欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025112797164
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,包括以下步骤:S1、采集配电网系统数据,并对采集的数据进行预处理,得到标准化数据集,构建训练样本集合;

S2、构造攻击扰动向量,根据系统响应模型,结合稀疏扰动生成、动态响应推演及误差反演估计,得到带标签的对抗样本集;

S3、基于训练样本与系统响应模型,构建鲁棒观测器,对所述观测器进行动态补偿,并通过最小化联合损失函数进行优化,获得状态估计向量与估计扰动向量;

S4、基于估计结果重构扰动向量,并据此与动态阈值进行判别,形成在线反馈数据集,实现对攻击检测模型的闭环优化与持续鲁棒性增强。

2.根据权利要求1所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S1中,配电网系统以采样周期同步采集数据,包括配电网在时刻的节点电压观测值、无功功率状态向量和控制指令,并根据系统响应模型:,

构建数据集:

,

其中,表示攻击扰动向量,若无攻击则;为控制指令到功率映射矩阵,表示系统在时刻的系统无功功率状态向量;为最大时间步。

3.根据权利要求2所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S1中,对采集的数据进行预处理,构建标准化数据集,包括:

1)根据如下不等式设定滑动窗口长度:,

采用滑动窗口长度构建联合观测向量和观测矩阵,并进而构造差分观测向量:,

得到多步观测结果;

其中,为系统状态维度;为攻击最大稀疏度指标;为电压对无功功率的灵敏度矩阵,其秩定义为;为控制传播矩阵;为控制指令序列堆叠向量;

2)对数据集D进行异常值剔除与归一化处理,得到标准化数据集。

4.根据权利要求3所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S2中,构造攻击扰动向量,包括:针对指定被攻击节点集合,通过设定节点的攻击分量为:,

从而满足扰动向量的稀疏性约束:,

其中,表示节点在时刻的攻击扰动分量;表示节点在时刻的攻击强度;表示向量的0范数;为攻击节点集合的基数;为被攻击节点数。

5.根据权利要求2所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S2中,在注入攻击扰动后的系统状态更新关系为:,

结合电压对无功功率的灵敏度矩阵与建模误差,电压偏移观测量计算如下:,

其中,为第步系统无功功率状态向量;为控制器计算的无功功率目标输入;为状态转移矩阵;

差分观测向量更新为:

,

其中,表示滑动窗口起始时刻的系统无功功率状态向量;表示联合误差向量,包括攻击扰动和建模残差;为差分矩阵;

引入零化矩阵,满足,得,定义投影残差,构建如下稀疏优化问题:,

,

其中,表示向量的范数,用于鼓励解的稀疏性;为估计误差向量,包括估计扰动向量与估计残差的联合输出;

基于估计扰动向量,结合对应时间窗口内的输入特征向量,判定当前时刻是否存在攻击事件;设置阈值参数,定义标签生成准则如下:,

其中,表示当前时刻的攻击状态标签,取值为1表示检测为攻击样本,0表示正常样本;

结合所有满足的时间索引,构造带标签的对抗样本集:。

6.根据权利要求5所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S3中,通过引入动态扰动补偿矩阵与误差反馈增益矩阵,定义观测器状态更新方程为:,

并计算状态估计向量为:

,

其中,表示观测器内部状态变量,为去噪节点电压偏移量;I为单位矩阵。

7.根据权利要求6所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S3中,通过构建联合损失函数对参数集合进行优化,联合损失函数如下:,

其中,表示时刻的真实扰动向量标签;为样本分类损失函数;为损失加权因子;为时刻的估计扰动向量;

优化过程中满足以下结构约束条件不变:,

其中,表示矩阵的谱半径。

8.根据权利要求7所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S4中,采用以下扰动估计模型获得前一时刻的扰动估计值:,

并利用以下逻辑判别是否存在控制输入攻击:,

其中,表示广义逆算子;表示前一时刻控制器无功功率目标输入;为标签;表示范数;为攻击判别阈值。

9.根据权利要求8所述的一种基于鲁棒观测器的配电网控制输入攻击检测与状态估计方法,其特征在于,S4中,攻击判别阈值根据如下公式进行更新:,

当满足连续次攻击判别结果为正常状态时,触发模型参数优化训练;在连续次判别为正常的情况下,更新攻击判别阈值为:,

其中,表示阈值调整步长;为误报扰动均值;为正确检测扰动均值;为稳定判断次数阈值;为灵敏度判断次数阈值;为检测灵敏度调整因子;

最终构建在线反馈数据集:

。