[发明专利]一种基于机器学习的PMU防御虚假数据注入攻击方法

权利要求书

1.一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，包括：

步骤S01,根据电网拓补结构和线路参数，构建最小可观测的PMU分布式测量配置系统；

步骤S02，通过攻击方式向PMU量测配置中注入恶意数据，并构建PMU分布式测量配置系统状态估计模型，以获得多个观测相量；

步骤S03，构建由带有安全或受攻击标签的观测相量组成的训练集和测试集；

步骤S04，针对训练集进行机器学习，获得PMU防御虚假数据注入攻击检测模型；

步骤S05，输入测试集数据到PMU防御虚假数据注入攻击检测模型， 用于预测观测相量为正常量测或受攻击量测。

2.根据权利要求1所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，还包括步骤S06，通过计算观测相量精度、召回率和准确率，来验证预测性能。

3.根据权利要求2所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，所述步骤S06具体为：观测相量精度，观测相量召回率，观测相量准确率；tp：将正类预测为正类数，真实为1，预测也为1；fn：将正类预测为负类数，真实为1，预测为-1， fp：将负类预测为正类数， 真实为-1，预测为1；tn：将负类预测为负类数，真实为-1，预测也为-1。

4.根据权利要求1所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，步骤S01具体包括：

步骤S11，根据电网拓补结构和线路参数，设定具有M个PMU测量相量和X个状态相量；

步骤S12，根据公式Z=HX+e，计算出在测量矩阵H是满秩矩阵且测量维数最少条件下的M的最小值，Z是测量相量的M1的列向量，H是MN的测量矩阵，X是N1的列状态向量，e是测量误差；

步骤S13,根据M的最小值，构建最小可观测的PMU分布式测量配置系统。

5.根据权利要求1所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，步骤S02具体包括：

步骤S21，获取有限个PMU量测的控制权，通过攻击方式向PMU量测配置中注入恶意数据；

步骤S22，将PMU分布式测量配置系统的测量矩阵、观测相量和攻击相量，根据电网拓补属性分成若干组；

步骤23，构建PMU分布式测量配置系统状态估计模型为；其中，是第i组的观测相量，表示第i组的测量雅可比矩阵，是第i组的攻击相量，，为任意非零列向量， ，为注入第i组的第j个状态变量的值， 是第i组的观测噪声，并根据PMU分布式测量配置系统状态估计模型，获得多个观测相量。

6.根据权利要求1所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，步骤S22具体为：根据电网拓补属性的簇状分布特点，将PMU分布式测量配置系统的测量矩阵、观测相量和攻击相量按簇为单位分成若干组。

7.根据权利要求1所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，步骤S03具体包括：

步骤S31，取所有观测相量中的80%个观测相量，构建训练集，取所有观测相量中的20%个观测相量，构建测试集；

步骤S32，将每个观测相量定义为一个样本，按照二分类方法分类，表示第i个样本的标签，并将观测相量标记安全或受攻击标签。

8.根据权利要求1所述的一种基于机器学习的PMU防御虚假数据注入攻击方法，其特征在于，步骤S04具体包括：

步骤S41，针对训练集，构建非线性映射，，是选定的地标点向量；

步骤S42,应用稀疏Logistic回归方法，求解预测值和真实标签相差最小的模型参数w：

；

；

其中，，为特征矩阵和为标签向量， r是待优化变量组成的向量 ，μ(r)= γ|(|r|)|_1是正则化函数，γ是正则化参数；

步骤S43，使用交替方向乘子法求解步骤S42的稀疏Logistic回归问题，以获得PMU防御虚假数据注入攻击检测模型。