1.一种面向有源配电网状态估计的虚假数据检测与修正方法,其特征在于,步骤S1.建立有源配电网非线性量测模型,利用系统量测数据估计出状态量和量测残差向量,比较量测残差是否超过预先设定的门槛值判断量测数据是否为不良数据;
步骤S2.针对残差检测无法辨识的虚假数据注入攻击,通过全连接神经网络判断各节点量测是否遭受虚假数据攻击,若某节点遭受虚假数据攻击则判定该节点量测数据为不良数据;
步骤S3.剔除不良数据,利用多变量LSTM时间序列预测模型对剔除的不良数据进行补充修正;
所述步骤S2中,采用全连接神经网络对历史数据训练实现二分类,从而判断系统各节点是否遭受虚假数据攻击,判断过程具体为,步骤S21.在30000组正常历史数据中随机选取3000组添加攻击向量,将数据分为训练数据、验证数据和测试数据,三类数据占比分别为训练数据占17/30、验证数据占3/30、测试数据占10/30;
步骤S22.全连接神经网络的中间层采用4层结构,每层包含32个神经元,激活函数为relu函数,输出层包含1个神经元,激活函数为sigmoid函数,优化器为rmsprop,损失函数为binary_crossentropy,指标函数为accuracy;
步骤S23.采用统计指标来评价全连接神经网络的性能,真阳性表示检测出实际值为正、预测为正的数据数量;假阳性是实际值为负、预测值为正的数据;真阴性表示预测值为负、实际值为负的数据数量;假阴性表示预测值为负、实际值为正的数据数量,如果预测值为正,则该节点没遭受完美虚假数据攻击,为正常量测数据;如果预测值为负,则该节点遭受虚假数据攻击,与该节点有关的所有量测均为不良数据。
2.根据权利要求1所述的一种面向有源配电网状态估计的虚假数据检测与修正方法,其特征在于,所述步骤S1中,在有源配电网电力系统状态估计中,量测数据的类型包括节点注入有功和无功功率、支路有功和无功功率和节点电压幅值,量测量与系统状态变量的非T线性模型表示为z=h(x)+v,其中,z=[z1,z2,…,zm] 表示m维量测向量,x=[x1,x2,…,Tx2n‑1]表示2n‑1维状态向量,n为电力系统节点数,h(·)表示交流电网模型下的状态估计非T线性函数;v=[v1,v2,…,vm]为m维量测误差向量。
3.根据权利要求1所述的一种面向有源配电网状态估计的虚假数据检测与修正方法,其特征在于,所述步骤S1中,状态估计的标准化残差计算式为 其中,DT ‑1 ‑1 T ‑1
=diag[WR],W=i‑H(HR H) HR ;H为m×(2n‑1)维雅可比矩阵,i为m×m维单位阵;将各个量测量的标准化残差与设定的门槛值比较进行判断,若第i个标准化残差值|rN,i|小于其门槛值γN,i则判定第i个节点的量测数据为正常数据,否则为不良数据。
4.根据权利要求1所述的一种面向有源配电网状态估计的虚假数据检测与修正方法,其特征在于,所述步骤S3的具体过程为,步骤S31.建立一个具有多个输入变量,单个输出变量的LSTM网络,以异常数据所在时间断面的前一时刻的数据值作为输入变量,以待预测修正数据所在时间断面的数据值作为输出变量;
步骤S32.划分训练数据与测试数据并进行归一化处理,处理后的训练数据对LSTM网络进行训练;
步骤S33.将测试数据输入到已经完成训练的LSTM网络中,获取一组预测值,再对预测值进行反演缩放;
步骤S34.将实际值与预测值进行比较,用LSTM网络预测值来代替当前时间断面的数据来进行数据修正。
5.根据权利要求4所述的一种面向有源配电网状态估计的虚假数据检测与修正方法,所述LSTM网络的时间步函数为outputt=activation(W·inputt+U·statet+V·ct+b),其中,outputt、inputt和statet分别表示神经元的输出、输入和状态向量,activation(·)为激活函数,W、U和V为权重矩阵,ct为携带跨越时间步的信息向量,b为偏置向量;
LSTM时间序列预测模型为3层,LSTM层包含100个神经元,Dropout层用于降低过拟合,输出层用于预测相关数据;优化器为adam,损失函数为mean_squared_error;LSTM时间序列预测模型的输入变量为被剔除数据节点的历史正常数据及其相邻节点、相连线路数据。