基于無線通信的電力系統監測與保護框架研究

劉趙如， 李釗

（國網浙江省電力有限公司溫州供電公司，浙江溫州 325000）

隨著電力網絡模型的規模在過去十年中不斷擴大，改進電力系統可視化的需求變得更加迫切。目前某些地區規劃潮流模型包括大約150 萬節點，一些狀態估計模型甚至有更多的節點。隨著競爭的加劇，基于最優潮流（OPF）的能源市場應運而生，研究的因素也越來越多。為避免全系統停電，使系統保持穩定運行，采用適當的保護和控制機制。隨著數字技術使用的增加，需要開發更大的網絡系統將以前無法訪問的部件與更大的通信基礎設施連接起來，從而產生了大量新的數據流［1-2］。

這項研究旨在實現以下目標：電力系統監控分析，了解電力系統監控中的攻擊方向；透過電力系統監測研究數據可視化，了解電力系統監控中的攻擊；無線通信研究，包括無線通信中的無障礙性以及與無線通信相關的優點；分析系統的運作方式及架構。

1 理論分析

1.1 現狀分析

由于電力系統是一個龐大的系統，可以提高各服務區域之間的聯系可靠性和經濟效益，可以更好地帶動社會經濟繁榮，所以社會保障體系大多建立在電能的基礎上［3-4］。另一方面，電力系統不斷地受到自然環境的影響，因此，系統經歷的干擾很多，也很嚴重，比如雷擊、暴風雨和設備故障。這也反映在政策上，許多國家將電網列為重要的基礎設施。由于對效率的需求增加，信息轉換變得越來越普遍，新能源電網技術在很大程度上依賴于個人視角周期和對系統瓶頸的反應能力?？稍偕茉醇铀倭诉@一趨勢，導致發電變得更加分散，從而可靠性降低。

電力系統管理與監控（PSMC）在電力系統的體系結構、規劃、運行等方面的重要性日益突出。配電管理和監控系統為了應對將創新的監控系統、數據處理、通信和監管整合到正常數量的PSMC 中的最新挑戰，對先進的大范圍電力系統的監控、保護措施和控制的基本概念以及智能系統進行了總結。智能電網信息安全正迅速成為保障全球電網安全的重要組成部分［5］。本研究的目的是提供一個基于無線通信的電網安全問題、以及解決方案的完整概述。我們集中研究網絡應用中的常見漏洞、安全需求和網絡攻擊，確定它們對網絡的影響，并為未來智能電網應用中的信息安全研究提供指導。論文涉及的主題廣泛，包括可再生資源、智能電網、廣域穩定、協調電壓穩定性、角振蕩減震器以及分散式發電單元（PMU）和全球定位系統（GPS）時間信號的優點，邊緣問題和解決方案，以及案例研究，為其他論文研究提供了相應的方向。

1.2 算法分析

AdaBoost 是一種應用廣泛提高中等精度分類器性能的技術。訓練數據D｛（xi，yi），i＝1，2，…，N｝用替換取樣來創建一個分類器集合｛t＝1，2，…，T｝。假設訓練樣本的初始分布在式（1）中的訓練數據上是均勻的，即從訓練數據中以等概率選擇樣本。

其中，N 為模式總數。每個訓練模式的權重向量初始化為：

其中，yi∈Ω＝｛1，2，…，C｝，y是預測類。訓練樣本被提供給分類器，基于分類器的性能，分布和權重向量被更新，使得最難分類（或分類不正確）的模式可能包含在下一個訓練集中。在任何迭代中，分布更新規則由：

從式（4）可以看出，模式i 的權重乘以給出的歸一化誤差：

當模式被正確分類時或當分類不正確時，模式保持不變，這意味著對分類不正確的實例給予更多的權重，而對正確分類的實例給予較少的權重。分類器t 的誤差可以計算為：

當訓練誤差大于50% 或訓練精度為100%時，停止分類器集合的訓練。然后，當一個測試模式給分類器集成時，最終的類標簽Lf基于下式：

其中，ht（x，y）表示集合分類器t 的輸出類預測。

Learn 算法建立在AdaBoost 的基礎上；它生成一組分類器，最終的分類決策是通過在多數方案中結合各個分類器的決策來獲得的。給定一個數據集Dk＝｛k＝1，2…K｝，模式權重和模式分布被初始化為：

其中，i＝1，2…Nk。在任何迭代中的分布是通過將權重歸一化為：

然后，根據Dt抽取訓練子集，用該訓練子集對分類器進行訓練。分類器誤差計算為錯誤分類實例的分布權重之和為：

其中，對于不正確分類的實例ht（xi，y）等于1，否則等于0。如果這個誤差小于0.5，那么分類器被考慮為集合，其他選項被丟棄。到目前為止所獲得的分類器決策被組合使用加權多數表決規則來計算集合決策。

其中，z＝｛1，2，…t｝。與AdaBoost 算法類似，可以使用式（10）和式（5）計算單個分類器錯誤的歸一化誤差。給定單個分類器決策，總體誤差計算為：

最后得到歸一化系綜誤差：

這個規范化的錯誤用于更新訓練模式的權重。在這里，類似于AdaBoost，與正確分類實例相關的權重被降低，對于不正確分類的實例，保持不變，這意味著更有可能在下一次迭代中選擇不正確分類的實例進行訓練。

在為每個數據庫Dk生成Tk分類器之后，通過多數表決規則計算一個測試模式的最終分類器決策，所有分類器中得票最高的類：

Learn 算法和AdaBoost 之間的主要區別在于，在Learn 中，每次迭代，模式分布基于集合分類器性能到目前為止學到的分類器更新，而在AdaBoost中，分發版基于前一次迭代中的單個分類器性能進行更新。因此，當一個新數據集出現時，Learn 會生成額外的分類器，以新實例或新類的形式容納新數據。

1.3 電力系統可視化分析

電力系統可視化利用計算機生成的圖形來傳達信息。隨著競爭的加劇，基于最優潮流（OPF）的能源市場應運而生，研究的因素也越來越多。電力系統可視化是“信息可視化”這一更大領域的一個分支，但由于電力系統支撐作用的存在，它顯得十分獨特。這一領域的大多數研究都集中在與大量變電站相關信息的應用最為廣泛。此數據通常具有與其在一行圖中位置相關聯的地理組件。本文的重點是系統級大面積可視化和更具體的可視化組件本身。

1.4 電力系統監測與保護分析

保護過程為了中斷重要的控制系統，可以對目標配電網和輸電網采用多種路由。我們假設一個能夠訪問PCN 的攻擊目的將對電力網絡造成傷害，而不會密切關注純粹的被動攻擊，比如經濟類攻擊。以下是對具有PCN 訪問權限的攻擊者可以采用的三種最重要方式的簡要描述。1）即使攻擊者完全控制諸如PCN 之類，我們也可以假定，攻擊者能夠向鏈接的進程控制發送任意的控制命令。例如，使攻擊者能夠操作變電站中的開關，并將完整的電力供應或水力發電廠從系統中斷開，從而可能導致用戶完全失去電力系統。2）即使攻擊只能控制少量的外部設備，他仍然可以對電網產生間接影響，例如，通過向數據室提供假的可操縱的傳感器數據。3）即使攻擊者不能完全訪問PCN 或注入（虛假）情報的能力，他們也能夠改變某些設備，使其無法操作，在必要時對部分電網進行合法的用戶攻擊。如圖1 所示。

圖1 電力系統監測中的攻擊向量

2 無線通信及保護框架研究

有線通信網絡基礎設施的創建和實現是一項昂貴且耗時的操作。安裝無線電信基礎設施既方便又經濟。在緊急情況和電纜連接難以建立的偏遠地區，無線通信有可能成為一種可行的替代辦法。由于無線通信不涉及電纜或電線，因此不會因自然環境、電纜接頭或金屬導體的自然腐蝕造成電纜損壞而導致通信失敗。在發生火災、洪水或其他自然災害的情況下，某種無線通信技術中的互聯網連接損失可能是最小的。

人工智能在電力系統監測方面的數據可視化工具載于表1。

表1 電力監測數據可視化步驟

在設置和安裝無線通信網絡設備和基礎設施時，不必考慮架設線路。此外，建立一個無線系統所需的時間遠遠少于建立一個完整的連接器網絡所需的時間。數據可視化通過電力系統監測協議進行實現。如下圖2 所示。

圖2 無線通信的可訪問性

由于DDoS 是最常見的攻擊類型之一，因此必須防止它們以確保系統的可用性。本文針對DDoS攻擊的潛在安全威脅提出了一個安全框架，框架流程如圖3 所示。為了證明該框架的有效性和可用性，我們使用SQLServer 和網絡壓力測試工具LOIC 進行了一項模擬研究。

圖3 保護框架流程圖

3 結論

電子行業正在大規模發展，這就要求開發具有創造性的新技術來顯示大量的系統數據?？梢暬€可以使操作人員立即分析可能快速變化的系統狀況，并制定補救控制措施，從而有助于減少未來停電的可能性。這一研究項目創造了幾種在系統和組成部分層面表示這些數據的新方法，進行了正式的現場實驗，以評估其中幾種方法的準確性，并協助在不同控制中心實際傳播的效果。我們研究了各種安全技術以及在連接的電網中提供安全性的方法。根據國家和具體的電網要求，目前的安全機制范圍正逐步擴大，即實現電力系統監測工作的進一步深入。