1.一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法,其特征在于,包括如下步骤:步骤S1:通过电网控制中心读取当前时刻一周(168小时)以内的电力负荷数据,计算系统量测量 z为m×n矩阵, 均为1×n矩阵;步骤S2:初始化状态量并计算系统当前量测量,通过求解攻击模型更新状态量并计算虚假量测量,构造攻击模型及求解虚假量测量的具体步骤为:步骤S201:初始化系统状态量[V θ] T =[V 0 θ 0 ] T ,其中V 0 和θ 0 为随机初始的状态量即电压幅值和电压相角;步骤S202:使用当前系统状态量[V θ] T 计算当前量测量z=[P Q p q] T ,其中P,Q,p,q为节点有功、无功注入功率,支路有功、无功潮流;步骤S203:使用如下公式检验生成的虚假量测数据z是否越界,若不越界,[V θ] T 可选为虚假状态量,反正,更新系统状态量:其中 P 和 为节点有功注入的上下限, p 和 为支路有功潮流上下限, q 和 为支路无功潮流上下限;步骤S204:根据公式(2a)-(2c)构造攻击模型,求解攻击模型可得到虚假状态量增量[ΔV Δθ] T :其中G为电压相角转化为支路相角差的系数矩阵,变量S i 为决定状态量增量的松弛控制变量;步骤S205:更新状态量[V θ] T ←[V θ] T +[ΔV Δθ] T ,返回步骤S202生成虚假量测量;步骤S3:对正常和虚假的量测数据执行状态估计并利用该环节内的坏数据检测消除量测数据中的异常数据,生成估计状态量 步骤S4:使用离散小波变换对正常和虚假的估计状态量进行特征提取并重组成特征向量F=[f 1 ,f 2 ,...,f m ] T ;步骤S5:使用改进的极限学习机约简特征向量F=[f 1 ,f 2 ,...,f m ] T 的维度得到低维的特征向量F l =[f 1 ,f 2 ,...,f d ] T ,d≤m,对每个低维特征向量添加标签,极限学习机的改进过程及特征向量降维过程的具体步骤为:步骤S501:给定数据集 极限学习机模型可表示为:式中a j ,β j 和b j (j=1,2,...,K)分别为第j个隐节点的输入权值,输出权值和偏置;g(.)为“Sigmoid”函数;步骤S502:优化求解隐层输出权重矩阵β=[β 1 ,β 2 ,...,β d ]:其中C为惩罚系数,ε i 为输入x i 的误差向量,ELM的输出可写为Y=H(X)β;步骤S503:为使降维过程中的输出Y保持输入X的流形结构,通过向隐含层输出权重计算公式中加入正则化项改进极限学习机:其中λ为规则化参数, 为输入集合,L为X的拉普拉斯矩阵,I为单位矩阵;步骤S504:基于改进的极限学习机,将输入x i 映射到d维输出空间,当d<m时便实现了数据降维,可得到低维特征向量数据;步骤S505:设训练长短期记忆网络检测器一次性数据输入序列对应的窗口为Δ,按如下规则对tn时刻对应的低维特征向量添加标签:步骤S6:将低维特征向量按比例划分训练集和测试集,持续将训练集样本存入特征数据库,不断训练优化长短期记忆网络检测器至全部训练集数据输入完毕;步骤S7:实时输入测试集样本至长短期记忆网络检测器得到预测标签,将预测标签与实际标签对比计算测试样本正确/错误检测的个数,求得检测准确度、精度、召回率;步骤S8:利用训练好的长短期记忆网络检测器对智能电网虚假数据进行实时检测。
2.根据权利要求1中所述的一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法,其特征在于,步骤S3中生成估计状态量,系统量测量和系统状态量的关系表示为:z=h(x)+e (7)其中z为量测数据,由电力系统内节点的有功、无功注入和支路的有功、无功潮流组成,h(.)表示系统拓扑关系,e为量测误差;使用加权最小二乘法(Weighted Least Square Method,WLSM)可估计电力系统最优状态量,其最优状态估计量计算函数为:其中R -1 为对角协方差矩阵。
3.根据权利要求1中所述的一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法,其特征在于,在步骤S4中采用离散小波变换对正常和虚假的估计状态量进行特征提取并组成特征向量,具体步骤为:步骤S401:定义时刻t对应的母小波ψ(t),根据母小波可计算出当前小波ψ a,b (t):其中a和b分别为缩放因子和转移因子,使用离散小波变换可将a和b离散化为:步骤S402:设置a 0 =2,b 0 =1,定义估计状态向量为s(t),使用小波ψ a,b (t)将s(t)分解为信号序列:其中 为离散小波 的复杂共轭;步骤S403:使用快速Mallat算法,将估计状态向量s(t)在M层分解为多重解:其中a M,k 和 为在M层级上的近似系数和伴随尺度