[发明专利]针对电力系统中深度学习惯量预测模型的脆弱性评估方法

说明书

本发明公开了一种针对电力系统中深度学习惯量预测模型的脆弱性评估方法。构造数据集并划分为训练集、验证集和测试集；基于训练集构造基于线性回归的系统惯量预测模型；随机选取部分训练样本，基于上述模型生成投毒点，使攻击后的模型在系统低惯量水平区间输出攻击者期望的惯量预测值。分别基于原始训练集，投毒后训练集构造深度学习系统惯量预测模型；将测试集数据投入上述模型得到惯量预测值；利用测试集真实惯量、投毒前后的模型预测值对模型的脆弱性进行评估。本发明提供了一个通过强隐蔽性数据投毒对惯量预测系统特定区域进行定向攻击的方法，根据待测深度学习惯量预测模型在攻击前后评估指标的变化，就可实现对该模型的脆弱性评估。

技术领域

本发明属于电力系统安全评估领域，尤其涉及一种针对电力系统中深度学习惯量预测模型的脆弱性评估方法。

背景技术

惯量是电力系统的固有属性，可以抵御由负荷和发电不匹配导致的系统频率变化，对系统调度控制、稳定性评估具有重要意义。在电力系统运行过程中，当频率出现偏差，系统将第一时间触发惯量响应，阻止偏差进一步扩大，随后再进一步进行一次频率响应服务。对操作员来说，系统惯量水平具有重要的价值信息。一方面，为了保证最低的频率节点，系统将根据预估惯量水平确定恰当的频率响应储备；另一方面，当惯性水平突然降低时，操作人员将启动额外的平衡机构单元来增加系统的惯性。

随着当前电力系统规模不断扩大，新能源发电导致电力系统不确定性持续提高，深度学习算法逐渐引入电力系统领域，出现了一些基于深度学习的系统惯量预测模型。由于深度学习算法完全信任且依赖于训练集的样本分布信息，一旦数据集所含的外部数据被篡改，预测模型将遭到严重攻击并导致错误预测。若模型在低惯量区间持续作出错误的“超低惯量”预警，可能导致调度员产生过度操作，进而增加调度成本。

因此基于电力系统物理特征，设计一种隐蔽且有效的数据投毒方法，用以评估各种深度模型在攻击下的脆弱性，可以有效评估模型的安全性能，对深度学习惯量预测模型的选择具有重要参考意义。

发明内容

本发明的目的在于针对电力系统中深度学习惯量预测模型存在的隐患，设计一种基于数据投毒的“强隐蔽性”攻击方法，并提出一系列统一的评估指标，用于评估各类深度学习惯量预测模型在该攻击下的表现，实现对不同深度学习惯量预测模型的脆弱性评估。

为实现上述技术问题，本发明是通过以下技术方案来实现的：一种针对电力系统中深度学习惯量预测模型的脆弱性评估方法，该方法包括如下步骤：

(1)使用电力系统短期功率预测信息，部分系统状态信息及其对应的系统惯量值构造数据集，并按时序信息划分得到：S＝{s₁,s₂,…s_t,…}，其中时刻t对应的样本点s_t＝{x_t,y_t}，y_t为系统惯量值，x_t为系统特征变量，其中为短期功率预测值，与为系统状态信息，y_t-H表示可参考的历史系统惯量，与当前时刻的时间间隔为H，h为历史系统惯量的数量，T为预测时间窗。

(2)将数据集S划分为训练集D_tr＝(x_tr，y_tr)，验证集D_val＝(x_val，y_val)和测试集D_te＝(x_te，y_te)，基于D_tr构造线性回归模型，拟合得到惯量预测模型f_θ。

(3)将x_val投入模型f_θ得到验证集的惯量预测输出y′_val，使用电力系统负载预测信息定位系统真实惯量出现低惯量水平的时刻，将此低惯量水平区间，设定为投毒攻击的攻击区间，基于此区间划分，设计对验证集攻击的目标预测输出