-
摘要: 随着电力信息通信技术的发展与应用，电力流与信息流深度融合，共同实现对系统的全景状态感知与控制决策，电力系统转变成典型的信息物理系统（Cyber physical system，CPS）.开放的通信环境与复杂的信息物理耦合交互过程，使得信息安全风险成为影响电力系统安全稳定运行的重要因素.其中，虚假数据注入攻击（False data injection attack，FDIA）通过破坏网络数据完整性以干扰控制决策，是一种典型的网络攻击方式.本文针对面向电力CPS的虚假数据注入的攻击过程和防御手段进行了分析与总结.从攻击者视角分析了FDIA的攻击目标、策略及后果；从防御者视角总结了保护与检测环节中的各类方法；最后基于联合仿真技术，提出了针对虚假数据攻防过程建模和评估的电力CPS联合攻防平台.Abstract: With the development and application of information communication technology, the power flow and the information flow are becoming deeply integrated in order to achieve panoramic state awareness and control decision. Therefore the power system has been transformed into a typical cyber-physical system (CPS). Considering the open communication environment and complex cyber physical coupling mechanism, the information risk has become an important issue posing severe threats to the secure operation of power systems. False data injection attack (FDIA), as a typical attack mode destroying data integrity, can interfere with the control decision. In this paper, the attack process and defense method of false data injection are analyzed and summarized. Firstly, from the perspective of attackers, the goals, strategies and consequences of FDIA are comprehensively discussed. Then, from the perspective of defenders, the protection and detection countermeasures are discussed. Finally the co-simulation technology is utilized to construct associated attack-defense platform of cyber-physical power system (CPPS), which is aimed at modeling and assessment of the attack and defense processes of false data injection.
-
工业过程对象受原料属性、产品质量和产量及环境气候等因素的影响而具有动态特性, 这些动态变化通常包括传感器漂移和过程漂移, 在机器学习领域将其统称为概念漂移[1].基于历史数据构建的软测量模型难以适应这些变化, 导致预测性能下降.处理概念漂移的自适应机理包括样本选择(如滑动窗口)、样本加权(如递推更新)和在线集成学习(如子模型权重自适应、子模型参数自适应、子模型增加或删减)[2].集成学习模型的更新包括基于样本和基于批两种方式, 其中基于批的在线集成更新方式的较长更新时间周期常导致更新模型难以反映当前状态, 基于样本的在线集成更新方式则可以快速适应过程对象变化.本文的研究基于后一种更新策略.
采用每个新样本均进行模型更新并不符合工业实际情况.为选择能够代表过程对象概念漂移的新样本进行模型更新, 已有策略包括[3]:基于主元分析(Principal component analysis, PCA)模型的平方预测误差(Square prediction error, SPE)和Hotellin's $T^2$ 指标[4]、基于核特征空间近似线性依靠(Approximate linear dependence, ALD)条件[5-6]、基于预测误差限(Prediction error band, PEB)[7]以及基于建模样本原始空间ALD条件[8-9].但是, 基于PCA监控指标的方法因不设定更新阈值难以有效控制模型更新次数、基于PEB仅考虑了模型预测性能、采用ALD条件虽通过设定阈值有效控制了模型更新次数却未考虑模型预测性能的变化.
针对具体工业实践, 领域专家通常综合考虑过程特性变化和软测量模型预测性能等指标, 依据自身经验知识决策是否有必要进行软测量模型更新.因此, 如何有效地结合领域专家知识, 融合ALD值和模型预测误差(Prediction error, PE)所代表的具有不同视角的概念漂移程度, 即基于领域专家的经验和知识获取模糊规则, 对是否对软测量模型进行更新采用智能化识别是本文的关注焦点.
研究表明, 集成学习算法具有较好的概念漂移处理能力.文献[10]给出了基于加权集成的集成模型自适应系统的结构.汤健等提出了基于OLKPLS (On-line kernel partial least squares)算法更新回归子模型和在线自适应加权融合(On-line adaptive weighting fusion, OLAWF)算法更新子模型加权系数的磨机负荷参数在线软测量方法[9].上述两种方法未对集成模型结构进行更新, 难以有效地适应概念漂移.
文献[11]提出应用于分类问题的选择性负相关学习算法; 文献[12]给出预设定集成尺寸和权重更新速率的自适应集成模型; 文献[13]提出基于改进Adaboost.RT算法的集成模型; 文献[14]提出能够随识别目标复杂程度自适应变化的分类器动态选择与循环集成方法, 并可调整模型参数实现集成模型精度和效率的折衷; 文献[15]指出面向回归问题的在线集成算法较少, 并提出了基于样本更新的动态在线集成回归算法.面向高维小样本数据, 上述方法难以建立学习速度快、性能稳定的在线集成模型.
选择适合的子模型构建方法对集成模型的快速更新极为重要.误差逆传播神经网络(Back propagation neural network, BPNN)被过拟合、训练时间长等问题所困扰.面对小样本数据时, BPNN难以建立稳定性较高的预测模型.基于结构风险最小化的支持向量机(Support vector machine, SVM)建模方法适用于小样本数据建模, 需要花费较多时间求解最优解, 难以采用重新训练方式实现模型快速更新, 其在线递推模型是以次优解替代最优解.随机向量泛函连接网络(Random vector functional link, RVFL)求解速度快[16-18], 但在面向小样本数据建模时同样存在预测性能不稳定的问题, 并且难以直接用于高维数据建模.理论上, 基于RVFL的集成模型具有更好的建模可靠性[19-20].在隐含层映射关系未知的情况下, 将SVM中的核技术引入RVFL构建改进的RVFL (Improved RVFL, IRVFL)模型可有效克服上述问题[21].
RVFL作为一种单隐层的人工神经网络模型, 难以直接采用高维数据建模.维数约简是首先需要面对的问题[22], 解决方法主要是特征选择[23-24]和特征提取[25-26]技术.特征选择方法主要是选择与函数分类或估计目标关系密切的部分变量实现约简; 丢弃的部分特征可能会降低估计模型的泛化能力.特征提取是采用线性或非线性的方式确定适当的低维空间取代原始高维空间, 无需丢弃部分特征变量, 避免了特征选择技术丢弃部分特征引起的缺陷.基于偏最小二乘(Partial least squares, PLS)的特征提取方法[27]克服了PCA提取的潜在特征只关注输入数据、并非能有效用于函数估计问题的缺点; 并且, PLS递推算法较为容易实现[28].显然, 针对RVFL难以有效解决高维共线性数据的直接建模问题, 将其结合基于PLS的特征提取是较佳的解决方案之一.
综上, 本文提出了基于更新样本智能识别的在线集成建模方法.该方法首先提出一种采用模糊规则融合新样本的相对ALD (Relative ALD, RALD)值和相对PE (Relative PE, RPE)值的智能更新样本识别算法, 然后采用改进的递推PLS (Recursive, RPLS)对潜在特征进行递推更新, 最后重新训练并优化选择具有快速学习能力的IRVFL集成子模型, 在线测量过程中基于OLAWF算法进行权重系数动态更新.
1. 更新样本识别概述
离线构建的非线性模型 $f(\cdot)$ 不能代表具有时变特性的工业过程的当前工况.工业过程模型在时刻 $m_n $ 的输入输出关系采用下式表示.
$ {{y}_{{{m}_{n}}}}={f}'({{\boldsymbol{x}}_{{{m}_{n}}}}), \quad {{m}_{n}}=k+1, k+2, \cdots $
(1) 其中, ${f}'(\cdot)$ 是建模对象特性漂移后的非线性模型; ${ {\boldsymbol{x}}}_{m_n } $ 是时刻 $m_n $ 的输入变量.建立非线性过程的在线更新模型时, 至少需要以下步骤: 1)离线建模; 2)新样本依据旧模型进行测量输出; 3)采用新样本更新或重新构建非线性模型 $\hat {{f}'}(\cdot)$ .
正常工况下运行的工业过程多是慢时变的, 多数新样本可能并没有包含明显的时变信息.每次新样本 ${\rm {\boldsymbol{x}}}_{k+1} ^0 $ 出现时, 采用每个新样本进行模型更新不但耗时而且没有必要.显然, 识别能够代表过程对象概念漂移的新样本进行离线模型的自适应更新对简化模型结构、降低运算消耗和提高模型预测性能很有必要.
下文描述文献中常用方法[3].
1.1 基于PCA的方法
基于PCA的过程监视方法在化工、半导体制造等具有时变特性的工业过程得到成功应用.利用建立离线模型 $f(\cdot)$ 的训练数据构建PCA模型.将标定后的新样本 ${ {\boldsymbol{x}}}_{k+1} $ 分为两部分:
$ \begin{cases} {{\boldsymbol{x}}_{k + 1}}={{{\hat{ \boldsymbol{x}}}}_{k + 1}} + {{{\tilde{\boldsymbol{x}}}}_{k + 1}}\\ {{{\hat{\boldsymbol{x}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}{{{{\hat P}}}_k}{{\hat P}}_k^{\rm{T}}\\ {{{{\tilde{\boldsymbol{x}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}({{I}}-{{{{\hat P}}}_k}{{\hat P}}_k^{\rm{T}})} \end{cases} $
(2) 其中, ${{\hat P}}_k^{}$ 为负荷矩阵, ${{\hat{\boldsymbol{x}}}_{k + 1}}$ 和 ${{\tilde{\boldsymbol{x}}}_{k + 1}}$ 是 ${{\boldsymbol{x}}_{k + 1}}$ 在PCA模型的主元子空间和残差子空间上的投影.
计算新样本的SPE和Hotelling'ss $T^{2}$ [29]:
$ \begin{cases}{{{\boldsymbol{\hat{t}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}{{{{\hat P}}}_k}\\ {{{\hat{\boldsymbol{x}}}}_{k + 1}}={{{\boldsymbol{\hat{t}}}}_{k + 1}}{{\hat P}}_k^{\rm{T}}\\ {{{\tilde{\boldsymbol{x}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}-{{{\boldsymbol{\hat{x}}}}_{k + 1}}\\ SPE \equiv {{\left\| {{{{\tilde{\boldsymbol{x}}}}_{k + 1}}} \right\|}^2}={{\left\| {{{\boldsymbol{x}}_{k + 1}}({{I}}-{{{{\hat P}}}_k}{{\hat P}}_k^{\rm{T}})} \right\|}^2} \end{cases} $
(3) $ \left\{ {\begin{array}{*{20}{c}} {{T^2}={{\bf{x}}_{k + 1}}{{\hat P}_k}{{{\bf{\hat \Lambda }}}^{-1}}\hat P_k^{\rm{T}}{\bf{x}}_{k + 1}^{\rm{T}}}\\ {{{{\bf{\hat \Lambda }}}_k}=\frac{{\hat T_k^{\rm{T}}{{\hat T}_k}}}{{k-1}}={\rm{diag}}\{ {\lambda _1}, {\lambda _2}, \cdots, {\lambda _h}\} } \end{array}} \right. $
(4) 其中, ${{\boldsymbol{\hat{\Lambda}} }}_k$ 是由前h个特征值组成的特征向量; ${{{\hat T}}_k}$ 是得分矩阵.
通常, SPE用于度量新样本在残差子空间上的投影, 表示新样本偏离模型的程度; $T^{2}$ 度量新样本在主元子空间上的变化, 表示新样本在模型内部的偏离程度.如果SPE和 $T^{2}$ 满足如下条件, 不进行模型更新[4]:
$ \begin{cases} SPE \le SP{E_{{\alpha _{\rm pro}}}}\\ {T^2} \le T_{{\alpha _{\rm pro}}}^2 \end{cases} $
(5) 其中, $SPE_{{\alpha _{\rm pro}}}^{}$ 和 $T_{{\alpha _{\rm pro}}}^2$ 表示SPE和 $T^{2}$ 的控制限, 其定义详见文献[24].
1.2 基于ALD的方法
相对于建模样本, 工业过程中采集的新样本通常存在突变和缓变两种变化.文献[5,8]提出利用新样本和建模样本间的ALD值描述这种变化, 其定义如下:
$ {\delta _{k + 1}}=\min {\left\| {\sum\limits_{l=1}^k {{\alpha _l}{{\boldsymbol{x}}_l}-{{\boldsymbol{x}}_{k + 1}}} } \right\|^2} $
(6) 其中, ${\delta _{k + 1}}$ 可通过在输入样本原始空间或核空间中求解式(6)获得.基于 ${\delta _{k +1}}$ 和依经验设定的阈值 $v$ , 判断是否更新模型进而控制模型更新次数:若 ${\delta _{k + 1}}$ 小于等于设定阈值 $v$ , 不进行模型更新; 否则, 表明该新样本与建模样本相对独立, 进行模型更新.
在线建模过程中, 通常比较关注建模精度和建模速度, 它们是两个相互冲突的优化目标.实际应用中, 不同工业系统对建模精度与速度的侧重程度不同, 阈值的选择策略也不同: 1)侧重于建模精度时选择较小阈值, 极限情况是 $v=0$ , 即每个新样本均参与更新; 2)侧重于建模速度时选择较大阈值, 极限情况是 $v=v_{\lim }$ , 即没有新样本参与模型更新; 3)若需要在建模精度和速度间进行均衡, 阈值选择可表述为如下单目标优化问题[9]:
$ \begin{array}{*{20}{c}} {\max J={\gamma _1}{J_{{\rm{pred}}}}({v_{{j_v}}}) + {\gamma _2}{J_{{\rm{time}}}}({v_{{j_v}}}){\mkern 1mu} }\\ {{\rm{s}}.{\rm{t}}.\left\{ {\begin{array}{*{20}{l}} {{J_{{\rm{pred}}\_{\rm{low}}}} < {J_{{\rm{pred}}}}({v_{{j_v}}}) < {J_{{\rm{pred}}\_{\rm{high}}}}}\\ {{J_{{\rm{time}}\_{\rm{low}}}} < {J_{{\rm{time}}}}({v_{{j_v}}}) < {J_{{\rm{time}}\_{\rm{high}}}}}\\ {0 < {\gamma _1}, {\gamma _2} < 1}\\ {{\gamma _1} + {\gamma _2}=1} \end{array}} \right.} \end{array} $
(7) 其中, ${J_{{\rm{pred}}}}({v_{{j_{{v}}}}})$ 和 ${J_{{\rm{time}}}}({v_{{j_{v}}}})$ 是采用阈值 ${v_{{j_{{v}}}}}$ 时的建模精度和速度; $J_{{\rm {pred\_low}}} $ 和 $J_{{\rm{pred\_high}}} $ 、 $J_{{\rm {time\_low}}} $ 和 $J_{{\rm {time\_high}}}$ 是工业过程可以接受的建模精度、建模速度的下限和上限; $\gamma _1 $ 和 $\gamma _2 $ 是在建模精度和建模速度间进行均衡的加权系数.
通常, 最佳阈值需要依据使用者经验和特定领域问题的背景进行选择.
1.3 基于PE的方法
文献[7]基于模型选择性稀疏策略基本思想(即当过程的实际测量值能被模型准确估计时, 表明当前模型是准确的, 不必进行模型更新; 当预测误差超过一定范围时进行模型更新), 提出了基于预测误差限(PE bound, PEB)的更新样本识别算法; 提出通过有效地与领域专家的先验知识相结合, 选择适合的PEB值可避开完全黑箱数据模型的弊端.
当PEB满足如下条件时, 不进行模型更新:
$ {e_{{m_n}}} \le Rule\left(\{ \delta _{{m_n}}^1, \delta _{{m_n}}^2, \cdots\} \right) $
(8) 其中, $\delta _{m_n }^1, \delta _{m_n }^2, \cdots$ 表示依据先验知识设定的不同阈值, $Rule(\cdot)$ 表示依据经验设定的判断规则; 误差 $e_{m_n } $ 采用下式计算
$ {e_{{m_n}}}={y_{{m_n}}}-f({\boldsymbol{x}}_{{m_n}-1}^{}), \quad {{m_n}=k + 1, k + 2, \cdots } $
(9) 该方法依据实际需要预先定义多个 ${\delta _{{m_n}}}$ 阈值和相应规则对更新样本进行识别.
1.4 更新方法小结
由以上表述可知: 1)基于PCA模型识别更新样本的方法不设定更新阈值, 难以有效控制模型更新次数, 预测模型精度与更新速度间的均衡较难控制; 2)采用ALD条件在建模样本的核特征空间和原始空间中判断新样本与建模样本库的线性独立关系的方法, 虽然通过设定阈值可有效控制模型更新次数, 但对模型预测性能的变化未予以考虑; 3)基于PEB的方法考虑模型预测性能, 难以准确涵盖过程特性漂移, 而且对于某些难以在短时间内获得预测变量真值的复杂工业过程不能实现更新样本的识别.实际上, 复杂工业过程的时变特性(概念漂移)的影响不仅体现在当前单个新样本相对于建模样本的变化(ALD值)和相对于旧模型预测精度的变化(PE值), 还表现为某段时间内ALD值和PE值的累计变化.
如何依据这些变化进行模型更新与否的识别决策往往需要领域专家根据不同工业现场的实际情况而定, 即基于专家知识进行智能决策.因此, 如何有效地结合领域专家知识, 融合ALD阈值和模型PE值, 即基于领域专家的经验和知识获取模糊规则, 综合考虑新样本相对复杂过程的变化和预测输出的波动范围, 研究智能化更新样本识别方法是值得关注的研究热点之一.
2. 基于更新样本智能识别的自适应集成建模策略及其实现
通常工业过程都是在完成当前时刻软测量的一段时间后才能获得该时刻对应的真值, 其滞后时间的长短随工业过程的不同而具有差异性.也就是说, 我们首先基于旧模型进行在线测量, 然后依据采用离线化验等其他手段得到的真值对模型进行在线更新, 为下一时刻的软测量服务, 即分为在线测量和在线更新两个阶段.
本文提出基于智能更新样本识别算法的在线集成建模策略, 由离线建模、在线测量和在线更新模块三部分组成, 如图 1所示.其中, 离线建模由数据预处理、潜在特征提取、候选子模型构建、集成子模型选择与合并等组成; 在线测量模块由在线数据预处理、在线潜在特征提取、在线集成子模型预测、在线子模型权系数更新及在线合并子模型输出等部分组成; 在线更新模块包括数据递推预处理、智能更新识别、潜变量特征递推更新、集成子模型更新、非更新特征及集成子模型赋值等组成部分.
图 1中, ${{\boldsymbol{x}}}_{k+1}^0 $ 表示未经标定处理的新样本; ${{\pmb x}}_{k+1}^{{\rm old}} $ 表示采用旧均值和方差标定的新样本; ${\pmb z}_{k+1}^{{\rm old}} $ 表示采用旧PLS模型提取的新样本潜在变量; $f_k^{j\ast } (\pmb z_{k+1}^{{\rm old}})$ 和 $\hat {y}_{k+1}^{j\ast {\rm old}} $ 表示新样本基于旧的第 $j^\ast$ 个集成子模型进行预测及其输出; $w_{k+1}^{j\ast } $ 表示基于在线AWF (OLAWF)算法获得的子模型权系数; $\sum_{j\ast=1}^{J\ast } {w_{k+1}^{j\ast } } \hat {y}_{k+1}^{j\ast {\rm old}} $ 表示集成子模型的集成加权计算方法; $J^\ast $ 表示集成子模型数量, 即集成尺寸; $\hat {y}_{k+1} $ 表示新样本基于集成模型的输出; $\hat {y}_{k+1}^0 $ 表示重新标定后的在线测量值; ${{\boldsymbol{x}}}_{k+1} $ 表示数据递推预处理后的新样本; $\pmb z_{k+1}$ 表示潜在变量特征; $\{{{\boldsymbol{x}}}_l \}_{l=1}^k $ 表示旧子模型的建模样本; $f_k^{j\ast } (\pmb z_{k+1})$ 和 $\{(\hat {y}_{k+1}^{j\ast })_l \}_{l=1}^{k+1} $ 表示更新后的第 $j^\ast$ 个集成子模型及其输出; $F_{\rm ALD} (\cdot)$ 、 $F_{{\rm com}} (\cdot)$ 和 $F_{\rm thre} (\cdot)$ 分别表示RALD算法、基于专家规则的模糊融合算法及其决策输出函数; $a_{k+1}$ 表示新样本RALD值; $u_{sk+1}$ 表示融合RALD和RPE的输出值; $\theta _{\rm com} $ 表示基于经验设定的模糊融合输出阈值; $S_{k+1} $ 是更新决策值, 其值为1表示更新, 否则不更新.
该方法不同于其他在线集成模型方法, 集成子模型加权系数的更新是在在线测量阶段通过OLAWF算法完成的, 能够更好地适应工业过程的动态变化.
2.1 离线建模模块
此处采用文献[21]提出的基于潜变量特征的选择性集成IRVFL的建模策略构建离线软测量模型, 主要包括潜变量特征提取、子模型构建、子模型选择和子模型合并4个模块, 如图 2所示.
图 2 基于潜变量特征的选择性集成IRVFL离线软测量模型建模策略Fig. 2 Selective ensemble IRVFL off-line soft sensor model based on latent variable features图 2中, ${{ X}}_k^{{\rm old}}=\{(x_1, \cdots, x_p)_l \}_{l=1}^k $ , 即 $\{{{\boldsymbol{x}}}_l^{{\rm old}} \}_{l=1}^k $ , 表示建模的输入数据集; ${ { Z}}_k^{{\rm old}}=\{(z_1, \cdots $ , $ z_h)_l \}_{l=1}^k $ 表示采用PLS算法提取的潜变量特征, 即选择性集成模型的输入; $\{({ {\pmb z}}_{{\rm sub}}^j, y_{{\rm sub}}^j)_l \}_{l=1}^k $ 表示采用Bootstrap算法产生的第 $j$ 个训练子集; $f(\cdot)_j $ 表示在采用第 $j$ 个训练子集构建的基于IRVFL的候选子模型; $f^\ast (\cdot)_{j^\ast } $ 表示基于遗传算法优化工具箱(GA optimization toolbox, GAOT)选择的第 $j^\ast$ 个集成子模型; $\sum {W_{j^\ast }^{{\rm AWF}} f^\ast (\cdot)_{j^\ast } } $ 表示采用AWF加权算法对集成子模型进行合并; $\hat {y}_j $ 、 $\hat {y}_{j^\ast } $ 和 $\hat {y}$ 分别表示第 $j$ 个候选子模型、第 $j^\ast$ 个集成子模型和集成模型的输出.
由图 2可知, 共有4个学习参数需要选择:潜变量特征个数h、候选子模型数量 $J$ 、IRVFL算法的核参数 $\gamma _{\rm RVFL} $ 和惩罚参数 $C_{\rm RVFL} $ .建立离线选择性集成模型的过程可表述为求解如下优化问题:
$ \begin{matrix} \min {{J}_{\text{RMSRE}}}=\qquad \\ \sqrt{\frac{1}{{{k}^{\text{valid}}}}\sum\limits_{l=1}^{{{k}^{\text{valid}}}}{{{\left(\frac{y_{{}}^{l}-\sum\limits_{{{j}^{*}}=1}^{{{J}^{*}}}{w_{{{j}^{*}}}^{\text{AWF}}}\hat{y}_{{{j}^{*}}}^{l}}{{{y}^{l}}} \right)}^{2}}}} \\ \text{s}.\text{t}.\left\{ \begin{array}{*{35}{l}} {{{\mathbf{\hat{y}}}}_{j}}^{*}=OpSel({{{\mathbf{\hat{y}}}}_{1}}, \cdots, {{{\mathbf{\hat{y}}}}_{j}}, \cdots, {{{\mathbf{\hat{y}}}}_{J}}) \\ {{{\mathbf{\hat{y}}}}_{j}}=f{{\left(\mathbf{z}, {{\gamma }_{\text{IRVFL}}}, {{C}_{\text{IRVFL}}} \right)}_{j}} \\ 2\le {{J}^{*}}\le J \\ 1\le {{j}^{*}}\le {{J}^{*}} \\ 0\le j\le J \\ \sum\limits_{j=1}^{{{J}^{*}}}{w_{{{j}^{*}}}^{\text{AWF}}}=1 \\ 0\le w_{{{j}^{*}}}^{\text{AWF}}\le 1 \\ \end{array} \right. \\ \end{matrix} $
(10) 其中, $J_{{\rm RMSRE}} $ 表示选择性集成模型的均方根相对误差(Root mean square relative error, RMSRE); $k^{\rm valid}$ 表示验证样本集的数量; $OpSel(\cdot)$ 表示集成子模型的优化选择方法; $J^\ast $ 表示优选的集成子模型的数量; $w_{j^\ast }^{\rm AWF} $ 表示优选的集成子模型的加权系数.
PLS分解训练数据 ${ X}_k^{{\rm old}} $ 和 ${ Y}_k^{{\rm old}} $ 提取潜在特征的过程可表示为
$ \begin{matrix} \left[ \begin{matrix} X_{k}^{\text{old}} \\ Y_{k}^{\text{old}} \\ \end{matrix} \right]\Rightarrow \left\{ \begin{array}{*{35}{l}} X_{k}^{\text{old}}=T_{k}^{\text{old}}{{(P_{k}^{\text{old}})}^{\text{T}}}+{{E}_{h}} \\ Y_{k}^{\text{old}}=T_{k}^{\text{old}}B_{k}^{\text{old}}{{(Q_{k}^{\text{old}})}^{\text{T}}}+{{F}_{h}} \\ \end{array} \right.\Rightarrow \text{ } \\ Z_{k}^{\text{old}}=[{{\boldsymbol{t}}_{1}}, {{\boldsymbol{t}}_{2}}, \cdots, {{\boldsymbol{t}}_{h}}] \\ \end{matrix} $
(11) 其中, $T_k^{{\rm{old}}}=[{{\pmb t}_{\rm{1}}}, {{\pmb t}_2}, \cdots, {{\pmb t}_h}]$ , ${{P}}_k^{{\rm{old}}}=[{{\pmb p}_{\rm{1}}}, {{\pmb p}_2}, \cdots$ , ${{\pmb p}_h}]$ , $Q_k^{{\rm{old}}}=[{{\pmb q}_{\rm{1}}}, {{\pmb q}_2}, \cdots, {{\pmb q}_h}]$ , $B_k^{{\rm{old}}}={\rm diag}\{ {b_{\rm{1}}}, {b_2}$ , $\cdots$ , ${b_h}\} $ 分别表示由训练数据分解得到的得分矩阵、输入数据负荷矩阵、输出数据负荷矩阵和PLS内部模型的系数矩阵.
采用Bootstrap算法基于提取的潜在特征矩阵产生的训练子集, 即
$ Z_k^{{\rm{old}}}=\{ {({{\pmb z}}, y)_l}\} _{l=1}^k \Rightarrow {\begin{cases} {\{ {{({{\pmb z}}_{{\rm{sub}}}^1, y_{{\rm{sub}}}^1)}_l}\} _{l=1}^k}\\ \qquad\quad{\vdots}\\ {\{ {{({{\pmb z}}_{{\rm{sub}}}^j, y_{{\rm{sub}}}^j)}_l}\} _{l=1}^k}\\ \qquad\quad{\vdots}\\ {\{ {{({{\pmb z}}_{{\rm{sub}}}^J, y_{{\rm{sub}}}^J)}_l}\} _{l=1}^k} \end{cases}} $
(12) 其中, $J$ 是训练子集的数量, 即候选子模型的数量.
采用核矩阵 $ K_j ({\pmb z}_l, {\pmb z}_m)$ 替代RVFL的隐含层特征映射 ${ {{\pmb h}({\pmb z})}}$ , RVFL算法针对第 $j$ 个候选子模型的输出可表示为
$ f_k^j({{\pmb z}})={\pmb h}({\pmb z}){H}^{\rm{T}}\left(\frac{{\rm I}}{{C_{\rm{RVFL}}}} + H{H}^{\rm{T}} \right)^{-1}\\Y=[{K}_j({\pmb z}, {{\pmb z}_1}), {K}_j({\pmb z}, {{\pmb z}_2}), \cdots, {K}_j({\pmb z}, {{\pmb z}_k})]\, \times \\ \left(\frac{{I}}{{C{}_{{\rm{RVFL}}}}} + {K}_j({{\pmb z}_l}, {{\pmb z}_m}) \right)^{-1}Y $
(13) 其中, $H$ 是RVFL的隐含层矩阵.
从构建的 $J$ 个候选子模型选择 $J^\ast $ 个集成子模型的过程可表示为
$ \left. {\begin{array}{*{20}{l}} {\{ f_k^j(\cdot)\} _{j=1}^J }\\[2mm] {\{ {w_j}\} _{j=1}^J } \end{array}} \right\} \Rightarrow {\rm{GAOT}} \Rightarrow \left\{ {\begin{array}{*{20}{l}} {\{ f_k^{j*}(\cdot)\} _{{j^*}=1}^{{J^*}}}\\[2mm] {\{ {w_{{j^*}}}\} _{{j^*}=1}^{{J^*}}}~~~\end{array}} \right. $
(14) 对选择的集成子模型基于AWF算法计算权重系数, 并采用 $\sum {W_{j^\ast }^{\rm AWF} f^\ast (\cdot)_{j^\ast } } $ 合并集成子模型的输出 $\hat {y}_{j^\ast } $ , 即得到最终选择性集成模型的输出 $\hat {y}$ .
由以上离线建模过程可知, 本文建立的选择集成模型采用``采集训练样本''的方式产生训练子集并构建选择性集成模型, 并非工业工程常用多模型建模策略所采用的``聚类算法获得代表不同工况的训练样本构建集成子模型再集成的策略''; 此外, 本文采用SVM核矩阵替代RVFL的隐含层映射, 输入权重的随机性得到抑制.因此, 对集成模型的学习参数进行更新是必要的.另外, 无论采用何种方式产生训练子集, 只要过程对象漂移产生的新工况在建模样本覆盖范围之外, 都有必要对集成模型的结构和参数同时进行更新.
2.2 在线测量模块
在线数据预处理时, 新样本采用旧均值和方差进行标定
$ {\boldsymbol{x}}_{k + 1}^{{\rm{old}}}=\left({\boldsymbol{x}}_{k + 1}^0-{{{\pmb 1}}_k}{{\pmb u}}_k^{\rm{T}}\right) \times \Sigma_k $
(15) 其中, ${\pmb u}_k^{}$ 和 $\Sigma_k^{}$ 表示旧建模数据 $\{ {\pmb x}_l^{{\rm{old}}}\} _{l=1}^k$ 的均值和标准差.
为表述方便, 将离线阶段基于建模样本 $\{ {\boldsymbol{x}}_l^{{\rm{old}}}\} _{l=1}^k$ 和 $\{ y_l^{{\rm{old}}}\} _{l=1}^k$ 建立的PLS模型表示为
$ left\{ {\{ {\boldsymbol{x}}_l^{{\rm{old}}}\} _{l=1}^k, \{ y_l^{{\rm{old}}}\} _{l=1}^k} \Rightarrow {\rm{PLS}} \Rightarrow \\ \left\{ T_k^{\rm{old}}, W_k^{\rm{old}}, P_k^{\rm{old}}, B_k^{\rm{old}}, Q_k^{\rm{old}} \right\} $
(16) 基于 ${\boldsymbol{x}}_{k + 1}^{\rm{old}}$ 提取的潜在特征可表示为
$ {\pmb z}_{k + 1}^{\rm{old}}={\boldsymbol{x}}_{k + 1}^{\rm{old}}W_k^{\rm{old}}\left({{{{\rm{(}}{{P}}_k^{{\rm{old}}})}^{\rm{T}}}W_k^{{\rm{old}}}} \right)^{-1} $
(17) 其中, ${\pmb z}_{k + 1}^{\rm{old}}$ 表示潜在特征; $P_k^{\rm{old}}$ 和 $W_k^{{\rm{old}}}$ 是旧PLS模型的负荷和系数矩阵.
新样本基于第 $j$ 个旧集成子模型的预测输出
$ \hat y_{k + 1}^{j*{\rm{old}}}=f_k^{j*}\left({\pmb z}_{k + 1}^{{\rm{old}}}\right) $
(18) 其中, $f_k^{j*}(\cdot)$ 表示第 $j$ 个旧集成子模型.
采用在线AWF算法计算集成子模型权系数[3]
$ u_{k + 1}^{j*}=\frac{k}{{k + 1}}u_k^{j*{\rm{old}}} + \frac{1}{{k + 1}}\hat y_{k + 1}^{j*{\rm{old}}} $
(19) $ {\left(\sigma _{k + 1}^{j*}\right)^2}=\dfrac{{k-1}}{k}{\left(\sigma _k^{j*{\rm{old}}}\right)^2} + {\left(u_{k + 1}^{j*{\rm{old}}}-u_k^{j*{\rm{old}}}\right)^2~}+ \dfrac{1}{k}\|\hat y_{k + 1}^{j*}-u_{k + 1}^{j*}\|^2 $
(20) $ w_{k + 1}^{j*}=\frac{1} {\left(\sigma_{k + 1}^{j*}\right)^2\sum\limits_{j^*=1}^{J^*} {\frac{1}{\left(\sigma _{k + 1}^{j*}\right)^2 } }} $
(21) 其中, $u_{k + 1}^{j*}$ , $\sigma _{k + 1}^{j*}$ 及 $w_{k + 1}^{j*}$ 分别表示更新后的均值、方差及子模型权系数.
新样本的在线测量输出 $\hat y_{k + 1}^{}$ 采用下式计算:
$ \hat y_{k + 1}^{}=\sum\limits_{j*=1}^{J*} {w_{k + 1}^{j*}} \hat y_{k + 1}^{j*} $
(22) 采用旧模型标定参数对 $\hat y_{k + 1}^{}$ 进行重新标定:
$ \hat y_{k + 1}^0=A + \frac{{(\hat y_{k + 1}^{}-0.1)(A-B)}}{{0.9-0.1}} $
(23) 其中, $A$ 和 $B$ 为旧建模样本 $\{ y_l^{{\rm{old}}}\} _{l=1}^k$ 中的最小值和最大值.
2.3 在线更新模块
通常, 获得 $k+1$ 时刻真值后进行模型更新, 因而在 $k+1$ 时刻更新的模型只能在 $k+2$ 时刻进行基于软测量模型的在线测量输出.
2.3.1 数据递推预处理
在线数据预处理需考虑新样本对旧建模样本的均值和方差的影响.首先对旧建模样本的均值和方差进行递推更新
$ {{\pmb u}_{k + 1}}=\frac{k}{{k + 1}}{{\pmb u}_k} + \frac{1}{{k + 1}}{\left({\boldsymbol{x}}_{k + 1}^0\right)^{\rm{T}}} $
(24) $ \sigma _{(k + 1) \cdot {i_p}}^2=\frac{{k-1}}{k}\sigma _{k \cdot {i_p}}^2 + \Delta {\pmb u}_{k + 1}^2\left({i_p}\right)~+\nonumber\\ \frac{1}{k}{\left\| {{\boldsymbol{x}}_{k + 1}^0({i_p})-{{\pmb u}_{k + 1}}({i_p})} \right\|^2} $
(25) 其中, $\Delta {\pmb u}_{k + 1}^{}={\pmb u}_{k + 1}^{}-{\pmb u}_k^{}$ ; $\sigma _{(k + 1) \cdot {i_p}}^{}$ 表示第 $i_p$ 个变量的标准差.
新样本标定的递推形式为
$ {{\boldsymbol{x}}_{k + 1}}=({\boldsymbol{x}}_{k + 1}^0-{\bf{1}} \cdot {\pmb u}_{k + 1}^{\rm{T}}) \times \Sigma _{k + 1} $
(26) 其中, ${\Sigma _{k + 1}}={\rm diag}\{{\sigma _{(k + 1){1_p}}}, \cdots, {\sigma _{(k + 1){p_p}}}\}$ .
采用与 ${\boldsymbol{x}}_{k + 1}^0$ 相同的方法预处理 $y_{k + 1}^0$ , 并将标定后的值记为 $y_{k + 1}^{}$ .
2.3.2 更新样本智能识别
更新样本智能识别中同时考虑新样本ALD值和PE值的影响.基于领域专家知识总结规则, 建立基于Mamdani模糊推理系统的智能模型对ALD值和PE值进行融合输出.
采用文献[8]的方法计算 ${{\boldsymbol{x}}}_{k+1} $ 相对于建模样本库的ALD绝对值 $a_{k + 1}^{\rm{abs}}$ .
$ \begin{cases} a_{k + 1}^{{\rm{abs}}}={k_{k + 1}}-{{\left({\tilde{\pmb k}}_k^{}\right)}^{\rm{T}}}{{\left({{\tilde K}}_k^{}\right)}^{-1}}\left({\tilde{\pmb k}}_k\right)\\[1mm] {\tilde K}_k=X_k^{\rm{old}} \times \left(X_k^{\rm{old}}\right)^{\rm{T}}\\[1mm] \tilde{\pmb k}_k=X_k^{\rm{old}} \times {\boldsymbol{x}}_{k + 1}^{\rm{T}} \\[1mm] k_{k + 1}={\boldsymbol{x}}_{k + 1} \times {\boldsymbol{x}}_{k + 1}^{\rm{T}} \end{cases} $
(27) 其中, $X_k^{\rm{old}}$ 表示旧的建模样本数据集.
计算新样本的相对ALD (RALD)值 $a_{k + 1}^{}$ :
$ a_{k + 1}=\dfrac{a_{k + 1}^{\rm abs}} {\frac{\sum\limits_{l=1}^{k } a_l^{\rm abs}} {k}} $
(28) 其中, $a_l^{{\rm{abs}}}$ 表示建模样本库中第 $l$ 个样本相对于其他所有 $k-1$ 个样本的ALD值.
上述过程可采用如下公式表示:
$ a_{k + 1}^{}=F_{{\rm{ALD}}}^{}\left({\boldsymbol{x}}_{k + 1}^{}, \{ {\pmb x}_l^{{\rm{old}}}\} _{l=1}^k\right) $
(29) 考虑 $k+1$ 时刻PE值的影响, 定义相对预测误差(RPE)如下:
$ e_{k + 1}=\dfrac{\left| \dfrac{\hat y_{k + 1}-y_{k + 1}}{y_{k + 1}} \right|} {\frac {\sum\limits_{l=1}^k {\left| \dfrac{\hat y_l-y_l}{y_l} \right|}}{k} } $
(30) 其中, $\left| {\frac{{\hat y_{k + 1}^{}-y_{k + 1}^{}}}{{y_{k + 1}^{}}}} \right|$ 表示建模样本库第 $l$ 个样本的预测值与其真值的相对差值.
此处将融合新样本RPE和RALD值建立的更新样本智能识别算法记为 $F_{{\rm{com}}}^{}(\cdot)$ , 并将智能识别算法的输出称为模糊融合值, 记为 ${u_s}_{k +1}^{}$ , 用下式表示:
$ u_{sk + 1}^{}=F_{{\rm{com}}}^{}(a_{k + 1}^{}, e_{k + 1}^{}) $
(31) 采用基于专家经验总结的模糊推理规则实现对RALD值和RPE值的融合输出, 参考PID控制器设计的比例-积分控制律, 总结如表 1所示49条专家规则.
表 1 更新样本模糊推理规则Table 1 Fuzzy inference rulers of the updating sampleUs RALD NB NM NS Z PS PM PB R NB NB NB NM NM NS NS Z P NM NB NM NM NS NS Z PS E NS NM NM NS NS Z PS PS Z NM NS NS Z PS PS PM PS NS NS Z PS PS PM PM PM NS Z PS PS PM PM PB PB Z PS PS PM PM PB PB 表 1中, RALD、RPE和Us分别表示新样本面对旧建模样本库的相对近似线性依靠值、新样本基于旧模型的相对预测误差值和模糊融合值.
采用重心法对Us进行去模糊处理.将样本选择阈值记为 $\theta _{{\rm com}} $ , 阈值函数 ${F_{{\rm{thre}}}}(\cdot)$ 可记为
$ S_{k + 1}^{}={F_{{\rm{thre}}}}\left(c_{k + 1}^{}, \theta _{{\rm{com}}}\right)=\begin{cases} 1, & {u_s}_{k + 1} \ge \theta _{\rm{com}}\\ 0, & {u_s}_{k + 1}^{} < \theta _{\rm{com}} \end{cases} $
(32) 其中, $S_{k + 1}=1$ 表示识别该新样本为更新样本.
2.3.3 潜变量特征递推更新
将标定后的新样本记为 $\{ {{\boldsymbol{x}}_{k + 1}^{}, {{ y}}_{k + 1}^{}} \}$ 进行递推更新的输入输出数据可记为
$ {X}_{k + 1}=\left[{\begin{array}{*{20}{c}} {{{({{P}}_k^{\rm{old}})}^{\rm{T}}}}\\ {{{\boldsymbol{x}}_{k + 1}}} \end{array}} \right]\notag\\[2mm] {Y}_{k + 1}=\left[\begin{array}{*{20}{c}} {B}_k^{\rm{old}}{(Q_k^{\rm{old}})}^{\rm{T}}\\ {{{{ y}}_{k + 1}}} \end{array} \right] $
(33) 基于以上输入输出数据建立新PLS模型
$ \begin{matrix} \left\{ {{X}_{k+1}}, {{Y}_{k+1}} \right\}\Rightarrow \text{PLS}\Rightarrow \\ \left\{ {{T}_{k+1}}, {{W}_{k+1}}, {{P}_{k+1}}, {{B}_{k+1}}, {{Q}_{k+1}} \right\} \\ \end{matrix} $
(34) 基于 ${{\boldsymbol{x}}}_{k+1} $ 提取的潜在特征可表示为
$ {{\pmb z}}_{k + 1}={\boldsymbol{x}}_{k + 1}W_k\left({{({{P}}_k)}^{\rm{T}}}W_k \right)^{-1} $
(35) 其中, ${\pmb z}_{k + 1}$ 表示新样本的潜在特征; ${P}_{k + 1}$ 和 $W_{k + 1}$ 是新PLS模型的负荷矩阵和系数矩阵.
2.3.4 集成子模型更新
确定采用子模型更新时, 建模样本集为
$ \{ {{{\pmb z}}_l}, {y_l}\} _{l=1}^{k + 1}=\{ {{{\pmb z}}_l}, {y_l}\} _{l=1}^k \cup \{ {{\pmb z}}_{k + 1}^{}, {{ y}}_{k + 1}^{}\} $
(36) 因IRVFL算法具有较快的学习速度, 此处采用新建模样本库重新训练方式进行集成模型更新.更新后的集成子模型 $f_{k + 1}^{j*}(\cdot)$ 对训练样本的输出为
$ \{ {(\hat y_{k + 1}^{j*})_l}\} _{l=1}^{k + 1}=f_{k + 1}^{j*}(\{ {{{\pmb z}}_l}\} _{l=1}^{k + 1}) $
(37) 为保证采集到第 $(k+2)$ 个新样本时在线测量模块可以正常运行, 需更新的变量及模型包括:建模样本的均值 ${\pmb u}_{k + 1}$ 和标准差 $\Sigma_{k + 1}$ , 潜变量特征提取模型的 $B_k$ , $Q_k$ , ${{P}}_{k + 1}$ 和 $W_{k + 1}$ , 集成子模型 $f_{k + 1}^{j*}(\cdot)$ , 集成子模型预测值的均值 $u_{k + 1}^{j*}$ 和方差 $\sigma _{k + 1}^{j*}$ .按如下公式进行赋值:
$ \begin{cases} {\pmb u}_{k + 1}^{} \leftarrow {\pmb u}_k\\ \Sigma_{k + 1} \leftarrow \Sigma_k \end{cases} $
(38) $ \begin{cases} {P}_{k + 1}^{} \leftarrow {{P}}_k\\ B_{k + 1} \leftarrow B_k\\ W_{k +1 } \leftarrow W_k\\ {Q}_{k + 1} \leftarrow Q_k \end{cases} $
(39) $ f_{k + 1}^{j*}(\cdot) \leftarrow f_k^{j*}(\cdot) $
(40) $ \begin{cases} u_{k + 1}^{j*} \leftarrow u_k^{j*}\\ \sigma _{k + 1}^{j*} \leftarrow \sigma _k^{j*} \end{cases} $
(41) 3. 仿真验证
采用如下函数生成仿真数据模拟工业过程的非线性和时变特性:
$ \begin{cases} {{x_1}={t^2}-t + 1 + {\Delta _1}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_2}=\sin (t) + {\Delta _2}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_3}={t^3} + t + {\Delta _3}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_4}={t^3} + {t^2} + 1 + {\Delta _4}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_5}=\sin (t) + 2{t^2} + 2 + {\Delta _5}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {y=x_1^2 + x_1^{}{x_2} + 3\cos {x_3}-{x_4} + 5{x_5} + {\Delta _6}} \end{cases} $
(42) 其中, $t\in [-1, 1]$ , $\Delta _{i_{{\rm sy}} } $ 表示噪声, 其分布范围为[-0.1,0.1], $i_{{\rm sy}}=1, 2, 3, 4, 5, 6$ .
仿真合成数据分布在 $C1$ 、 $C2$ 、 $C3$ 和 $C4$ 共4个不同区域.训练样本数量由分别来自 $C1$ 、 $C2$ 和 $C3$ 区域的各30个样本组成.测试样本由 $C1$ 、 $C2$ 和 $C3$ 区域的各30个样本以及 $C4$ 区域的90个样本组成.
3.1 离线模型结果
基于90个训练样本, 采用PLS进行特征提取, 不同LV的方差贡献率如表 2所示.
表 2 仿真数据的方差贡献率(%)Table 2 Percent variance contribution of the simulation data(%)LV 输入数据(X-Block) 输出数据(Y-Block) 潜变量贡献率 累计贡献率 潜变量贡献率 累计贡献率 1 69.79 69.79 66 66 2 28.33 98.11 25.66 91.65 3 1.62 99.73 7.86 99.51 4 0.16 99.89 0.05 99.56 5 0.11 100 0 99.57 表 2表明, 前3个LVs分别描述了 $X$ -Block和 $Y$ -Block方差变化率的99.73, %和99.51, %.不同模型学习参数(核半径、惩罚参数、候选子模型数量、潜变量数量)与均方根预测相对误差(RMSRE)间的关系如图 3所示.
图 3 离线模型学习参数与预测误差Fig. 3 Learning parameters and prediction errors of the off-line model依据图 3进行建模参数选择.为便于比较, 将RALD值和RPE值采用极差法标定在 $-3$ 与 $+3$ 之间, 测试样本相对于初始建模样本的RALD值、\linebreak RPE值及模糊融合值如图 4所示.
图 4 测试样本相对于离线模型(建模样本)的RALD值、RPE值及模糊融合值Fig. 4 RALD, RPE and fuzzy fusion values of the testing samples relative to off-line model (modeling samples)由图 4可知, 后90个测试样本相对于建模样本的变化高于前90个测试样本, 主要原因是后90个样本代表的新的概念漂移未能被初始建模样本所覆盖; 以阈值0为界限, 由位于阈值线上方的样本分布可知, 所提更新样本识别算法可有效地融合RALD值和RPE值.由上可知, 进行集成模型的在线更新非常必要.
3.2 在线模型结果
模糊融合阈值 $\theta _{{\rm com}}$ 的大小决定了模型更新次数的多少, 较大的阈值代表更多的样本参与更新.本文将阈值的取值范围定为 $-3$ ~ $+3$ 之间.当 $\theta _{{\rm com}}=$ $-1.5$ 时, 测试样本相对于在线更新模型建模样本的RALD值、在线更新模型的RPE值、对两者融合的模糊融合值及在线更新模型的测试曲线, 如图 5所示.表 3给出了离线模型, 基于RALD值、RPE值和模糊融合值的在线更新模型重复20次的统计结果.
图 5 $\theta _{{\rm com}}=-1.5$ 时的在线集成模型预测输出Fig. 5 Prediction output of the online ensemble model with $\theta _{{\rm com}}=-1.5 $表 3 仿真数据在线更新模型重复20次的统计结果Table 3 Statistical results of the online updating model with repeated 20 times for the simulation data更新样本识别方法 统计项 更新样本预设定阈值 –2.5 –2 –1.5 –1 0 1 非更新方法 最大误差 0.1886 0.1885 0.1884 0.1894 0.1887 0.1892 最小误差 0.1875 0.1865 0.187 0.1872 0.1872 0.1871 误差均值 0.1868 0.1876 0.1878 0.1879 0.1878 0.1879 误差方差 0.0004 0.0004 0.0004 0.0005 0.0004 0.0005 基于RALD的更新样本识别方法 最大误差 0.1758 0.1152 0.0989 0.1127 0.1004 0.1767 最小误差 0.0628 0.0794 0.0856 0.085 0.087 0.1658 误差均值 0.119 0.0876 0.0892 0.0886 0.0911 0.1878 误差方差 0.0376 0.0094 0.0044 0.006 0.0033 0.0071 更新次数最多的样本编号 92, 94, 96, 118, 119, 141 99, 100, 106, 98, 100, 103 99, 106, 118, 124 99, 106 99, 123, 149, 154 - 平均更新次数 11 5 2 2 2 0 基于RPE的更新样本识别方法 最大误差 0.058 0.0665 0.0486 0.085 0.1198 0.1701 最小误差 0.0396 0.038 0.0449 0.05 0.0492 0.0494 误差均值 0.044 0.0446 0.0469 0.0642 0.0785 0.0731 误差方差 0.0042 0.007 0.0008 0.012 0.0231 0.0284 更新次数最多的样本编号 91, 92, 93, 118, 124 91, 93, 92, 97, 95 91, 93, 1 91, 93, 8, 1, 119 91, 93, 8, 16, 11 93, 91, 92, 11 平均更新次数 10.3 4.1 2.05 2.6 2.2 1.9 本文方法 最大误差 0.16 0.0953 0.0733 0.0808 0.1082 0.1878 最小误差 0.0967 0.0529 0.0397 0.0395 0.0556 0.1653 误差均值 0.1309 0.0784 0.0429 0.0474 0.0847 0.1804 误差方差 0.0199 0.0116 0.0078 0.0101 0.0117 0.0066 更新次数最多的样本编号 1180 91, 91, 93, 95, 97, 76 91, 92, 93, 97, 124 93, 91, 92 92, 94, 93, 99 – 平均更新次数 180 72.95 3.4 2.55 1.7 0 1) 从更新最多的样本编号上看, 本文方法选择的样本基本上覆盖了RALD和RPE方法选择的样本, 如依据RALD方法未选择的第93和97个样本、依据RPE方法未选择的第99和106个样本在本文所提模糊融合方法中均进行了选择, 表明该方法可以有效地融合RALD和RPE方法中独立存在的片面信息.
2) 在模型预测性能上, 不同更新阈值时的不同更新方法的最大、最小和平均预测误差如图 6所示.
图 6 基于不同更新样本识别方法软测量模型的预测误差Fig. 6 Prediction errors of the soft sensor models based on different updating sample identification methods图 6表明, 未更新时软测量模型具有最差的泛化性能, 主要是因为离线模型不能适应 $C4$ 区域所表征的新工况; 对于基于RALD、基于RPE和本文所提方法更新的软测量模型的预测性能均有一定程度的提高.在阈值取 $-1.5$ 时, 基于RPE的方法具有最佳的最大预测误差, 本文方法具有最佳的最小和平均预测误差.如, 基于本文、RPE和RALD方法的平均RMSRE分别为0.0429、0.0469和0.0892, 方差分别为0.0078、0.0008和0.0044.
图 6还表明, 从曲线形状的角度观察, 本文所提方法的预测误差说明存在最佳的阈值能够使软测量模型具有最佳预测性能.
3) 在更新样本数量上, 本文方法与基于RALD和RPE方法相当, 如在样本更新阈值为 $-1.5$ 时, 基于本文方法、RPE方法和RALD方法的重复20次的平均更新样本数量分别3.4、2.05和2, 表明三种方法均只需采用较少数量的更新样本即可得到较佳预测性能, 原因之一在于每次样本更新后均是重新建立集成子模型, 对集成模型的结构、权重系数等均进行了更新; 不足之处是未对集成子模型的超参数(如核半径)进行更新.如何在线更新模型超参数将进一步研究, 以便提高模型的泛化性能.
4) 从不同阈值的影响上看, 理论上阈值越小, 模型的预测性能越好, 即参与更新的样本越多模型预测误差越小; 当更新样本数量累计过多时模型的预测性能提高较小, 甚至反而下降, 这是因为过多与临近工作点无关的样本恶化了模型预测性能.下步研究中将考虑如何识别和删减恶化模型性能的多余样本.
5) 本文方法与文献[9]提出的在线KPLS方法相比, 模型更新次数明显减少, 主要原因在于本文所提方法更新了模型结构, 进一步表明集成模型结构在线更新的必要性和有效性.
综上, 本文方法对具有明确时变特性的建模过程数据是有效的.需提出的是, 模糊规则的调整需要领域专家依据具体建模对象特性、软测量模型性能及其他难以量化的因素等综合确定.在后续研究中, 需要结合真实的时变工业过程数据进行进一步的细化研究.
4. 结论
本文提出的在线更新学习中, 模型更新次数是通过模糊规则融合新样本的相对近似线性依靠值和相对预测误差值确定的.智能识别模型的模糊规则主要是依靠领域专家经验确定, 在实际应用中需要结合具体的工业过程应用对象进行提取, 并提供可供调整的人机交互界面.另外, 主要关注更新样本近似线性依靠条件, 还是预测误差所表征的概念漂移可通过调整隶属度函数进一步细划.因此, 该方法能够有效地实现更新样本的智能识别, 通过合理设定模糊推理规则能够在集成模型预测性能与更新效率之间进行均衡, 结合具体工程应用将具有广阔前景.
本文方法进行近似线性依靠条件计算需要记录全部训练样本, 更新集成模型也需要存储建立核矩阵的潜在特征, 导致集成模型存储的数量逐渐递增.集成模型的快速递推更新、模型超参数的快速优化选择等问题将在后续研究中逐步解决.
-
图 4 电力CPS数据流中的FDIA攻防手段概括
Fig. 4 The attack-defense means of FDIA aimed at the data flow in CPPS
图 5 电力CPS网络联合攻防平台框架
Fig. 5 The framework of the CPPS associated attack-defense platform
表 1 电力CPS网络安全攻防平台研究现状
Table 1 Researches of CPPS associated attack-defense platforms
组成结构 攻击场景 防御方法 验证效果 MATLAB, OPNET[60] 信息传输故障 基于多维尺度和局部异常因子的检测方法 实现CPS各区域故障的统一识别与定位 Digsilent, OMNET++, MATLAB[61] 针对EMS的FDIA 检测和事后恢复方法 构建了脆弱性和攻击影响的综合评估框架 PSLF, NS2[62] 针对PMU状态估计器的FDIA 基于状态变量时效性的检测方法 验证了状态估计器对单链路和路由器故障、拥塞的鲁棒性 MATLAB, OPNET, C++[63] 针对广域阻尼控制系统的拒绝服务、中间人等攻击 无 分析归纳了延迟、无序、错误数据的端到端信息特征 Simulink, OPNET[64] 目的为延迟和污染通信数据的分布式拒绝服务攻击 无 观察了网络攻击对故障附近发电机响应的影响 RTDS, Python, AutoIt[65] 面向广域监控系统应用的电力CPS突发事件和网络攻击行为 基于数据挖掘的入侵异常检测方法 验证了电力系统应对攻击的脆弱性评估、异常检测与故障检测能力 
下载: 导出CSV
-
[1] 赵俊华, 文福拴, 薛禹胜, 李雪, 董朝阳.电力CPS的架构及其实现技术与挑战.电力系统自动化, 2010, 34(16):1-7 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201016001Zhao Jun-Hua, Wen Fu-Shuan, Xue Yu-Sheng, Li Xue, Dong Zhao-Yang.Cyber physical power systems:architecture, implementation techniques and challenges.Automation of Electric Power Systems, 2010, 34(16):1-7 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201016001 [2] 马钊, 周孝信, 尚宇炜, 盛万兴.能源互联网概念、关键技术及发展模式探索.电网技术, 2015, 39(11):3014-3022 http://d.old.wanfangdata.com.cn/Periodical/dwjs201511003Ma Zhao, Zhou Xiao-Xin, Shang Yu-Wei, Sheng Wan-Xing.Exploring the concept, key technologies and development model of energy internet.Power System Technology, 2015, 39(11):3014-3022 http://d.old.wanfangdata.com.cn/Periodical/dwjs201511003 [3] Mo Y L, Kim T H J, Brancik K, Dickinson D, Lee H, Perrig A, et al.Cyber-physical security of a smart grid infrastructure.Proceedings of the IEEE, 2012, 100(1):195-209 doi: 10.1109/JPROC.2011.2161428 [4] He H B, Yan J.Cyber-physical attacks and defences in the smart grid:a survey.IET Cyber-Physical Systems:Theory and Applications, 2016, 1(1):13-27 doi: 10.1049/iet-cps.2016.0019 [5] 刘东, 盛万兴, 王云, 陆一鸣, 孙辰.电网信息物理系统的关键技术及其进展.中国电机工程学报, 2015, 35(14):3522-3531 http://d.old.wanfangdata.com.cn/Periodical/zgdjgcxb201514007Liu Dong, Sheng Wan-Xing, Wang Yun, Lu Yi-Ming, Sun Chen.Key technologies and trends of cyber physical system for power grid.Proceedings of the CSEE, 2015, 35(14):3522-3531 http://d.old.wanfangdata.com.cn/Periodical/zgdjgcxb201514007 [6] Vellaithurai C, Srivastava A, Zonouz S, Berthier R.CPIndex:cyber-physical vulnerability assessment for power-grid infrastructures.IEEE Transactions on Smart Grid, 2015, 6(2):566-575 doi: 10.1109/TSG.2014.2372315 [7] Wang W Y, Lu Z.Cyber security in the smart grid:survey and challenges.Computer Networks, 2013, 57(5):13441371 doi: 10.1016/j.comnet.2012.12.017 [8] 苗新, 张恺, 田世明, 李建歧, 殷树刚, 赵子岩.支撑智能电网的信息通信体系.电网技术, 2009, 33(17):8-13 http://d.old.wanfangdata.com.cn/Periodical/zgsjtx201516019Miao Xin, Zhang Kai, Tian Shi-Ming, Li Jian-Qi, Yin Shu-Gang, Zhao Zi-Yan.Information communication system supporting smart grid.Power System Technology, 2009, 33(17):8-13 http://d.old.wanfangdata.com.cn/Periodical/zgsjtx201516019 [9] Liu S, Mashayekh S, Kundur D, Zourntos T, Butler-Purry K.A framework for modeling cyber-physical switching attacks in smart grid.IEEE Transactions on Emerging Topics in Computing, 2013, 1(2):273-285 doi: 10.1109/TETC.2013.2296440 [10] 叶夏明, 文福拴, 尚金成, 何洋.电力系统中信息物理安全风险传播机制.电网技术, 2015, 39(11):3072-3079 http://d.old.wanfangdata.com.cn/Periodical/dwjs201511012Ye Xia-Ming, Wen Fu-Shuan, Shang Jin-Cheng, He Yang.Propagation mechanism of cyber physical security risks in power systems.Power System Technology, 2015, 39(11):3072-3079 http://d.old.wanfangdata.com.cn/Periodical/dwjs201511012 [11] Hahn A, Govindarasu M.Cyber attack exposure evaluation framework for the smart grid.IEEE Transactions on Smart Grid, 2011, 2(4):835-843 doi: 10.1109/TSG.2011.2163829 [12] 田继伟, 王布宏, 李夏.智能电网状态维持拓扑攻击及其对经济运行的影响.电力系统保护与控制, 2018, 46(1):50-56 http://d.old.wanfangdata.com.cn/Periodical/jdq201801008Tian Ji-Wei, Wang Bu-Hong, Li Xia.State-preserving topology attacks and its impact on economic operation of smart grid.Power System Protection and Control, 2018, 46(1):50-56 http://d.old.wanfangdata.com.cn/Periodical/jdq201801008 [13] 汤奕, 陈倩, 李梦雅, 王琦, 倪明, 梁云.电力信息物理融合系统环境中的网络攻击研究综述.电力系统自动化, 2016, 40(17):59-69 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201617009Tang Yi, Chen Qian, Li Meng-Ya, Wang Qi, Ni Ming, Liang Yun.Overview on cyber-attacks against cyber physical power system.Automation of Electric Power Systems, 2016, 40(17):59-69 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201617009 [14] Liang G Q, Weller S R, Zhao J H, Luo F J, Dong Z Y.The 2015 Ukraine blackout:implications for false data injection attacks.IEEE Transactions on Power Systems, 2017, 32(4):3317-3318 doi: 10.1109/TPWRS.2016.2631891 [15] 李中伟, 佟为明, 金显吉.智能电网信息安全防御体系与信息安全测试系统构建:乌克兰和以色列国家电网遭受网络攻击事件的思考与启示.电力系统自动化, 2016, 40(8):147-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201608022Li Zhong-Wei, Tong Wei-Ming, Jin Xian-Ji.Construction of cyber security defense hierarchy and cyber security testing system of smart grid:thinking and enlightenment for network attack events to national power grid of Ukraine and Israel.Automation of Electric Power Systems, 2016, 40(8):147-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201608022 [16] 赵俊华, 梁高琪, 文福拴, 董朝阳.乌克兰事件的启示:防范针对电网的虚假数据注入攻击.电力系统自动化, 2016, 40(7):149-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201607022Zhao Jun-Hua, Liang Gao-Qi, Wen Fu-Shuan, Dong Zhao-Yang.Lessons learnt from Ukrainian blackout:protecting power grids against false data injection attacks.Automation of Electric Power Systems, 2016, 40(7):149-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201607022 [17] 倪明, 颜诘, 柏瑞, 汤奕.电力系统防恶意信息攻击的思考.电力系统自动化, 2016, 40(5):148-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201605023Ni Ming, Yan Jie, Bo Rui, Tang Yi.Power system cyber attack and its defense.Automation of Electric Power Systems, 2016, 40(5):148-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201605023 [18] 卫志农, 陈和升, 倪明, 孙国强, 孙永辉, 厉超.电力信息物理系统中恶性数据定义、构建与防御挑战.电力系统自动化, 2016, 40(17):70-78 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201617010Wei Zhi-Nong, Chen He-Sheng, Ni Ming, Sun Guo-Qiang, Sun Yong-Hui, Li Chao.Definition, construction and defense of false data in cyber physical system.Automation of Electric Power Systems, 2016, 40(17):70-78 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201617010 [19] 汤奕, 王琦, 倪明, 梁云.电力信息物理融合系统中的网络攻击分析.电力系统自动化, 2016, 40(6):148-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201606024Tang Yi, Wang Qi, Ni Ming, Liang Yun.Analysis of cyber attacks in cyber physical power system.Automation of Electric Power Systems, 2016, 40(6):148-151 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201606024 [20] 朱杰, 张葛祥, 王涛, 赵俊博.电力系统状态估计欺诈性数据攻击及防御综述.电网技术, 2016, 40(8):2406-2415 http://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201608026.htmZhu Jie, Zhang Ge-Xiang, Wang Tao, Zhao Jun-Bo.Overview of fraudulent data attack on power system state estimation and defense mechanism.Power System Technology, 2016, 40(8):2406-2415 http://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201608026.htm [21] Fan Y W, Zhang Z H, Trinkle M, Dimitrovski A D, Song J B, Li H S.A cross-layer defense mechanism against GPS spoofing attacks on PMUs in smart Grids.IEEE Transactions on Smart Grid, 2015, 6(6):2659-2668 doi: 10.1109/TSG.2014.2346088 [22] Liu X X, Zhu P D, Zhang Y, Chen K.A collaborative intrusion detection mechanism against false data injection attack in advanced metering infrastructure.IEEE Transactions on Smart Grid, 2015, 6(5):2435-2443 doi: 10.1109/TSG.2015.2418280 [23] Bishop A N, Savkin A V.On false-data attacks in robust multi-sensor-based estimation.In:Proceedings of the 9th IEEE International Conference on Control and Automation.Santiago, Chile:IEEE, 2011.10-17 [24] Pal S, Sikdar B, Chow J H.An online mechanism for detection of gray-hole attacks on PMU data.IEEE Transactions on Smart Grid, 2018, 9(4):2498-2507 doi: 10.1109/TSG.2016.2614327 [25] 冀星沛, 王波, 董朝阳, 陈果, 刘涤尘, 魏大千, 等.电力信息-物理相互依存网络脆弱性评估及加边保护策略.电网技术, 2016, 40(6):1867-1873 http://www.cnki.com.cn/Article/CJFDTotal-DWJS201606042.htmJi Xing-Pei, Wang Bo, Dong Zhao-Yang, Chen Guo, Liu Di-Chen, Wei Da-Qian, et al.Vulnerability evaluation and link addition protection strategy research of electrical cyber-physical interdependent networks.Power System Technology, 2016, 40(6):1867-1873 http://www.cnki.com.cn/Article/CJFDTotal-DWJS201606042.htm [26] 李强, 周京阳, 于尔铿, 刘树春, 王磊.基于混合量测的电力系统状态估计混合算法.电力系统自动化, 2005, 29(19):31-35 doi: 10.3321/j.issn:1000-1026.2005.19.006Li Qiang, Zhou Jing-Yang, Yu Er-Keng, Liu Shu-Chun, Wang Lei.Hybrid algorithm for power system state estimation based on PMU measurement and SCADA measurement.Automation of Electric Power Systems, 2005, 29(19):31-35 doi: 10.3321/j.issn:1000-1026.2005.19.006 [27] Mo Y L, Sinopoli B.False data injection attacks in control systems.In:Proceedings of the 1st Workshop on Secure Control Systems.Stockholm, Sweden:Springer, 2010. [28] 王宇飞, 高昆仑, 赵婷, 邱健.基于改进攻击图的电力信息物理系统跨空间连锁故障危害评估.中国电机工程学报, 2016, 36(6):1490-1499 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201606005.htmWang Yu-Fei, Gao Kun-Lun, Zhao Ting, Qiu Jian.Assessing the harmfulness of cascading failures across space in electric cyber-physical system based on improved attack graph.Proceedings of the CSEE, 2016, 36(6):1490-1499 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201606005.htm [29] 田猛, 王先培, 董政呈, 朱国威, 代荡荡, 赵乐.基于拉格朗日乘子法的虚假数据攻击策略.电力系统自动化, 2017, 41(11):26-32 doi: 10.7500/AEPS20161225004Tian Meng, Wang Xian-Pei, Dong Zheng-Cheng, Zhu Guo-Wei, Dai Dang-Dang, Zhao Le.Injected attack strategy for false data based on Lagrange multipliers method.Automation of Electric Power Systems, 2017, 41(11):26-32 doi: 10.7500/AEPS20161225004 [30] 苏盛, 吴长江, 马钧, 曾祥君.基于攻击方视角的电力CPS网络攻击模式分析.电网技术, 2014, 38(11):3115-3120 http://d.old.wanfangdata.com.cn/Periodical/dwjs201411026Su Sheng, Wu Chang-Jiang, Ma Jun, Zeng Xiang-Jun.Attacker's perspective based analysis on cyber attack mode to cyber-physical system.Power System Technology, 2014, 38(11):3115-3120 http://d.old.wanfangdata.com.cn/Periodical/dwjs201411026 [31] 朱泽磊, 周京阳, 潘毅, 闫翠会, 崔晖, 李伟刚.考虑电力电量平衡的安全约束经济调度.中国电机工程学报, 2013, 33(10):168-176 http://d.old.wanfangdata.com.cn/Periodical/zgdjgcxb201310022Zhu Ze-Lei, Zhou Jing-Yang, Pan Yi, Yan Cui-Hui, Cui Hui, Li Wei-Gang.Security constrained economic dispatch considering balance of electric power and energy.Proceedings of the CSEE, 2013, 33(10):168-176 http://d.old.wanfangdata.com.cn/Periodical/zgdjgcxb201310022 [32] Xie L, Mo Y L, Sinopoli B.Integrity data attacks in power market operations.IEEE Transactions on Smart Grid, 2011, 2(4):659-666 doi: 10.1109/TSG.2011.2161892 [33] Jia L Y, Kim J, Thomas R J, Tong L.Impact of data quality on real-time locational marginal price.IEEE Transactions on Power Systems, 2014, 29(2):627-636 doi: 10.1109/TPWRS.59 [34] Mousavian S, Valenzuela J, Wang J H.A probabilistic risk mitigation model for cyber-attacks to PMU networks.IEEE Transactions on Power Systems, 2015, 30(1):156-165 doi: 10.1109/TPWRS.2014.2320230 [35] Zhao J B, Zhang G X, La Scala M, Wang Z Y.Enhanced robustness of state estimator to bad data processing through multi-innovation analysis.IEEE Transactions on Industrial Informatics, 2017, 13(4):1610-1619 doi: 10.1109/TII.2016.2626782 [36] 王先培, 朱国威, 贺瑞娟, 田猛, 董政呈, 代荡荡, 等.复杂网络理论在电力CPS连锁故障研究中的应用综述.电网技术, 2017, 41(9):2947-2956 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20172017091300081478Wang Xian-Pei, Zhu Guo-Wei, He Rui-Juan, Tian Meng, Dong Zheng-Cheng, Dai Dang-Dang, et al.Survey of cascading failures in cyber physical power system based on complex network theory.Power System Technology, 2017, 41(9):2947-2956 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20172017091300081478 [37] Liu R, Vellaithurai C, Biswas S S, Gamage T T, Srivastava A K.Analyzing the cyber-physical impact of cyber events on the power grid.IEEE Transactions on Smart Grid, 2015, 6(5):2444-2453 doi: 10.1109/TSG.2015.2432013 [38] Deng R L, Zhuang P, Liang H.CCPA:coordinated cyber-physical attacks and countermeasures in smart grid.IEEE Transactions on Smart Grid, 2017, 8(5):2420-2430 doi: 10.1109/TSG.2017.2702125 [39] Bo Z Q, Lin X N, Wang Q P, Yi Y H, Zhou F Q.Developments of power system protection and control.Protection and Control of Modern Power Systems, 2016, 1:Article No.7 doi: 10.1186/s41601-016-0012-2 [40] Smart Grid Interoperability Panel Cyber Security Working Group.Introduction to NISTIR 7628 Guidelines for Smart Grid Cyber Security.Technical Standard, NIST Special Publication, 2010, 154 [41] Hu Z S, Wang Y, Tian X X, Yang X L, Meng D J, Fan R S.False data injection attacks identification for smart grids.In:Proceedings of the 3rd International Conference on Technological Advances in Electrical, Electronics and Computer Engineering.Beirut, Lebanon:IEEE, 2015.139-143 [42] Bobba R B, Rogers K M, Wang Q Y, Khurana H, Nahrstedt K, Overbye T J.Detecting false data injection attacks on DC state estimation.In:Proceedings of the 1st Workshop on Secure Control Systems.Urbana-Champaign, USA, 2010.1-9 [43] Chakhchoukh Y, Ishii H.Enhancing robustness to cyber-attacks in power systems through multiple least trimmed squares state estimations.IEEE Transactions on Power Systems, 2016, 31(6):4395-4405 doi: 10.1109/TPWRS.2015.2503736 [44] Gu Y, Liu T, Wang D, Guan X H, Xu Z B.Bad data detection method for smart grids based on distributed state estimation.In:Proceedings of the 2013 IEEE International Conference on Communications.Budapest, Hungary:IEEE, 2013.4483-4487 [45] Wang D, Guan X H, Liu T, Gu Y, Shen C, Xu Z B.Extended distributed state estimation:a detection method against tolerable false data injection attacks in smart grids.Energies, 2014, 7(3):1517-1538 doi: 10.3390/en7031517 [46] Zhao J B, Zhang G X, La Scala M, Dong Z Y, Chen C, Wang J H.Short-term state forecasting-aided method for detection of smart grid general false data injection attacks.IEEE Transactions on Smart Grid, 2017, 8(4):1580-1590 doi: 10.1109/TSG.2015.2492827 [47] Li S, Yilmaz Y, Wang X D.Quickest detection of false data injection attack in wide-area smart grids.IEEE Transactions on Smart Grid, 2015, 6(6):2725-2735 doi: 10.1109/TSG.2014.2374577 [48] Khalid H M, Peng J C H.Immunity toward data-injection attacks using multisensor track fusion-based model prediction.IEEE Transactions on Smart Grid, 2017, 8(2):697707 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=08222785e4546cb340e870dcf1295755 [49] He Y B, Mendis G J, Wei J.Real-time detection of false data injection attacks in smart grid:a deep learning-based intelligent mechanism.IEEE Transactions on Smart Grid, 2017, 8(5):2505-2516 doi: 10.1109/TSG.2017.2703842 [50] Ozay M, Esnaola I, Tunay F, Vural Y, Kulkarni S R, Poor H V.Machine learning methods for attack detection in the smart grid.IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(8):1773-1786 doi: 10.1109/TNNLS.2015.2404803 [51] Liu X, Li Z, Member S, Li Z, Member S.Optimal protection strategy against false data injection attacks in power systems.IEEE Transactions on Smart Grid, 2017, 8(4):18021810 doi: 10.1109/TSG.2015.2508449 [52] Mishra S, Li X, Pan T Y, Kuhnle A, Thai M T, Seo J.Price modification attack and protection scheme in smart grid.IEEE Transactions on Smart Grid, 2017, 8(4):1864-1875 doi: 10.1109/TSG.2015.2509945 [53] Sanjab A, Saad W.Data injection attacks on smart grids with multiple adversaries:a game-theoretic perspective.IEEE Transactions on Smart Grid, 2016, 7(4):2038-2049 doi: 10.1109/TSG.2016.2550218 [54] Wei L F, Sarwat A I, Saad W, Biswas S.Stochastic games for power grid protection against coordinated cyber-physical attacks.IEEE Transactions on Smart Grid, 2018, 9(2):684694 doi: 10.1109/TSG.2016.2561266 [55] Ma C Y T, Yau D K Y, Lou X, Rao N S V.Markov game analysis for attack-defense of power networks under possible misinformation.IEEE Transactions on Power Systems, 2013, 28(2):1676-1686 doi: 10.1109/TPWRS.2012.2226480 [56] Wang C, Hou Y H, Ten C W.Determination of Nash Equilibrium based on plausible attack-defense dynamics.IEEE Transactions on Power Systems, 2017, 32(5):3670-3680 doi: 10.1109/TPWRS.2016.2635156 [57] 汤奕, 王琦, 邰伟, 陈彬, 倪明.基于OPAL-RT和OPNET的电力信息物理系统实时仿真.电力系统自动化, 2016, 40(23):1521, 92 doi: 10.7500/AEPS20160515020Tang Yi, Wang Qi, Tai Wei, Chen Bin, Ni Ming.Real-time simulation of cyber-physical power system based on OPAL-RT and OPNET.Automation of Electric Power Systems, 2016, 40(23):15-21, 92 doi: 10.7500/AEPS20160515020 [58] 王云, 刘东, 翁嘉明, 严光升, 雍军, 戴晖.电网信息物理系统建模与仿真验证平台研究.中国电机工程学报, 2018, 38(1):130-136 http://epub.cnki.net/grid2008/detail.aspx?filename=ZGDC201801012&dbname=DKFX2018Wang Yun, Liu Dong, Weng Jia-Ming, Yan Guang-Sheng, Yong Jun, Dai Hui.The research of power CPS modeling and simulation verification platform.Proceedings of the CSEE, 2018, 38(1):130-136 http://epub.cnki.net/grid2008/detail.aspx?filename=ZGDC201801012&dbname=DKFX2018 [59] 李霞, 李勇, 曹一家, 施星宇.基于信息物理系统融合的广域互联电网阻尼控制策略.电力系统保护与控制, 2017, 45(21):35-42 doi: 10.7667/PSPC161610Li Xia, Li Yong, Cao Yi-Jia, Shi Xing-Yu.Wide-area damping control strategy of interconnected power grid based on cyber physical system.Power System Protection and Control, 2017, 45(21):35-42 doi: 10.7667/PSPC161610 [60] 张志鹏, 李勇, 曹一家, 施星宇, 胡伟, 赵庆周.通信和电网联合仿真的配电网局部异常因子故障辨识算法.电力系统自动化, 2016, 40(17):44-50 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201617007Zhang Zhi-Peng, Li Yong, Cao Yi-Jia, Shi Xing-Yu, Hu Wei, Zhao Qing-Zhou.A local outlier factor fault identification algorithm based on the co-simulation between cyber and power system for distribution network.Automation of Electric Power Systems, 2016, 40(17):44-50 http://d.old.wanfangdata.com.cn/Periodical/dlxtzdh201617007 [61] Pan K K, Teixeira A, López C D, Palensky P.Co-simulation for cyber security analysis:data attacks against energy management system.In:Proceedings of the 2007 IEEE International Conference on Smart Grid Communications.Dresden, Germany:IEEE, 2017.253-258 [62] Lin H, Deng Y, Shukla S, Thorp J, Mili L.Cyber security impacts on all-PMU state estimator-a case study on co-simulation platform GECO.In:Proceedings of the 3rd IEEE International Conference on Smart Grid Communications.Tainan, China:IEEE, 2012.587-592 [63] Cao Y J, Shi X Y, Li Y, Tan Y, Shahidehpour M, Shi S L.A simplified co-simulation model for investigating impacts of cyber-contingency on power system operations.IEEE Transactions on Smart Grid, 2018, 9(5):4893-4905 doi: 10.1109/TSG.2017.2675362 [64] Sadi M A H, Ali M H, Dasgupta D, Abercrombie R K, Kher S.Co-simulation platform for characterizing cyber attacks in cyber physical systems.In:Proceedings of the 2015 IEEE Symposium Series on Computational Intelligence.Cape Town, South Africa:IEEE, 2015.1244-1251 [65] Adhikari U, Morris T, Pan S Y.WAMS cyber-physical test bed for power system, cybersecurity study, and data mining.IEEE Transactions on Smart Grid, 2017, 8(6):2744-2753 doi: 10.1109/TSG.2016.2537210 [66] Tang Y, Tai W, Liu Z J, Li M Y, Wang Q, Liang Y, et al.A hardware-in-the-loop based co-simulation platform of cyber-physical power systems for wide area protection applications.Applied Sciences, 2017, 7(12):Article No.1279 doi: 10.3390/app7121279 [67] 贾驰千, 冯冬芹.基于多目标决策的工控系统设备安全评估方法研究.自动化学报, 2016, 42(5):706-714 http://www.aas.net.cn/CN/abstract/abstract18860.shtmlJia Chi-Qian, Feng Dong-Qin.Industrial control system devices security assessment with multi-objective decision.Acta Automatica Sinica, 2016, 42(5):706-714 http://www.aas.net.cn/CN/abstract/abstract18860.shtml 期刊类型引用(80)
1. 席磊，王文卓，白芳岩，陈洪军，彭典名，李宗泽. 基于最大信息系数-双层置信极端梯度提升树的电网虚假数据注入攻击定位检测. 电网技术. 2025(02): 824-833 . 
百度学术2. 席磊，白芳岩，王文卓，彭典名，陈洪军，李宗泽. 基于海马优化深层极限学习机的电力信息物理系统FDIA检测. 电力系统保护与控制. 2025(04): 14-26 . 百度学术3. 席磊，程琛，田习龙. 基于改进卷积神经网络的电网虚假数据注入攻击定位方法. 南方电网技术. 2025(01): 74-84 . 百度学术4. 宗学军，李鹏程，金琼，何戡，连莲. ICS中虚假数据注入攻击研究. 计算机应用与软件. 2024(02): 322-327 . 百度学术5. 方正刚. 基于通道融合的Res-CNN-LSTM电网虚假数据注入攻击检测. 电气技术. 2024(03): 11-17+62 . 百度学术6. 刘泽蓉. 基于信息物理系统的城市照明智能系统. 灯与照明. 2024(01): 64-67 . 百度学术7. 黄宇，王嘉俊，谷赫，谢家乐. 核反应堆液体区域控制系统全程隐蔽攻击方法研究. 中国科学:技术科学. 2024(04): 645-654 . 百度学术8. 于淼，闫旻睿，万克厅，齐冬莲. 数据驱动的有源配电网运行态势智能感知方法. 电力建设. 2024(07): 34-53 . 百度学术9. 王旭，何宇，袁梦薇. 基于Stacking和孤立森林的虚假数据注入攻击防御策略. 智能计算机与应用. 2024(07): 222-226 . 百度学术10. 贺全鹏，刘苇，杨维永，魏兴慎，王琦. 针对负荷重分配攻击的移动目标防御策略. 中国电力. 2024(09): 44-52 . 百度学术11. 童和钦，许剑冰，梁师哲，麦成，徐海波. 面向稳控系统E1通道的网络靶场实验台的设计与实现. 中国电力. 2024(09): 71-79 . 百度学术12. 李卓，谢耀滨，吴茜琼，张有为. 基于深度学习的电力系统虚假数据注入攻击检测综述. 电力系统保护与控制. 2024(19): 175-187 . 百度学术13. 罗小元，耿艺帆，吴莉艳，王新宇. 基于GATv2模型的虚假数据注入攻击检测方法. 电气工程学报. 2024(03): 353-361 . 百度学术14. 吴莉艳，孙开元，陈坤，岑海凤，叶小晖，王新宇. 基于CNN-LSSVM的电力系统虚假数据攻击检测. 浙江电力. 2024(11): 90-96 . 百度学术15. 刘臣胜，李元启，杨明，龙承念，邬晶. 面向虚假数据注入攻击的电力系统移动目标防御综述. 自动化仪表. 2024(11): 1-7 . 百度学术16. 丁瑞森，杨飞生，付远超，潘泉. 混合攻击下基于带宽感知型事件触发机制的负荷频率控制. 中国科学:信息科学. 2024(12): 2828-2840 . 百度学术17. 邬蓉蓉，黎新，宾冬梅. 基于XGBoost算法的智能电网信息攻击识别模型. 电测与仪表. 2023(01): 64-70+86 . 百度学术18. 熊威. 基于数据融合分析的电力营销决策支持信息系统. 自动化技术与应用. 2023(01): 121-125 . 百度学术19. 祝超群，朱怡蓉. 虚假数据注入攻击下信息物理系统动态输出反馈控制. 兰州理工大学学报. 2023(01): 74-82 . 百度学术20. 张露元，许寅，吴翔宇，王思家. 抵御虚假数据注入攻击的交流微电网分布式韧性控制. 电力系统自动化. 2023(08): 44-52 . 百度学术21. 吴铭辉，高文根，华峰，穆少鹏. 基于最大似然估计的智能电网FDIA检测. 四川轻化工大学学报(自然科学版). 2023(02): 38-45 . 百度学术22. 席磊，何苗，周博奇，李彦营. 基于改进多隐层极限学习机的电网虚假数据注入攻击检测. 自动化学报. 2023(04): 881-890 . 本站查看23. 郭天德，罗萍萍，林济铿，杨春奇. 考虑状态量未知情况的电力系统杠杆量测攻击. 南方电网技术. 2023(03): 56-64 . 百度学术24. 伍虹，杨超，鲁杰，徐立立. 基于自适应UKF算法的虚假数据注入攻击检测研究. 智能计算机与应用. 2023(06): 168-173 . 百度学术25. 曾嵘，李勇，曹一家，谢李为，邵霞. 智能配用电系统的网络攻击检测与保护控制技术：发展与挑战. 电气工程学报. 2023(02): 125-141 . 百度学术26. 魏利胜，张倩. 基于改进的UKF智能电网虚假数据攻击检测. 系统仿真学报. 2023(07): 1508-1516 . 百度学术27. 杜文勇，朱青，张全，张晓慧，杨菁，周于超. 基于数据中台的海量电力数据运营系统设计. 微型电脑应用. 2023(07): 192-196 . 百度学术28. 龚立，王先培，田猛，李晓旭，朱紫阳. 电力信息物理系统韧性的概念与提升策略研究进展. 电力系统保护与控制. 2023(14): 169-187 . 百度学术29. 伊娜，徐建军，陈月，孙迪康. 基于深度强化学习的多阶段信息物理协同拓扑攻击方法. 电力工程技术. 2023(04): 149-158 . 百度学术30. 姚倩，熊鑫立，王永杰，侯冬冬. 移动目标防御综述:脆弱性分析及新场景应用. 控制与决策. 2023(11): 3025-3038 . 百度学术31. 王新宇，王相杰，张明月，程朋飞，王书征. 基于改进自适应免疫遗传算法的智能电网虚假数据攻击检测方法. 浙江电力. 2023(10): 84-89 . 百度学术32. 周明，赵永红，由媛媛，巩舒. 基于计算机云服务的数据信息安全体系构建研究. 信息技术. 2023(10): 163-167+173 . 百度学术33. 宋梦，周佳妮，高赐威，晏鸣宇，李懋. CPSS视角下城市建筑与配电网高韧性协调运行：研究述评与展望. 电力系统自动化. 2023(23): 105-121 . 百度学术34. 杨玉泽，刘文霞，李承泽，刘耕铭，张帅，张艺伟. 面向电力SCADA系统的FDIA检测方法综述. 中国电机工程学报. 2023(22): 8602-8622 . 百度学术35. 杜大军，张竞帆，张长达，费敏锐，YANG Tai-Cheng. 动态水印攻击检测方法的鲁棒性研究. 自动化学报. 2023(12): 2557-2568 . 本站查看36. 吴英俊，汝英涛，刘锦涛，施展宇，顾松，倪明. 基于集员滤波的自动发电控制系统虚假数据注入攻击检测. 电力系统自动化. 2022(01): 33-41 . 百度学术37. 陈凡，史杰，刘海涛，王瑞驰，赵美莲，刘涤尘. 考虑负荷重分配攻击和脆弱线路防御的发输电系统可靠性评估. 电力系统自动化. 2022(02): 65-72 . 百度学术38. 王文钰，任洲洋，孙义豪，潘栋，刘振伟. 基于小波-稀疏自编码器的输电网虚假数据检测方法. 电工电能新技术. 2022(01): 51-59 . 百度学术39. 黄海军，黄东生. 基于等保2.0标准的Linux安全加固技术研究. 云南水力发电. 2022(01): 188-194 . 百度学术40. 夏云舒，王勇，周林，樊汝森. 基于改进生成对抗网络的虚假数据注入攻击检测方法. 电力建设. 2022(03): 58-65 . 百度学术41. 李彬，魏吟娬，祁兵，孙毅，陈宋宋. 基于EEMD-LSTM的需求响应终端DDoS攻击检测方法. 电力建设. 2022(04): 81-90 . 百度学术42. 彭莎，孙铭阳，张镇勇，邓瑞龙，程鹏. 机器学习在电力信息物理系统网络安全中的应用. 电力系统自动化. 2022(09): 200-215 . 百度学术43. 黄荷，汤怡乾，蒋代兴，陈琳，蔡立孔. 泛在电力物联网的网络安全提升研究. 微型电脑应用. 2022(04): 106-109 . 百度学术44. 王寿光，赵玉美，尤丹，冉宁. 离散事件系统框架下信息物理系统攻击问题综述. 控制与决策. 2022(08): 1934-1944 . 百度学术45. 刘林根，宋蕙慧，朴学峰，王仕韬，曲延滨. 基于区块链的分布式经济调度数据保护研究. 电力信息与通信技术. 2022(06): 44-52 . 百度学术46. 黄海军，黄东生，浦亚，潘雷. 基于等保2.0标准的电力监控Solaris主机安全加固技术. 内蒙古电力技术. 2022(03): 53-58 . 百度学术47. 吴义尧. 基于贝叶斯攻击图的电力信息物理系统脆弱性评估. 电工电气. 2022(07): 6-13+55 . 百度学术48. 叶卫，王文，董科，王臻，孙望舒，朱好. 面向变电站网络的虚假数据注入攻击定位与溯源技术研究. 浙江电力. 2022(07): 101-106 . 百度学术49. 李幸芝，韩蓓，李国杰，汪可友，徐晋. 分布式绿色能源碳交易机制及碳数据管理的挑战. 上海交通大学学报. 2022(08): 977-993 . 百度学术50. 徐美娇，王小宇，贺鸿鹏，马成龙. 电力自动化调度系统虚假数据注入攻击检测. 信息技术. 2022(08): 161-166 . 百度学术51. 王振明，于剑峰，毛嘉，鲁方林. 云边协同物联网中区块链技术的应用研究. 物联网技术. 2022(09): 60-65 . 百度学术52. 刘鑫，李磊，林琳，聂其贵，马强，王波，李怡凡，张嘉鑫. 基于厂站-设备两级电力信息耦合模型的信息设备重要性评估. 电网与清洁能源. 2022(09): 112-119 . 百度学术53. 冯晓萌，孙秋野，王冰玉，高嘉文. 基于蠕虫传播和FDI的电力信息物理协同攻击策略. 自动化学报. 2022(10): 2429-2441 . 本站查看54. 周泽元，严彬元，刘俊荣. 基于未知威胁感知的电网内外网边界信息安全监测. 电力大数据. 2022(04): 18-25 . 百度学术55. 单瑞卿，盛阳，苏盛，畅广辉，李翔硕，薛盖超，阮冲，吴坡，张江南. 考虑攻击方身份的电力监控系统网络安全风险分析. 电力科学与技术学报. 2022(05): 3-16 . 百度学术56. 罗小元，潘雪扬，王新宇，关新平. 基于自适应Kalman滤波的智能电网假数据注入攻击检测. 自动化学报. 2022(12): 2960-2971 . 本站查看57. 梁英，王耀坤，刘科研，赵煜. 计及网络信息安全的配电网CPS故障仿真. 电网技术. 2021(01): 235-242 . 百度学术58. 伏坚，胡博，谢开贵，牛涛，李春燕，王蕾报. 应对协同攻击的电力系统发输电拓展随机规划. 电力系统自动化. 2021(02): 21-29 . 百度学术59. 刘铭，刘念，韩晓艺，彭林宁，付华，陈一悰. 一种基于射频指纹的电力物联网设备身份识别方法. 中国电力. 2021(03): 80-88 . 百度学术60. 崔晓丹，吴家龙，许剑冰，雷鸣，侯玉强，薛峰. 电力系统硬件在环仿真应用的现状及展望. 电力工程技术. 2021(02): 68-74 . 百度学术61. 王勇，武津园，陈雪鸿，程彦喆，刘丽丽. 基于卡尔曼滤波的电力虚假数据注入攻击检测方法. 上海电力大学学报. 2021(02): 205-210 . 百度学术62. 王磊，苏命峰. 信息安全虚拟EDA实验攻击过程实时仿真分析. 计算机仿真. 2021(07): 355-359 . 百度学术63. 刘春宝，王枫，尹晶. 多路通信交互信息安全性深度识别系统设计. 现代电子技术. 2021(15): 23-27 . 百度学术64. 李熊，王伟峰，葛玉磊，姚力，陆春光. 基于特征电流的户变关系识别方法. 电测与仪表. 2021(09): 115-121 . 百度学术65. 张杰，陈佳佳. 防御虚假数据注入攻击的多目标优化模型. 科学技术与工程. 2021(22): 9384-9388 . 百度学术66. 陈凡，张乐涛，张强，刘海涛，史杰，赵美莲. LR攻击和TCSC接入对电力系统可靠性的影响分析. 电力系统及其自动化学报. 2021(10): 51-57+65 . 百度学术67. 石家宇，陈博，俞立. 基于拉普拉斯特征映射学习的隐匿FDI攻击检测. 自动化学报. 2021(10): 2494-2500 . 本站查看68. 丁茂生，孙维佳，蔡星浦，王琦. 电力系统极端事件的风险评估与防范. 中国电力. 2020(01): 32-39+65 . 百度学术69. 徐鑫乾，徐铼，陈杰，刘洋，张朝鹏，何嘉弘，高丙团. 基于移动无线传感网的电缆通道应急监测系统. 中国电力. 2020(01): 66-71+99 . 百度学术70. 李洋，肖泽青，聂松松，曹军威，华昊辰. 生成对抗网络及其在新能源数据质量中的应用研究综述. 南方电网技术. 2020(02): 25-33 . 百度学术71. 陈雄欣，罗萍萍，苑开波. 基于非凸矩阵分解的电网欺骗性数据注入攻击检测方法. 现代电力. 2020(03): 263-269 . 百度学术72. 孙灏. 分布式网络虚假数据注入攻击检测方法研究. 新乡学院学报. 2020(06): 32-36 . 百度学术73. 陈严波，黄金龙，汪志军，姜斌，程月华，杨浩. 基于有向图的蜂群无人机故障影响. 航空学报. 2020(S2): 115-121 . 百度学术74. 肖安南，张蔚翔，赵德盛，崔泽宁，丁钧. 基于物联网的智能电网监控系统构建方法研究. 信息技术. 2020(12): 86-90+95 . 百度学术75. 刘雪松，金成明，刚毅凝，孙健航，唐宝瑜. 电力信息通信调控融合发展探讨. 信息与电脑(理论版). 2019(04): 182-183 . 百度学术76. 刘权莹，李俊娥，倪明，吴亦贝，王宇，张婕，罗剑波. 电网信息物理系统态势感知:现状与研究构想. 电力系统自动化. 2019(19): 9-23+51 . 百度学术77. 蔡文波，张亚. 带虚假数据注入攻击识别和通信触发机制的传感器网络分布式估计. 东南大学学报(自然科学版). 2019(05): 890-896 . 百度学术78. 张超凡. 信息物理系统安全及措施. 通讯世界. 2019(11): 159-160 . 百度学术79. 王哲，赵宏大，朱铭霞，周霞，解相朋，谢宏福，臧必鹏. 电力无线专网在泛在电力物联网中的应用. 中国电力. 2019(12): 27-38 . 百度学术80. ZHANG Meng，SHEN Chao，HE Ning，HAN SiCong，LI Qi，WANG Qian，GUAN XiaoHong. False data injection attacks against smart grid state estimation:Construction, detection and defense. Science China(Technological Sciences). 2019(12): 2077-2087 . 必应学术其他类型引用(108)
-
下载:
计量
- 文章访问数: 2900
- HTML全文浏览量: 1362
- PDF下载量: 1608
- 被引次数: 188
