基于无线通信的电力系统监测与保护框架研究

刘赵如， 李钊

（国网浙江省电力有限公司温州供电公司，浙江温州 325000）

随着电力网络模型的规模在过去十年中不断扩大，改进电力系统可视化的需求变得更加迫切。目前某些地区规划潮流模型包括大约150 万节点，一些状态估计模型甚至有更多的节点。随着竞争的加剧，基于最优潮流（OPF）的能源市场应运而生，研究的因素也越来越多。为避免全系统停电，使系统保持稳定运行，采用适当的保护和控制机制。随着数字技术使用的增加，需要开发更大的网络系统将以前无法访问的部件与更大的通信基础设施连接起来，从而产生了大量新的数据流［1-2］。

这项研究旨在实现以下目标：电力系统监控分析，了解电力系统监控中的攻击方向；透过电力系统监测研究数据可视化，了解电力系统监控中的攻击；无线通信研究，包括无线通信中的无障碍性以及与无线通信相关的优点；分析系统的运作方式及架构。

1 理论分析

1.1 现状分析

由于电力系统是一个庞大的系统，可以提高各服务区域之间的联系可靠性和经济效益，可以更好地带动社会经济繁荣，所以社会保障体系大多建立在电能的基础上［3-4］。另一方面，电力系统不断地受到自然环境的影响，因此，系统经历的干扰很多，也很严重，比如雷击、暴风雨和设备故障。这也反映在政策上，许多国家将电网列为重要的基础设施。由于对效率的需求增加，信息转换变得越来越普遍，新能源电网技术在很大程度上依赖于个人视角周期和对系统瓶颈的反应能力。可再生能源加速了这一趋势，导致发电变得更加分散，从而可靠性降低。

电力系统管理与监控（PSMC）在电力系统的体系结构、规划、运行等方面的重要性日益突出。配电管理和监控系统为了应对将创新的监控系统、数据处理、通信和监管整合到正常数量的PSMC 中的最新挑战，对先进的大范围电力系统的监控、保护措施和控制的基本概念以及智能系统进行了总结。智能电网信息安全正迅速成为保障全球电网安全的重要组成部分［5］。本研究的目的是提供一个基于无线通信的电网安全问题、以及解决方案的完整概述。我们集中研究网络应用中的常见漏洞、安全需求和网络攻击，确定它们对网络的影响，并为未来智能电网应用中的信息安全研究提供指导。论文涉及的主题广泛，包括可再生资源、智能电网、广域稳定、协调电压稳定性、角振荡减震器以及分散式发电单元（PMU）和全球定位系统（GPS）时间信号的优点，边缘问题和解决方案，以及案例研究，为其他论文研究提供了相应的方向。

1.2 算法分析

AdaBoost 是一种应用广泛提高中等精度分类器性能的技术。训练数据D｛（xi，yi），i＝1，2，…，N｝用替换取样来创建一个分类器集合｛t＝1，2，…，T｝。假设训练样本的初始分布在式（1）中的训练数据上是均匀的，即从训练数据中以等概率选择样本。

其中，N 为模式总数。每个训练模式的权重向量初始化为：

其中，yi∈Ω＝｛1，2，…，C｝，y是预测类。训练样本被提供给分类器，基于分类器的性能，分布和权重向量被更新，使得最难分类（或分类不正确）的模式可能包含在下一个训练集中。在任何迭代中，分布更新规则由：

从式（4）可以看出，模式i 的权重乘以给出的归一化误差：

当模式被正确分类时或当分类不正确时，模式保持不变，这意味着对分类不正确的实例给予更多的权重，而对正确分类的实例给予较少的权重。分类器t 的误差可以计算为：

当训练误差大于50% 或训练精度为100%时，停止分类器集合的训练。然后，当一个测试模式给分类器集成时，最终的类标签Lf基于下式：

其中，ht（x，y）表示集合分类器t 的输出类预测。

Learn 算法建立在AdaBoost 的基础上；它生成一组分类器，最终的分类决策是通过在多数方案中结合各个分类器的决策来获得的。给定一个数据集Dk＝｛k＝1，2…K｝，模式权重和模式分布被初始化为：

其中，i＝1，2…Nk。在任何迭代中的分布是通过将权重归一化为：

然后，根据Dt抽取训练子集，用该训练子集对分类器进行训练。分类器误差计算为错误分类实例的分布权重之和为：

其中，对于不正确分类的实例ht（xi，y）等于1，否则等于0。如果这个误差小于0.5，那么分类器被考虑为集合，其他选项被丢弃。到目前为止所获得的分类器决策被组合使用加权多数表决规则来计算集合决策。

其中，z＝｛1，2，…t｝。与AdaBoost 算法类似，可以使用式（10）和式（5）计算单个分类器错误的归一化误差。给定单个分类器决策，总体误差计算为：

最后得到归一化系综误差：

这个规范化的错误用于更新训练模式的权重。在这里，类似于AdaBoost，与正确分类实例相关的权重被降低，对于不正确分类的实例，保持不变，这意味着更有可能在下一次迭代中选择不正确分类的实例进行训练。

在为每个数据库Dk生成Tk分类器之后，通过多数表决规则计算一个测试模式的最终分类器决策，所有分类器中得票最高的类：

Learn 算法和AdaBoost 之间的主要区别在于，在Learn 中，每次迭代，模式分布基于集合分类器性能到目前为止学到的分类器更新，而在AdaBoost中，分发版基于前一次迭代中的单个分类器性能进行更新。因此，当一个新数据集出现时，Learn 会生成额外的分类器，以新实例或新类的形式容纳新数据。

1.3 电力系统可视化分析

电力系统可视化利用计算机生成的图形来传达信息。随着竞争的加剧，基于最优潮流（OPF）的能源市场应运而生，研究的因素也越来越多。电力系统可视化是“信息可视化”这一更大领域的一个分支，但由于电力系统支撑作用的存在，它显得十分独特。这一领域的大多数研究都集中在与大量变电站相关信息的应用最为广泛。此数据通常具有与其在一行图中位置相关联的地理组件。本文的重点是系统级大面积可视化和更具体的可视化组件本身。

1.4 电力系统监测与保护分析

保护过程为了中断重要的控制系统，可以对目标配电网和输电网采用多种路由。我们假设一个能够访问PCN 的攻击目的将对电力网络造成伤害，而不会密切关注纯粹的被动攻击，比如经济类攻击。以下是对具有PCN 访问权限的攻击者可以采用的三种最重要方式的简要描述。1）即使攻击者完全控制诸如PCN 之类，我们也可以假定，攻击者能够向链接的进程控制发送任意的控制命令。例如，使攻击者能够操作变电站中的开关，并将完整的电力供应或水力发电厂从系统中断开，从而可能导致用户完全失去电力系统。2）即使攻击只能控制少量的外部设备，他仍然可以对电网产生间接影响，例如，通过向数据室提供假的可操纵的传感器数据。3）即使攻击者不能完全访问PCN 或注入（虚假）情报的能力，他们也能够改变某些设备，使其无法操作，在必要时对部分电网进行合法的用户攻击。如图1 所示。

图1 电力系统监测中的攻击向量

2 无线通信及保护框架研究

有线通信网络基础设施的创建和实现是一项昂贵且耗时的操作。安装无线电信基础设施既方便又经济。在紧急情况和电缆连接难以建立的偏远地区，无线通信有可能成为一种可行的替代办法。由于无线通信不涉及电缆或电线，因此不会因自然环境、电缆接头或金属导体的自然腐蚀造成电缆损坏而导致通信失败。在发生火灾、洪水或其他自然灾害的情况下，某种无线通信技术中的互联网连接损失可能是最小的。

人工智能在电力系统监测方面的数据可视化工具载于表1。

表1 电力监测数据可视化步骤

在设置和安装无线通信网络设备和基础设施时，不必考虑架设线路。此外，建立一个无线系统所需的时间远远少于建立一个完整的连接器网络所需的时间。数据可视化通过电力系统监测协议进行实现。如下图2 所示。

图2 无线通信的可访问性

由于DDoS 是最常见的攻击类型之一，因此必须防止它们以确保系统的可用性。本文针对DDoS攻击的潜在安全威胁提出了一个安全框架，框架流程如图3 所示。为了证明该框架的有效性和可用性，我们使用SQLServer 和网络压力测试工具LOIC 进行了一项模拟研究。

图3 保护框架流程图

3 结论

电子行业正在大规模发展，这就要求开发具有创造性的新技术来显示大量的系统数据。可视化还可以使操作人员立即分析可能快速变化的系统状况，并制定补救控制措施，从而有助于减少未来停电的可能性。这一研究项目创造了几种在系统和组成部分层面表示这些数据的新方法，进行了正式的现场实验，以评估其中几种方法的准确性，并协助在不同控制中心实际传播的效果。我们研究了各种安全技术以及在连接的电网中提供安全性的方法。根据国家和具体的电网要求，目前的安全机制范围正逐步扩大，即实现电力系统监测工作的进一步深入。