技术领域
[0001] 本
发明属于电力监测领域，涉及一种电力系统检测数据攻击的方法、计算机设备和存储介质。
背景技术
[0002] 目前，随着第三次工业革命的基本完成与
能源工业系统
物联网3.0的逐步推进，泛在电力物联网与坚强智能
电网组成的能源互联网逐渐在电力系统领域得到深入研究与应用。作为能源互联网重要组成部分的电力信息物理融合系统的组成与运作机理趋于复杂，新一代能源电力系统代表一次设备的
能量流与代表二次设备的信息流紧密耦合且高效率相互作用。因此，电力系统的量测信息容易受到攻击篡改，从而使电力系统信息安全
风险增大。针对电力系统中可能发生的信息攻击的特性与后果进行相关探究，并初步构建风险
感知机对量测数据进行
异常检测，可以降低电力系统信息攻击的风险与损失，为新一代能源互联网发展的规划设计、安全稳定、调度分配、紧急控制提供相应参考。
[0003] 国内外相关电力部
门大多采用EMS/SCADA系统基于状态估计与坏数据识别(Bad Data Detection,BDD)来对相量同步量测单元(Phasor Measurement Unit,PMU)、远方终端(Remote Terminal Unit,RTU)等量测单元上传至调控中心的不良数据进行检测识别并随之剔除。具体地，电力系统基于状态估计的不良数据的实用检测方法多为最小二乘法与基于卡尔曼滤波的递推状态估计法，并未考虑篡改攻击等外来网络攻击的特点。同时，网络攻击者掌握实际电力系统拓扑数据时可以构造并注入虚假数据(False Data Injection Attack,FDIA)以成功绕过BDD，虚假数据使电力系统错误决策从而逐步失稳，最终造成大停电事故。总之，仅依靠传统的状态估计检测不良数据在新一代泛在电力物联网信息系统中无法充分保障网络安全。
[0004]
现有技术中，基于神经网络、基于模糊理论与
聚类分析、基于间歇统计、基于
支持向量机、基于
贝叶斯网络等检测异常数据新方法被相关研究者提出。上述方法在一定程度上能成功辨识不良数据，但大部分只考虑了量测数据的空间关联性或时间关联性，未充分挖电力系统数据的复杂
时空特性，其监测
水准仍待进一步提升。同时，为了提升
框架的检测性能，
深度学习框架的构建使上述大部分方法在训练时消耗大量计算机资源，收敛时间增加，其监测的实时性与实用性无法得到充分保障。量测单元上传至控制中心的数据普遍具有时空关联性，时间关联性指同一量测值在时间上的变化特性，而空间关联性指同一时间段内全网或某区域多个量测值关联性。
发明内容
[0005] 本发明
实施例所要解决的技术问题在于，提供一种电力系统检测数据攻击的方法、计算机设备和存储介质，解决现有技术中没有基于时空关联性的检测器架构，检测准确度低，识别虚假数据的成功率差，无法有效保护电力系统信息安全的问题。
[0006] 本发明的一方面，提供一种电力系统检测数据攻击的方法，其包括如下步骤：
[0007] 步骤S1,获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
[0008] 步骤S2,时间序列数据按时刻/时间段进行等批量输入
卷积神经网络并抓取空间特征；
[0009] 步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
[0010] 步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的
输出层设置注意力机制；
[0011] 步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
[0012] 进一步，在步骤S1中，所述进行预处理与归一化操作具体过程包括:
[0013] 步骤S11，将保存在本地的历史原始PMU/RTU量测数据读取到检测器的
存储器中，按照不同区域、不同量测单元与不同调度单位进行预处理；
[0014] 步骤S12，将PMU数据分类为
电压幅值、电压
相位、
电流幅值和电流相位，当检测器同时对电力系统某区域的m个量测单元进行训练学习，
采样时间序列长度为T，一个量测单元量测参数个数为n，数据的维度为d＝m×n,数据集用下公式进行表示为：
[0015]
[0016] 其中，D表示量测数据集；xt为在t时刻量测单元测得的量测值，其值为实数且数据的维度为m×n，可以表示为
[0017] 检测器
数据挖掘将时间段的数据重塑为一个时间
片段值，最终获得的数据表示为：
[0018]
[0019] 其中，Dmap表示经过处理后量测数据集；xvm表示电压幅值数据；xca表示电流相位数据；T为时间序列长度；T′为时间片段序列长度；经过处理后的实数数据集xt,map的维度为[0020] 进一步，在步骤S11中，所述预处理根据以下公式进行归一预处理：
[0021]
[0022] 其中，yscaler为归一化之后的量测值，分布于ymin到ymax之间，ymin为归一化后值的最小值，ymax为归一化后的最大值，xmin为实际量测值的最小值，xmax为实际量测值的最大值，而x表示该次归一化处理的实际量测值。
[0023] 进一步，在步骤S2中，根据以下公式进行卷积神经
网络抓取数据空间特征：
[0024]
[0025]
[0026]
[0027]
[0028] 其中， 为输入的量测数据， 为第一层卷积层的第j个特征图的卷积核，M为卷积过程中每次滑动时所选取的矩阵
块值，b表示偏置矩阵参数，down(.)为
池化函数，βj表示可训练的标量，Q2表示池化过程中的池化块的大小，Flatten为一维化函数，ReLU函数为常见的修正线性激活函数，w(n)是神经网络误差反向传播时模型需要不断调整的参数。
[0029] 进一步，在步骤S3中，根据依以下公式进行长短时记忆神经网络抓取数据时间特征：
[0030] ft＝σ(Wxfxt+Whfht-1+bf)
[0031] it＝σ(Wxixt+Whiht-1+bi)
[0032]
[0033]
[0034] ot＝σ(Wxoxt+Whoht-1+bo)
[0035] ht＝ottanh(ct)
[0036] 其中，ft为遗忘门的遗忘系数，σ为sigmoid激活函数，W为权重矩阵，xt为当前时刻的输入值，ht-1为上一时刻的元胞
隐藏层的输出值，b为偏置矩阵，it为输入门的权重值系数， 为新输入元胞的状态值，tanh为激活函数，ct为更新后当前状态的元胞状态，ct-1为上一时刻的元胞的状态值，ot为输出门的权重系数值，ht为隐藏层的输出值。
[0037] 进一步，在步骤S4中，所述设置Dropout层、批量标准化层的具体过程为，在当检测器对数据进行训练并拟合时，按概率随机断开神经元之间的连接使得检测器不过多学习到训练集特有的局部特征；
[0038] 通过正则化规范方法把每个神经元的输入值的分布强行处理为均值为0方差为1的标准正态分布，根据以下公式调整每个神经元的输入与输出反馈：
[0039]
[0040] y(k)＝γ(k)x(k)+β(k)
[0041] 其中， 为第k个被标准化之后的神经网络输入数据值，x(k)为原始的输入数据值，E[.]为求其输入数据的均值，Var[.]为求其输入数据值的方差值，y(k)为输入数据对应的神经网络输出值，γ为神经网络训练时的权值参数，β为神经网络训练时的权值偏置。
[0042] 进一步，在步骤S4中，所述长短时记忆神经网络的输出层设置注意力机制具体根据以下公式：
[0043] hi＝oitanh(ci)＝f1(xi,hi-1)tanh(f2(xi,hi-1))＝f(xi,hi-1)
[0044]
[0045] eti＝vTtanh(Whhi+Wsst-1+b)
[0046]
[0047] 其中，hi为i时刻长短时记忆神经网络网络隐藏层输出值，oi为长短时记忆神经网络网络的输出门的权重系数值，ci为长短时记忆神经网络元胞当前状态，αti为当前的输出st对数据值所分配的权值系数，st为基于注意力机制的输出向量值。
[0048] 进一步，在步骤S5中，所述长短时记忆神经网络的输出层设置支持向量机分类器具体过程为，输出层设置支持向量机分类器对是否发生量测
数据网络攻击进行决策，其具体如下列公式所示：
[0049]
[0050] f(x)＝ωTx+b
[0051]
[0052]
[0053] 其中，D为二维的待分类的数据值，x与y为该数据的两个维度的数据，ωT为法向量，b为位移项，f(x)函数为一个划分
超平面，γ为几何间隔， 为函数间隔，yi为数据的标签。
[0054] 相应的，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述计算机程序时实现如下的步骤：
[0055] 获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
[0056] 时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；
[0057] 进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
[0058] 卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；
[0059] 长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
[0060] 相应地，本发明的又一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下的步骤；
[0061] 获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
[0062] 时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；
[0063] 进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
[0064] 卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；
[0065] 长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
[0066] 实施本发明实施例，具有如下有益效果：
[0067] 本发明实施例提供一种电力系统检测数据攻击的方法、计算机设备和存储介质，融合了卷积神经网络有效提取量测数据空间特征、长短时记忆神经网络长短时记忆神经网络适用于长时间序列数据特征学习，利用支持向量机分类器的分类性能提升了检测器的泛化性能与鲁棒性；
[0068] 在离线学习中验证了本文提出的检测器相较于其他学习器而言拥有更好的学习性能，即攻击检测的准确率更高、检测的时间间隔合理、检测的泛化性能更好，能够运用于电力系统量测信息攻击检测中，具有较好的应用前景；
[0069] 利用量测数据的复杂时空特性对攻击检测器进行训练可以有效保障电力系统信息安全，检测器能够识别虚假数据，从而采取有效及时的措施。
附图说明
[0070] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0071] 图1为本发明提供的一种电力系统检测数据攻击的方法的主流程示意图。
[0072] 图2为本发明实施例中卷积神经网络提取数据空间特征过程的示意图。
[0073] 图3为本发明实施例提供的长短时记忆神经网络单个神经元的结构图。
[0074] 图4本发明实施例提供的基于注意力机制的长短时记忆神经网络模型的原理图。
具体实施方式
[0075] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0076] 如图1所示，示出了本发明提供的一种电力系统检测数据攻击的方法的一个实施例的主流程示意图，在本实施例中，所述方法包括如下步骤：
[0077] 步骤S1,获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
[0078] 具体实施例中，所述进行预处理与归一化操作具体过程包括:
[0079] 步骤S11，将保存在本地的历史原始PMU/RTU量测数据读取到检测器的存储器中，按照不同区域、不同量测单元与不同调度单位进行预处理，其中包括对不同基准功率、电压等级的折算及数据格式的统一化等；
[0080] 具体的，所述预处理根据以下公式进行归一预处理：
[0081]
[0082] 其中，yscaler为归一化之后的量测值，分布于ymin到ymax之间，ymin为归一化后值的最小值，ymax为归一化后的最大值，xmin为实际量测值的最小值，xmax为实际量测值的最大值，而x表示该次归一化处理的实际量测值。
[0083] 步骤S12，量测数据在预处理中按照一定的规律进行排列，将PMU数据分类为电压幅值、电压相位、电流幅值和电流相位，当检测器同时对电力系统某区域的m个量测单元进行训练学习，采样时间序列长度为T，一个量测单元量测参数个数为n，数据的维度为d＝m×n,数据集用下公式进行表示为：
[0084]
[0085] 其中，D表示量测数据集；xt为在t时刻量测单元测得的量测值，其值为实数且数据的维度为m×n，可以表示为
[0086] 检测器数据挖掘将时间段的数据重塑为一个时间片段值，最终获得的数据表示为：
[0087]
[0088] 其中，Dmap表示经过处理后量测数据集；xvm表示电压幅值数据；xca表示电流相位数据；T为时间序列长度；T′为时间片段序列长度；经过处理后的实数数据集xt,map的维度为[0089] 步骤S2,时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征，通过训练使卷积神经网络将空间特征值有效提取出来，方便后续步骤中进行时间序列的学习预测；
[0090] 具体实施例中，根据以下公式进行卷积神经网络抓取数据空间特征：
[0091]
[0092]
[0093]
[0094]
[0095] 其中， 为输入的量测数据， 为第一层卷积层的第j个特征图的卷积核，M为卷积过程中每次滑动时所选取的矩阵块值，b表示偏置矩阵参数，down(.)为池化函数，βj表示可训练的标量，Q2表示池化过程中的池化块的大小，Flatten为一维化函数，ReLU函数为常见的修正线性激活函数，w(n)是神经网络误差反向传播时模型需要不断调整的参数；
[0096] 卷积神经网络出现后很好地解决了多层感知机神经网络的问题，通过将多层感知机的神经元全连接改为局部连接，有效降低了网络的复杂程度，减少了学习过程中参数的调节环节，解决了过拟合的问题；卷积神经网络的网络模型可以根据实际
训练数据而逐步调整，大多数由
输入层、输出层与多个卷积层、池化层、全连接层组成，如图2所示，输入层提取相应数据后卷积层数据特征进行多次抓取并保留多个特征图，为了减小数据维度池化层对卷积层特征图进行池化汇总，往复几次后通过全连接层将相应结果输出为一维的
特征向量，输出层一般采用softmax函数用于多分类。
[0097] 步骤S3,进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
[0098] 具体实施例中，如图3所示，根据依以下公式进行长短时记忆神经网络抓取数据时间特征：
[0099] ft＝σ(Wxfxt+Whfht-1+bf)
[0100] it＝σ(Wxixt+Whiht-1+bi)
[0101]
[0102]
[0103] ot＝σ(Wxoxt+Whoht-1+bo)
[0104] ht＝ottanh(ct)
[0105] 其中，输入门由新输入元胞状态值 与输入门权重值it两部分组成，两者皆由当前时刻输入值xt、上一时刻元胞隐藏层输出ht-1、权重矩阵W与偏置b组成，W为权重矩阵，xt为当前时刻的输入值，ht-1为上一时刻的元胞隐藏层的输出值，b为偏置矩阵， 为新输入元胞的状态值，决定t时刻输入数据的数值，it为输入门的权重值系数，则决定是否让该数据流入元胞中，前者一般使用tanh作为激活函数，后者则使用sigmoid函数；
[0106] 遗忘门由遗忘系数ft组成，其组成同上述类似，作为长短时记忆神经网络网络的重要组成部分，遗忘门通过把控上一时刻元胞状态值ct-1流入的权重值来调节误差梯度，避免了梯度爆炸与梯度消失；元胞新状态值为ct，其由上一时刻元胞值与新输入元胞值通过权重分配而组成，当输入门的权重为0时任何数据无法进入元胞，当遗忘门的数值为0时表示元胞丢弃了历史序列数据信息；
[0107] 输出门由输出门权重值ot与隐藏层输出ht组成，同理，当输出门权重值为0时，任何数据都无法输出；当输入门和输出门都被关闭时数据值便被
锁定在该元胞中，这样可以使该数据值不会增加或减少，也不会对当前的输出造成影响。
[0108] 具体的，长短时记忆神经网络网络能够有效抓取到大量离线时间序列量测值的时间特性，也能够不因为新的数据加入而遗忘历史数据的变化趋势；长短时记忆神经网络网络通过输入历史时刻序列预测下一时刻的数据值，历史时刻序列的长度称为lookback；因此，长短时记忆神经网络网络经过设置合适的lookback数值与有效训练后输出预测值与真实值进行比对，从而可以及时辨识出在时间维度上的异常数据并迅速预警。
[0109] 步骤S4,卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；
[0110] 具体实施例中，所述设置Dropout层、批量标准化层的具体过程为，在当检测器对数据进行训练并拟合时，按概率随机断开神经元之间的连接使得检测器不过多学习到训练集特有的局部特征；
[0111] 通过正则化规范方法把每个神经元的输入值的分布强行处理为均值为0方差为1的标准正态分布，有效防止激活输入值随着网络深度加深或者在训练过程中分布逐渐发生偏移或者变动而靠近非线性函数(激活函数)的饱和区，而神经元的输入值进入饱和区后模型的收敛过程将会变得十分困难。因此，批量标准化能有效解决由于网络深度加深而导致调参、训练和收敛困难的难题，根据以下公式调整每个神经元的输入与输出反馈：
[0112]
[0113] y(k)＝γ(k)x(k)+β(k)
[0114] 其中， 为第k个被标准化之后的神经网络输入数据值，x(k)为原始的输入数据值，E[.]为求其输入数据的均值，Var[.]为求其输入数据值的方差值，y(k)为输入数据对应的神经网络输出值，γ为神经网络训练时的权值参数，β为神经网络训练时的权值偏置；
[0115] 具体的，如图4所示，为了减少检测器学习时的计算机资源消耗并提高检测器的检测准确率，所述长短时记忆神经网络的输出层设置注意力机制具体根据以下公式：
[0116] hi＝oitanh(ci)＝f1(xi,hi-1)tanh(f2(xi,hi-1))＝f(xi,hi-1)
[0117]
[0118] eti＝vTtanh(Whhi+Wsst-1+b)
[0119]
[0120] 其中，hi为i时刻长短时记忆神经网络网络隐藏层输出值，oi为长短时记忆神经网络网络的输出门的权重系数值，ci为长短时记忆神经网络元胞当前状态，其由当前的输入数据xi与上一时刻的隐藏层输出hi-1决定，αti为当前的输出st对数据值所分配的权值系数，即注意力权重，该值越大代表输出对输αti入数据的权重值越大，eti为学习的权重值，分别由学习参数矩阵转置v、系数矩阵W与偏置矩阵b所决定，参数皆在学习过程中收敛并确定，最终该矩阵块值输出st为基于注意力机制的输出向量值，其对不同时刻的长短时记忆神经网络元胞输出值分别赋予不同的权值并求和。
[0121] 具体的，长短时记忆神经网络网络在训练数据时每个子网单元需要4个线性MLP层，消耗大量带宽与计算机资源，当对大规模电力系统历史量测数据进行学习时由于数据的维度与序列长度的爆炸式增长导致其模型训练困难；基于注意力机制的模型可以使网络当前输出聚焦至重要的隐藏层输出ht，能够有效降低训练时的
硬件需求，如图4为基于注意力机制的长短时记忆神经网络网络。
[0122] 长短时记忆神经网络网络的输入时间
序列表示为D表示时间序列的数据集，xi表示在i时刻的序列值， 表示该序列值为m维度的实数值，因此在i时刻长短时记忆神经网络网络的隐藏层输出表示为：
[0123] hi＝oitanh(ci)＝f1(xi,hi-1)tanh(f2(xi,hi-1))＝f(xi,hi-1)
[0124] 因此在T时间里，长短时记忆神经网络隐藏层输出为H＝[h1,h2,...,ht,...,hT],则注意力机制可以简单地用向量α表示，而经过注意力聚焦后的状态向量可以用s表示，则有下列的公式表述：
[0125] α＝softmax(wTtanh(H))
[0126] s＝HαT
[0127] 其中，wT为学习参数，为了更清楚地表示注意力机制的注意力转移的过程，上述也可以写成：
[0128]
[0129] eti＝vTtanh(Whhi+Wsst-1+b)
[0130]
[0131] 步骤S5,长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果，进一步提高检测器检测性能；
[0132] 具体实施例中，所述长短时记忆神经网络的输出层设置支持向量机分类器具体过程为，输出层设置支持向量机分类器对是否发生量测数据网络攻击进行决策，其具体如下列过程：
[0133] 支持向量机是用于序列数据分类和回归分析的一种强大的
监督学习模型，其基本的规则是寻找能够最大容忍数据集的局部扰动噪声与局限性的最佳超平面，这个超平面能够让分类结果最具鲁棒性，并且在测试集上的泛化性能更加优良。对于二维平面中训练集D的线性分离，其分类函数可以表示为：
[0134] D＝{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}
[0135] f(x)＝ωTx+b
[0136] 其中，D为二维的待分类的数据值，x与y为该数据的两个维度的数据，ωT为法向量，b为位移项，f(x)函数为一个划分超平面，为分类画好了一条直线(二维数据)；
[0137] 数据D中的任意数据点到超平面f(x)的距离用以下公式表示：
[0138]
[0139] 其中，γ为几何间隔， 为函数间隔；
[0140] 假设 时想要找到具有最大间隔以最小化由于噪声与局部变化带来的分类影响，即使得γ具有最大值而不断调整参数ω与b，则公式可以写为：
[0141]
[0142] 其中，yi为数据的标签，对于二元分类的问题来说，yi可以设定为0和1，也可以设定为-1与1，上述公式即考虑yi＝1或-1来寻找最大间隔以满足分类的条件。
[0143] 相应地，本发明的又一方面还提供一种计算机设备，该计算机设备包括通过
系统总线连接的处理器、存储器、网络
接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有
操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
[0144] 本领域技术人员可以理解的是，上述计算机设备的结构，仅仅是与本
申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比上述情况中更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0145] 在一个实施例中，提供的这种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下的步骤：
[0146] 获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
[0147] 时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；
[0148] 进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
[0149] 卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；
[0150] 长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
[0151] 相应地，本发明的又一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下的步骤；
[0152] 获取数据驱动电力系统历史量测数据并对其进行归一化预处理；
[0153] 时间序列数据按时刻/时间段进行等批量输入卷积神经网络并抓取空间特征；
[0154] 进行长短时记忆神经网络对卷积神经网络的全连接层FC的输出并抓取时间特征；
[0155] 卷积神经网络与长短时记忆神经网络中设置Dropout层、批量标准化层，同时长短时记忆神经网络的输出层设置注意力机制；
[0156] 长短时记忆神经网络的输出层设置支持向量机分类器并输出攻击检测的判定结果。
[0157] 可以理解的是，上述计算机设备以及计算机可读存储介质中涉及的各步骤的更多细节可以参考前述方法的限定，在此不再赘述。
[0158] 其中，本申请所提供的各实施例中所使用的对存储器、存储、
数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
非易失性存储器可包括
只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括
随机存取存储器(RAM)或者外部
高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
[0159] 更多的细节，可以参照并结合前述对图1至图4的描述，在此不进行详述。
[0160] 实施本发明实施例，具有如下有益效果：
[0161] 本发明实施例提供一种电力系统检测数据攻击的方法、计算机设备和存储介质，利用时空关联性的检测器框架对数据驱动电力系统的量测数据进行异常辨识，从而及时避免信息系统的故障扩散到能量系统中来，进而最大限度地保持电力系统的安全性与
稳定性，本发明具有更高的可靠性与稳定性，这也对维持电力系统的暂态、稳态稳定具有重要的间接意义；
[0162] 融合了卷积神经网络与长短时记忆神经网络对量测数据的空间关联性与时间关联性进行数据挖掘，实验证明考虑时空关联性的框架比考虑单一空间关联性与时间关联性的方法的检测准确率高；同时，在长短时记忆神经网络的输出层加入注意力机制，有效减少了训练时的收敛时间与计算机资源；为了进一步提升检测器的性能，采用结构风险最小化的向量机分类器与长短时记忆神经网络的输出层相结合，框架的检测准确率进一步提升；在框架中加入适当的Dropout与批量标准化，有效地防止学习器在训练时陷入局部最优解与过拟合；
[0163] 融合了卷积神经网络有效提取量测数据空间特征、长短时记忆神经网络长短时记忆神经网络适用于长时间序列数据特征学习，利用支持向量机分类器的分类性能提升了检测器的泛化性能与鲁棒性；
[0164] 在离线学习中验证了本文提出的检测器相较于其他学习器而言拥有更好的学习性能，即攻击检测的准确率更高、检测的时间间隔合理、检测的泛化性能更好，能够运用于电力系统量测信息攻击检测中，具有较好的应用前景；
[0165] 利用量测数据的复杂时空特性对攻击检测器进行训练可以有效保障电力系统信息安全，检测器能够识别虚假数据，从而采取有效及时的措施。
[0166] 以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明
权利要求所作的等同变化，仍属本发明所涵盖的范围。
