1.一种虚假数据注入攻击下的电力系统状态估计方法,其特征在于,包括以下步骤:建立电力系统状态估计模型;
构建及检测虚假数据注入攻击;
将构建的虚假数据注入攻击加入至电力系统状态估计模型中,利用扩展卡尔曼滤波算法对虚假数据注入攻击后的电力系统状态估计模型进行线性化处理及滤波,并采用自适应插值方法消除扩展卡尔曼滤波算法在线性化过程中给电力系统状态估计带来的误差;
通过自适应H
所述自适应插值方法步骤为:
步骤1,计算电力系统状态估计模型的非线性指标;
步骤2,根据非线性指标的大小,利用有限状态机确定插值因子r;
步骤3,根据插值因子r的大小,在相邻两个量测量之间通过线性插值法增加r个伪测量值;
所述自适应H∞扩展卡尔曼滤波算法对下一时刻的状态量进行估计的步骤为:步骤1,将上一时刻状态量估计值带入状态预测方程得到下一时刻的状态量预测值;通过对误差协方差矩阵及噪声协方差矩阵分别进行自适应更新,并代入误差协方差矩阵预测值方程,得到误差协方差矩阵预测值;
为了保证估计误差的有界性,采用自适应技术,实时在线调整估计误差协方差矩阵式中:
式中:
式(26)中的矩阵
式中:
步骤2,将误差协方差矩阵预测值和状态量预测值分别代入滤波增益方程和状态量估计值方程中,实现对下一时刻状态量的估计。
2.根据权利要求1所述的一种虚假数据注入攻击下的电力系统状态估计方法,其特征在于,所述电力系统状态估计模型包括状态方程和量测方程两部分,公式为:式中,
3.根据权利要求1所述的一种虚假数据注入攻击下的电力系统状态估计方法,其特征在于,所述虚假数据注入攻击构建步骤为:步骤1,建立服从高斯分布的状态量误差向量,将其与Jacobian矩阵相乘得到FDIAs向量,所述Jacobian矩阵为量测量关于状态量求导得到;
步骤2,在原始量测数据的基础上施加FDIAs向量,得到攻击后的量测数据。
4.根据权利要求1所述的一种虚假数据注入攻击下的电力系统状态估计方法,其特征在于,所述检测虚假数据注入攻击的方式为先进行状态一致性检验,再进行残差验证。
5.根据权利要求4所述的一种虚假数据注入攻击下的电力系统状态估计方法,其特征在于,所述状态一致性检验公式为:式中:
残差验证BDD的检测式为:
式中:
当公式(13)不满足,公式(14)满足时,表示电力系统引入了虚假数据注入攻击;当公式(13)和公式(14)均不满足时,表示电力系统未引入虚假数据注入攻击,但混有不良数据。
6.一种虚假数据注入攻击下的电力系统状态估计系统,其特征在于,包括模型建立模块、虚假数据构建及检测模块、线性化及滤波处理模块和状态量估计模块,其中:模型建立模块:用于建立电力系统状态估计模型;
虚假数据构建及检测模块:用于构建及检测虚假数据注入攻击;
线性化及滤波处理模块:利用扩展卡尔曼滤波算法对电力系统状态估计模型进行线性化处理及滤波,并采用自适应插值方法解决扩展卡尔曼滤波算法在线性化过程中给电力系统状态估计带来的误差;
状态量估计模块:用于自适应H∞扩展卡尔曼滤波算法对电力系统在对应攻击场景中下一时刻的状态量进行估计;
所述自适应插值方法步骤为:
步骤1,计算电力系统状态估计模型的非线性指标;
步骤2,根据非线性指标的大小,利用有限状态机确定插值因子r;
步骤3,根据插值因子r的大小,在相邻两个量测量之间通过线性插值法增加r个伪测量值;
所述自适应H∞扩展卡尔曼滤波算法对下一时刻的状态量进行估计的步骤为:步骤1,将上一时刻状态量估计值带入状态预测方程得到下一时刻的状态量预测值;通过对误差协方差矩阵及噪声协方差矩阵分别进行自适应更新,并代入误差协方差矩阵预测值方程,得到误差协方差矩阵预测值;
为了保证估计误差的有界性,采用自适应技术,实时在线调整估计误差协方差矩阵式中:
式中:
式(26)中的矩阵
式中:
步骤2,将误差协方差矩阵预测值和状态量预测值分别代入滤波增益方程和状态量估计值方程中,实现对下一时刻状态量的估计。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述虚假数据注入攻击下的电力系统状态估计方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述虚假数据注入攻击下的电力系统状态估计的步骤。