ADCIT：电力系统状态估计中的异常检测、分类、识别工具

软件影响15（2023）100465原始软件出版物异常检测、分类和识别工具（ADCIT）Sajjad Asefia，b，Mile Mitrovicb，Dragan Zetenovićc，Victor Levic，Elena Gryazinab，Vladimir Terzijaba爱沙尼亚塔林塔林理工大学电力工程和机电一体化系b俄罗斯莫斯科斯科尔科沃科学技术学院能源科学技术中心c英国曼彻斯特大学电子电气工程系A R T I C L E I N F O保留字：虚假数据注入攻击机器学习MatlabPython状态估计负载突变代码元数据A B标准异常检测、分类和识别工具（ADCIT）是一个开源的Matlab和Python 用于电力系统状态估计中的异常检测、分类和识别的代码。在Matlab中开发的加权最小二乘（WLS）和扩展卡尔曼滤波器（EKF）状态估计器的输出用作在Python中开发的机器学习算法的输入。ADCIT可以解决硬异常情况;例如，当负载在多个节点同时突然改变时，或者当虚假数据注入攻击同时针对多个状态时，它可以检测和分类情况。 此外，ADCIT不需要在存在网络拓扑变化的情况下重新训练机器学习算法。在电网能量管理系统中应用ADCIT可以帮助系统运行人员在异常发生时设计适当的对策当前代码版本v1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-297Reproducible Capsule的永久链接https://codeocean.com/capsule/3864219/tree/v1法律代码许可证MIT使用的代码版本控制系统无使用Matlab、Python的软件代码语言、工具和服务编译要求，操作环境依赖性Matlab：MatpowerPython：Pandas、NumPy、Scikit-Learn等库如果可用，链接到开发人员文档/手册Matlab问题支持电子邮件：sajjad. taltech.eePython：mile. skoltech.ru1. 介绍电力系统状态估计在能量管理系统中起着重要的作用。它的任务是提供准确的估计系统中所有节点的电压幅值和相位角[1]。 SE可能会受到许多类型的异常，其中坏数据（BD），负载突变（SLC）和错误的数据注入攻击（FDIA）是常见的。为了使系统操作员采取适当的对策，必须可靠地检测、分类和识别异常[2]。为此，异常检测、分类并开发了识别工具ADCIT。通过应用Matlab源代码，在第一个ADCIT阶段进行异常检测。在第二个ADCIT阶段，异常分类和异常来源识别是在Python中完成的BD的检测通常是通过E2-test [3]完成的���然而，这是困难的-通过在加权最小二乘（WLS）估计量内应用E2检验来检测SLC或FDIA。ADCIT结合WLS和扩展卡尔曼滤波器（EKF）的估计状态以建立能够检测SLC和FDIA两者的异常检测指数（ADI）;然而，ADI本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。∗ 通讯作者。电子邮件地址：sajjad. taltech.ee（S.Asefi），Mile. skoltech.ru（M.Mitrovic），dragan. manchester.ac.uk（D.1999年12月20日，在manchester.ac.uk上发表了题为“在2000年12月20日之前，我们将在2000年12月20日之前发表”的声明。Levi），E. skoltech.ru（E. Gryazina），V. skoltech.ru（V.Terzija）。https://doi.org/10.1016/j.simpa.2023.100465接收日期：2022年12月9日;接收日期：2023年1月2日;接受日期：2023年1月5日2665-9638/©2023作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsS. Asefi，M.米特罗维奇湾Eketenović等人案软件影响15（2023）1004652Fig. 1. ADCIT算法的一般方案。不能区分SLC和FDIA。为了正确地分类（或区分）SLC和FDIA，已经实现了各种监督机器学习（ML）算法。此外，当负载在多个节点同时突然改变（称为“多总线SLC”）或FDIA同时针对多个状态（称为“多状态FDIA”）时的情况首次被考虑，并且ADCIT能够正确区分多总线SLC和多状态FDIA。此外，用于训练ML算法的特征仅与网络节点相关联。这通过消除在网络拓扑变化的情况下重新训练ML算法的需要来增加算法的鲁棒性。在ADCIT内部，可以使用不同的ML算法，并且它们是用户定义的。最后，ADCIT可以成功分析不同类型的异常2. ADCIT算法ADCIT算法已在Matlab和Python中实现。图1演示了ADCIT算法的一般方案。每个代码的详细信息如下所示2.1. Matlab：数据准备和检测为了给ML算法的训练提供标记数据，在Matlab环境下进行了电力系统仿真。首先，使用下述程序生成原始测量值。接下来，通过两种类型的状态估计器（即WLS和EKF）处理原始测量，以获得估计的（以及在EKF的情况下，预测的）电量。IEEE 14总线测试系统[4]已被选为基准。MATPOWER是一种用于解决稳态电力系统优化问题的开源Matlab扩展，已被用于执行随时间推移的连续最优潮流（OPF）[5]。考虑到在每个消费节点的负载是给定的，OPF提供节点电压幅值，有功/无功功率潮流的分支和有功/无功功率注入在发电机节点。这些值被用作测量的真实值。将具有零均值和0.01标准偏差的高斯分布的噪声项添加到得到原始测量值。为了模拟BD情况，对应的原始测量值被不属于预定义高斯分布的随机误差破坏。为了模拟SLC，在执行过程中的期望时刻削减预先指定的负载量。获得诸如预测状态、归一化残差和归一化新息的输出。为了检测BD，通过WLS状态估计获得的测量残差被用来执行WLS2-检验。如果没有BD，算法将使用ADI [2]检查SLC或FDIA。如果ADI值等于或高于特定阈值，则检测到异常;否则，系统被认为处于正常操作模式。应当注意，可以在代码中指定异常发生和消失的时刻。此外，还可以更改测试系统或网络拓扑;但是，需要进一步修改MATPOWER源文件和多个m文件中的参数设置。2.2. Python：分类和识别Python环境用于输入数据的预处理和ML算法的异常分类和识别的应用。为了比较，应用了四种监督ML算法，即随机森林（RF），极端梯度提升（XGB），逻辑回归（LR）和K近邻（KNN）[2]。如前所述，为了消除在网络拓扑改变时重新训练ML算法的需要，排除与电力线相关联的特征，并且仅利用与节点相关联的特征。与节点相关联的特征是：（a）电压幅值和有功/无功功率注入的节点测量和归一化测量创新;（b）电压幅值、相位角和有功/无功功率注入的估计和预测。最大相关并行化功能已包含在MRMR脚本中，以利用CPU的多个核心并并行运行任务。因此，可以快速找到最相关的特征，而无需额外的计算复杂性。为了执行ML算法，已经应用了scikit-learn库中的标准模型[7]。所有模型都通过调整适当的超参数来训练。使用具有梯度提升的序列优化作为目标函数的代理概率模型来调整超参数[8];scikit-optimize库用于此目的。3. 说明性示例ADCIT获得的结果的一个例子在连续的OPF。 在FDIA的情况下，原始测量值为图 二、 如果≥0.02成立，则有很高的概率根据攻击向量进行修改。 要模拟多总线SLC或存在BD。（H−er）e，，表示H2-检验���������多状态FDIA，用户可以更改SLC_bus参数的设置���E12对应于E12分布表中的值，���或FDIA_state从标量值转换为矢量。这种变化必须在主文件中进行。例如，SLC_bus=[5 10 12]意味着SLC同时发生在节点5、10和12基于WLS和EKF的状态估计在正常操作条件下执行（即，准稳态）和异常操作条件（BD、SLC或FDIA）。除了估计的状态，其他pr（o-ba），b自由度和（−）自由度;和分别是观测到的测量数和估计状态数。������������如果Δ λ λ{Aλ}≥λ λ，则检测到SLC或FDIA存在在这里，���������{A��� } stands for maximum ADI value, and��� represents the detec- tionthreshold that has to be selected to clearly discriminate between normaloperation and anomalies [2].S. Asefi，M.米特罗维奇湾Eketenović等人案软件影响15（2023）1004653图二、存在FDIA时的检测试验：（a）���2次试验（b）最大ADI试验。表1单总线/状态SLC/FDIA分类。修改/扩展ADCIT以实现自己的想法。这意味着ADCIT可以作为未来研究工作的平台。该工具的另一个影响是其工业实现的能力。无需任何额外的硬件安装，ADCIT可以集成到电力系统控制室的能源管理系统中[1]。ADCIT能够在出现异常时实现更好的态势感知，这在系统紧急情况下是典型的[2，10]。此外，异常类型的规范（即，ADCIT的异常分类）将协助系统操作员做出正确的决策。创建图形用户界面，考虑其他类型的异常，如网络参数错误，并设计适当的对策，对异常，可以被认为是未来的发展方向ADCIT。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢ML分类精度培训准确度训练时间算法WOMRMR（%）时间MRMR（%），使用MRMRLR 98.55 577.14 87.94 136.29KNN 99.74 42.26 97.53 38.35RF 100 946.76 100 561.29XGB 100 858.98 100 324.35图2示出了当系统受FDIA影响时的检测指标。FDIA倾向于增加总线14处的电压幅值0.1 p.u.，从θ= 350开始，并持续到模拟结束。很明显，最大的ADI测试能够很好地检测异常的存在，而异常则绕过了ADI2测试。然而，该测试不能根据其类型对发生的异常进行分类。因此，ML算法已被用于异常的分类表1总结了ML算法在钙化准确度和训练时间方面的性能，用于SLC和FDIA的分类，即，区别SLC和FDIA[2]的文件。由于事实上，一些特征可能是冗余的或与ML算法的训练不太相关，MRMR已被应用于选择最相关的特征。在该示例中，由MRMR选择的特征的数量这有助于减少ML算法的训练时间。虽然LR和KNN算法的精度略有下降，但在RF和XGB算法的情况下，精度保持不变。4. 软件影响准确的异常检测、分类和识别对于电力系统状态估计具有重要意义ADCIT的影响首先，它可以作为一种教育工具。 它为研究人员提供了一个观察异常对状态估计的不利影响的机会，并分析ADCIT如何实现异常检测，分类和识别，以避免这些影响[9]。换句话说，研究人员可以S的工作。Asefi，M. Mitrovic，E. Gryazina和V. Terzija得到了Skoltech和俄罗斯联邦教育和科学部的支持，资助协议编号为075-10-2021-067，资助标识码为000000 S707521 QJX 0002。D的工作。Eschetenović 和 V. Levi 得 到 了 英 国 工 程 和 物 理 科 学 研 究 委 员 会（ EPSRC ） 的 支 持 （ 批 准 号 ： EP/S 00078 X/2 和 批 准 号 ：EP/T021969/1）和教育部，塞尔维亚共和国科学和技术发展（克拉古耶瓦茨大学批准号：451- 03-68/2022-14/200132）技术科学学院（英语：Faculty of Technical Sciences）。引用[1] A.作者声明：A. Canizares，《电能系统：分析与运行》，CRC出版社，2018年。[2]S. Asefi，M.米特罗维奇湾 Escherenović，V. Levi，E. Gryazina，V. Terzija，利用WLS-EKF状态估计和机器学习进行电力系统异常检测和分类，2022，arXiv预印本arXiv：2209.12629。[3]A. Abur，A.G.李明，电力系统状态估计理论与实现，中国电力科学出版社，2004年。[4]R. Christie，Power Systems Test Case Archive. 14总线功率流测试案例，1993年，华盛顿大学电气工程系，[在线]可在https://labs.ece.uw.edu/pstca/pf14/pg_tca14bus.htm上获得。[5]R.D. Zimmerman，C.E. Murillo-Sanchez，Matpower，URLhttps://matpower.org.[6]Z. Zhao河，巴西-地阿南德，M。Wang，营销机器学习平台的最大相关性和最小冗余特征选择方法，2019年IEEE数据科学和高级分析国际会议，DSAA，IEEE，2019年，第10页。442-452[7] L.布 廷克 湾 Louppe，M. Blondel，F. Pedregosa，A. Mueller， O. Grisel，V.N i c u l a e 、 尖 吻 隐 翅 虫 P. Prettenhofer ， A.Gramfort ， J. 格 罗 布 勒 河Layton，J. 范德普拉斯，A.乔利湾霍尔特，G。Varoquaux，机器学习软件的API设计：来自scikit-learn项目的经验，在：ECML PKDD研讨会：数据挖掘和机器学习语言，2013年，pp.108比122[8] J.H. Friedman，Stochastic Gradient Boosting，Comput.国家主义者。数据分析38（4）（2002）367-378。[9]A. Abur， Power education toolbox（ P.E.T）：An interactive software packageforstateestimation ， in ： 2009 IEEE Power &Energy Society General Meeting，2009，pp. 一比四[10] R.V. Yohanandhan，R.M. Elavarasan，P. Manoharan，L. Mihet-Popa，网络物理电力系统（CPPS）：网络安全应用的建模，仿真和分析综述，IEEE Access 8（2020）151019-151064。