海量坏数据攻击下的智能电网抗毁能力估计研究

李文琴+汪大清+张素兰

摘 要： 针对传统抗毁能力估计不准确的问题，提出一种海量坏数据攻击下的智能电网抗毁能力估计方案。首先建立静态能量函数模型，通过模型系统进行评估可以防止海量坏数据对评估过程的干扰，同时优化了评估过程的算例分析，改变传统分析模式，使用VOPC进行系统函数分析，能对随机攻击以及恶意攻击进行分配评估，促进评估过程的准确程度。实验结果表明，所提方法能够对智能电网抗毁能力进行准确的评估。

关键词： 智能电网； 抗毁能力； 海量坏数据； 算例分析

中图分类号： TN915.5?34； TP391.3 文献标识码： A 文章编号： 1004?373X（2017）24?0121?03

Abstract： Aiming at the inaccurate estimation of traditional destroy?resistant ability， a destroy?resistant ability estimation scheme of smart power grid is proposed to resist the massive bad data attack. The static energy function model is established. The model system used for evaluation can prevent the interference of massive bad data in the evaluation process， and optimize the example analysis of the assessment process， which can change the traditional analysis mode. The VOPC used for system function analysis can conduct the allocation assessment for the random attacks and malicious attacks to promote the accuracy degree of the evaluation process. The experimental results show that the estimation method for destroy?resistant ability of smart power grid can accurately evaluate the smart power grid′s destroy?resistant ability against massive bad data attack.

Keywords： smart power grid； destroy?resistant ability； massive bad data； example analysis

0 引 言

电力系统的稳定是关系到城市化建设以及工业生产的关键所在。随着科技的进步，传统的电力设施已经与智能化的设备相结合，利用一定的智能设备可以提高电力系统的控制能力，同时增加电力系统的调配能力[1?2]。但是电力系统具有一定的脆弱性，很容易受到数据信息干预、计算通信干扰、内部控制配件的调配不均衡等情况影响造成大面停电，这样严重的危害到了城市的基本设施的使用以及工业生产能力[3?4]。就现阶段的技术发展而言，使用的内置配件已经能够承受电力系统的使用强度，计算通信的干扰也已经可以通过技术手段进行有效的避免[5]。这些数据可以统称为坏数据，目前海量坏数据的攻击是电网系统的最新难题[6?7]。针对智能电网抗毁能力的评估方法，一般都是参照网络抗毁系数的评估方法进行评估的，具有许多评估误差。针对上述问题，本文提出海量坏数据攻击下的智能电网抗毁能力估计方法，并设计了对比仿真试验，通过实验验证了本文提出评估方法的有效性。

1 聚类中心调度技术的设计方案

本文提出的海量坏数据攻击下的智能电网抗毁能力估计使用静态能量函数模型对智能电网抗毁能力进行估计。由于智能电网中的坏数据大体攻击形式分为两种：一种是本身含有恶意攻击性的主动攻击数据；一种是具有随机攻击性非恶意数据，但都会对电网进行攻击。所以优化算例分析过程可对不同形式下攻击进行全面评估，有效保证了评估过程的准确性。其评估过程如图1所示。

1.1 建立静态能量函数模型

本文建立的静态能量函数模型能够对海量坏数据进行高位的统计评估，由于智能电网的不同支路与信息接触的概率是不同的，因此需要进行支路规划。假设电压的节点是j，电流的节点为i，根据不同支路的节点设置，进行节点的预设公式为：

式中：，分别表示支路电压的节点控制力、支路控制电压的抗毁能力；表示节点的相位差，通过节点相位差能够反映支路与数据的接触能力；表示支路电网的功率因数。经过节点预设过后，根据信息的涌动规律，进行智能电网的潮击计算，公式为：

式中：表示潮击过程中的数据攻击概率；表示智能电网中节点的使用率；，分别表示恶意数据节点的标注码、恶意数据的识别常数码。表示电纳ij支路的权值函数；表示经过恶意数据攻击的频率。这样便可以进行静态能量函数模型的建立，公式如下：

静态能量函数模型不能够进行直接的使用需要进行使用条件的限定。限定条件表示如下：

经过上述的条件限定完成了静态能量函数模型的建立。

1.2 优化算例分析

本文对算例分析进行了优化，主要目的是保证进行评估过程中对非恶意数据随机攻击进行估计。本文优化后的算例分析使用的是VOPC函数，改变了传统的算例分析过程，这样能更好的随机性的进行评估，根据VOPC函数使用条件首先需要对随机数据进行一维密度函数计算，公式为：endprint

式中：表示随机数据的节点重要度之和；，，分别表示密度函数的节点边权值、商权值、空点系数值；是发生数据攻击的属性值。由于智能电网的的分布多数都是双向性对称，因此可以得到数据重要度公式为：

式中：表示重要度函数的基本应急值；表示随机事件发生的系统趋向；表示随机数据的属性有效值。经过上述公式的计算，进行数例分析，其分析过程为：

式中：表示进行算例分析过程中使用的系数；一般是在[60，120]值域范围内；表示数据进行恶意攻击过程中的接触属性，主要是指能够中断线路传输的攻击；表示数据进行恶意攻击过程中的畸变能力，主要体现在是否能够进行多次攻击；表示智能电网的抗性，包括抗毁能力、抗阻能力等。不同的攻击对应不同的评估標准也是不同的。

2 仿真实验分析

2.1 参数设定

为了保证设计的海量坏数据攻击下的智能电网抗毁能力估计方法的有效性，对参数进行设置定：支路电压的节点控制参数在[63.52，99.8]值域范围之内；设置智能电网中节点的使用率为18.5。为了保证海量坏数据攻击下的智能电网抗毁能力估计方法能够更准确地对数据攻击进行评估，设置，，，分别为88.5，750，22.5，3，设置试验参数如表1所示。

评价估计方法的指标主要有2种：状态脆弱因子数；结构脆弱因子数。状态脆弱因子数表示如下：

结构脆弱因子数为：

根据上述仿真设定参数进行实验，结果如下。

2.2 结果分析

在实验过程中，对传统方法与本文提出的方法的试验结果进行记录，如表2所示。

分析表2得知，本文提出的海量坏数据攻击下的智能电网抗毁能力估计方法，结构脆弱因子数比传统的评价方法高出13.7， 结构脆弱因子数是衡量评估方法准确度的指标，实验结果说明本文提出的方法更加的准确；状态脆弱因子数比传统方法高出31.86，状态脆弱因子数是衡量评估方法全面性的数据指标，可以看出本文的方法能够进行更加全面的评估。

分析图2结果得知，本文提出的海量坏数据攻击下的智能电网抗毁能力估计方法，在时间上与传统的评估方法相比较，本文提出的方法所用时间很短。

分析图3结果得知，本文提出的海量坏数据攻击下的智能电网抗毁能力估计方法。其测量结果是具有一定的波动性的，说明本文提出的方法能够对数据攻击更加的敏感；传统方法的评估结果是一条近似直线，说明对智能电网的攻击敏感度较低。

3 结 语

本文提出一种海量坏数据攻击下的智能电网抗毁能力估计方案。对智能电网抗毁能力进行估计，首先需要建立静态能量函数模型，通过模型系统进行评估可以防止海量坏数据对评估过程的干扰，避免了传统的评估方法中支路信息不全的问题，同时优化了评估过程的算例分析，改变了传统的分析模式，使用VOPC进行系统的函数分析，能够对随机攻击以及恶意攻击进行分配评估，从而极大地促进评估过程的准确程度。希望通过本文的研究能够为智能电网抗毁能力估计提供理论依据。

参考文献

[1] 温博慧，李向前，袁铭.存量流量一致框架下中国银行体系网络抗毁性研究：基于资产价格波动冲击[J].财贸经济，2015，36（9）：46?60.

[2] 钟少颖，王宁宁，陈锐.北京市公交网络枢纽性和抗毁性：基于复杂网络分析方法的研究[J].城市发展研究，2016，23（6）：123?132.

[3] 王子涵，王小军.包含认知能力的教育回报率估计：基于CHIP2007年数据的实证研究[J].教育与经济，2016（1）：39?46.

[4] 何旭，姜宪国，张沛超，等.基于SVM的小样本条件下继电保护可靠性参数估计[J].电网技术，2015，39（5）：1432?1437.

[5] 尹东东，张建清.我国对外直接投资逆向技术溢出效应研究：基于吸收能力视角的实证分析[J].国际贸易问题，2016（1）：109?120.

[6] 刘袁缘，陈靓影，俞侃，等.基于树结构分层随机森林在非约束环境下的头部姿态估计[J].电子与信息学报，2015，37（3）：543?551.

[7] 徐红旗，史冀鹏，张守伟，等.sEMG时频特征线性回归法与非线性神经网络法预测伸膝肌群极限功率保持能力测试中功率损失率的比较研究[J].中国体育科技，2017，53（2）：53?63.endprint