BN、 最大池化层、 扩张双正态卷积层DDNC、 批量归一化层BN、 最大池化层、 全连接层以及 softmax分类器， 所述扩张双正态卷积层DDNC为由空洞卷积和两个正常卷积融合得到的卷 积层， 扩张双正态卷积层DDNC的输入特征图一路作为空洞 卷积的输入、 另一路作为依次级 联的两个正常卷积的输入， 空洞卷积的输出特征图和依次级联的两个正常卷积的输出特征 图两者融合形成扩张双正态卷积层D DNC的输出 特征图。 2.根据权利要求1所述的面向智能电网广域同步量测的网络攻击识别方法， 其特征在 于， 所述扩张双正态卷积层D DNC对输入特 征图进行处 理的函数表达式为： ， 上式中， 为扩张双正态卷积层DDNC的输出特征图， 为扩张双正态卷积层DDNC的输入 特征图，wi和bi分别表示第 i个滤波器核的权值和偏置项， 符号*为一维卷积， 为激活函数， n表示卷积次数， n=1,2分别为第1次的空洞卷积和第2次的正常卷积。 3.根据权利要求1所述的面向智能电网广域同步量测的网络攻击识别方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115333870 B 2于， 所述批量归一化层BN对扩张双正态卷积层DDNC的输出特征图进行处理的函数表达式 为： ， 上式中， 为批量归一化层BN的输出特征图， γ和β为训练参数， 为对扩张双 正态卷 积层DDNC的输出 特征图 的标准化处理结果， 且有： ， ， 上式中， m为滤波器核的数量； 表示常量， 用于保证不会被除以零； 表示方差 。 4.根据权利要求1所述的面向智能电网广域同步量测的网络攻击识别方法， 其特征在 于， 所述最大池化层的函数表达式为： ， 上式中，w是第i个特征的步幅， t是区域 n的序列集， 为区域n的序列集t对应的批量 归一化层BN的输出特征图， 且最大池化层的输出长度 L为L=((x‑m)/s+1‑n)/w+1，m和s分别 为卷积的长度和步幅。 5.根据权利要求1所述的面向智能电网广域同步量测的网络攻击识别方法， 其特征在 于， 所述softmax分类 器的函数表达式为： ， 上式中， 表示识别为类别 ki的概率， 最大概率值max( p)的位置表示所识别 的攻击类型， yi和ki分别表示输出类和特征矩阵类的个数， 为全连接层输出给softmax分 类器的特征图，k表示空间特 征总类别数。 6.一种面向智能电网广域同步量测的网络攻击识别系统， 包括相互连接的微处理器和 存储器， 其特征在于， 所述微处理器被编程或配置以执行权利要求1～5中任意一项所述面 向智能电网广域同步 量测的网络攻击识别方法。 7.一种计算机可读存储介质， 所述计算机可读存储介质中存储有计算机程序， 其特征 在于， 所述计算机程序用于被微处理器编程或配置以执行权利要求 1～5中任意一项 所述面 向智能电网广域同步 量测的网络攻击识别方法。权　利　要　求　书 2/2 页 3 CN 115333870 B 3