尹 亮 趙曉東 劉海濤

(國網(wǎng)寧夏電力有限公司 寧夏 銀川 750001)

0 引 言

利用新能源逐步取代傳統(tǒng)能源進行發(fā)電將是今后電力工業(yè)發(fā)展的趨勢,新能源發(fā)電具有良好的發(fā)展前景和實用價值。新能源產(chǎn)業(yè)規(guī)模不斷擴大,光電、風電等新能源廠站規(guī)模呈快速增長態(tài)勢,裝機容量將快速取代水電、火電等傳統(tǒng)能源的統(tǒng)治地位。新能源智能電網(wǎng)致力于通過整合數(shù)字計算、通信技術(shù)、電力傳輸基礎(chǔ)設(shè)施,實現(xiàn)電力系統(tǒng)的現(xiàn)代化,憑借能源的雙向流動、雙向通信、控制能力來提供遠超家庭和企業(yè)的“智能”電表范疇的功能和應用[1]。

新能源廠站覆蓋面積大,廣泛使用數(shù)字信息和控制技術(shù),各機組之間通過光纖交換機互聯(lián),但往往缺乏身份認證、數(shù)據(jù)加密、訪問控制等必要的網(wǎng)絡(luò)安全防護手段[2]。同時,新能源廠站還存在電流不穩(wěn)、中心網(wǎng)絡(luò)未嚴格落實橫向隔離措施、直接或間接與互聯(lián)網(wǎng)連接等問題。因此,新能源廠站的網(wǎng)絡(luò)安全成為智能電網(wǎng)發(fā)展亟須解決的現(xiàn)實問題[3]。一方面,來自新能源廠站端網(wǎng)絡(luò)的攻擊可能向上滲透,嚴重威脅整個電網(wǎng)端調(diào)度控制系統(tǒng)安全和穩(wěn)定性;另一方面,新能源廠站網(wǎng)絡(luò)雖然具備防火墻、加密機、隔離裝置等必要的安全防護能力,但其監(jiān)控系統(tǒng)、控制系統(tǒng)和網(wǎng)絡(luò)化信息系統(tǒng)也極有可能受到來自網(wǎng)絡(luò)縱向邊界的滲透和攻擊,導致難以預料的雙向安全后果。目前,智能電網(wǎng)主要通過安全策略制定來緩解網(wǎng)絡(luò)安全威脅,主要目標是防止外來威脅對電子系統(tǒng)和通信服務(wù)系統(tǒng)的損害或信息竊取,同時確保系統(tǒng)在特殊情況下的迅速恢復,以保障其一致性、完整性、可用性[4]。

新能源智能電網(wǎng)基礎(chǔ)設(shè)施中用于控制發(fā)電和輸電的部分為監(jiān)控和數(shù)據(jù)采集系統(tǒng)(Supervisory Control and Data Acquisition system,SCADA)[5]。SCADA系統(tǒng)接收電網(wǎng)狀態(tài)的測量值,并計算電網(wǎng)狀態(tài)的估計值以確定控制策略。然而,新能源廠站智能電網(wǎng)對狀態(tài)檢測異常敏感,其SCADA系統(tǒng)的體系結(jié)構(gòu)容易受到網(wǎng)絡(luò)和物理攻擊,如人為破壞、設(shè)備故障或網(wǎng)絡(luò)攻擊導致的錯誤數(shù)據(jù)注入等[6]。因此,SCADA系統(tǒng)對電網(wǎng)狀態(tài)估計往往存在無法識別負荷和穩(wěn)定性限制、無法識別人為錯誤、無法確定故障等問題。目前已經(jīng)出現(xiàn)多起因SCADA系統(tǒng)對電網(wǎng)狀態(tài)估計錯誤導致的停電事故,表明新能源智能電網(wǎng)需要改進全系統(tǒng)的監(jiān)測、報警、系統(tǒng)狀態(tài)估計程序[7]。

針對新能源智能電網(wǎng)SCADA系統(tǒng)難以準確估計電網(wǎng)狀態(tài)的問題,本文提出一種基于多Agent過濾的智能電網(wǎng)安全增強方法(Multi-Agent Filtering Method,MAFM),旨在保護系統(tǒng)狀態(tài)估計過程不受來自故障設(shè)備或網(wǎng)絡(luò)攻擊的錯誤數(shù)據(jù)注入影響。MAFM假設(shè)電網(wǎng)中均勻地分布著多個Agent,每個Agent接受其監(jiān)控范圍內(nèi)的電網(wǎng)狀態(tài)測量值。同時,每個Agent接收其相鄰Agent 的當前狀態(tài),并結(jié)合自身所接收到的本地測量值和其鄰接Agent的狀態(tài)值以計算當前本地電網(wǎng)狀態(tài)的估計值。在計算本地狀態(tài)估計值時,MAFM采用基于信任機制的過濾方案,以應對鄰接Agent可能存在的錯誤。具體地,MAFM將每個Agent通過一組信任度系數(shù)與鄰接Agent相關(guān)聯(lián),在計算本地狀態(tài)估計值時,將信任度系數(shù)作為所接收到的對應鄰接Agent狀態(tài)值的權(quán)重參數(shù),從而可以有效過濾低信任度Agent的信息干擾。此外,MAFM同時考慮到Agent信任度的動態(tài)變化,通過設(shè)計實現(xiàn)Agent信任度更新機制,將Agent的長期行為特征作為量化其信任度的依據(jù)。

1 問題定義

利用實時測量電網(wǎng)能量流動狀態(tài)對電力系統(tǒng)運行狀態(tài)進行估計,是建立電網(wǎng)可觀測部分模型的常見方法。電力系統(tǒng)狀態(tài)估計的引入有助于系統(tǒng)運營商對電力系統(tǒng)狀態(tài)的全局掌控,從而提高新能源智能電網(wǎng)應對突發(fā)情況的能力。本文提出一種多Agent的分布式估計方法,每個Agent根據(jù)自身測量值和其余Agent計算的估計值實現(xiàn)本地網(wǎng)絡(luò)狀態(tài)的估計。

線性模型由于其簡單性和有效性,成為動態(tài)估計電網(wǎng)狀態(tài)的代表性模型[8-10]。因此,本文將下列隨機線性方程作為電網(wǎng)動態(tài)性的近似模型。

x(k+1)=A(k)x(k)+w(k)

(1)

式中:k為離散時間;x(k)∈Rn為狀態(tài)向量;A(k)為當前狀態(tài)與下一時刻狀態(tài)之間的矩陣;w(k)∈Rn為狀態(tài)噪聲。本文假設(shè)w(k)服從均值為0、協(xié)方差矩陣為Q的高斯分布。狀態(tài)變量通常包括節(jié)點電壓(電壓幅值、電壓角)、變壓器比率和復雜功率流(有功和無功功率流)[11]。同時,假設(shè)初始狀態(tài)x0服從均值為μ0、協(xié)方差矩陣為p0的高斯分布。在該模型中,參數(shù)A(k)和Q是通過參數(shù)識別過程預先確定的。通常,矩陣A(k)被假定為是慢時變的。為了簡單起見,假設(shè)A(k)為常數(shù),即對任意的k,A(k)=A。

本文中的Agent特指具有計算和通信能力的智能設(shè)備,可以接收電網(wǎng)狀態(tài)的測量,并且能夠計算狀態(tài)估計,采用相量數(shù)據(jù)集中器(Phasor Data Concentrator,PDC)實現(xiàn)[12]。具體地,Agent通過一組GPS同步相量測量單元(Phasor Measurement Units,PMU)來收集測量值,PDC能夠測量網(wǎng)絡(luò)總線上的正序電壓以及輸電線路和變壓器中的正序電流,從而提高了狀態(tài)估計能力。本文采用的電網(wǎng)狀態(tài)估計設(shè)置與文獻[13]中提出的兩級估計框架類似,其中總線系統(tǒng)被分成不同的子電網(wǎng)區(qū)域,進而采用SCADAlike系統(tǒng)在這些劃分好的區(qū)域內(nèi)分別計算其對應的子電網(wǎng)狀態(tài)估計值。最終通過集中合并所有自電網(wǎng)狀態(tài),以獲得整個電力系統(tǒng)的總體狀態(tài)估計。與上述方法不同的是,本文不集中計算不同子電網(wǎng)的估計值,而是通過多個Agent以本地協(xié)作的方式來獲得電網(wǎng)的總體估計值。本文假設(shè)Agent(PDC)可以相互通信,并且可與SCADA系統(tǒng)進行通信,從而形成通信網(wǎng)絡(luò)。具體地,Agenti的鄰接Agent采用集合Ni表示。即Ni內(nèi)任意Agentj可與Agenti通信。此外,本文假設(shè)各Agent的線性感知模型如下:

yi(k)=Cix(k)+vi(k)

(2)

式中:yi(k)∈Rpi為Agenti所觀測到的子電網(wǎng)狀態(tài)x(k);vi(k)∈Rpi是系統(tǒng)噪聲估計值。本文假設(shè)vi(k)服從均值為0、協(xié)方差矩陣為Ri的高斯分布。實際的Agent對子網(wǎng)絡(luò)狀態(tài)測量值通常包含有電壓幅值和角度差、有功和無功功率、電流幅值波動、匝比幅值、變壓器相移角,以及有功和無功功率波動。上述模型通常是通過非線性傳感模型的線性化得到的,其中矩陣Ci是在某個標稱點計算的非線性函數(shù)Ci(x)的Hessian矩陣,它將測量值與狀態(tài)相關(guān)聯(lián)。

問題:本文假設(shè)某些Agent可能會出現(xiàn)故障,或者被未經(jīng)授權(quán)的實體的控制,從而導致該Agent在電網(wǎng)上向其他Agent傳播虛假數(shù)據(jù)。這些虛假數(shù)據(jù)將影響發(fā)電和輸電控制策略的計算。本文研究的問題是如何基于信任機制,提出一種電網(wǎng)安全保障方法,以限制錯誤數(shù)據(jù)注入對電網(wǎng)狀態(tài)估計的影響。

2 信任模型

信任以各種方式和意義出現(xiàn)。例如,傳感器的可信度降低,可以是因為傳感器受損導致傳輸?shù)臄?shù)據(jù)可信度降低;同樣,由于干擾而導致的受損鏈路,能夠降低鏈路可信度。因此,傳感器網(wǎng)絡(luò)的信任度,以及更普遍的由人類和自動化代理(傳感器、執(zhí)行器、計算機)組成的混合網(wǎng)絡(luò)的復合實體的信任度,往往是由多個度量和參數(shù)表示的。

對于信任度的量化有多種方式。在一些信任方案中,連續(xù)或離散的數(shù)值被用來度量信任度。例如,文獻[14]采用[0,1]區(qū)間內(nèi)的一個連續(xù)值描述實體對證明的可信度;文獻[15]采用[0,1]2內(nèi)的二元組描述信任度;文獻[16]中信任度的度量是[0,1]3內(nèi)的三元組,三元組中的元素分別表示置信、不置信和不確定性(本文采用[0,1]n表示集合[0,1]的n次笛卡爾積)。

信任也可以解釋為概率。文獻[17]使用主觀概率作為信任度度量,文獻[18]使用客觀概率。信任度作為不確定性的概念,信息論中的熵也是信任一種自然度量[19]。在極端情況下,信任可以是二元的:信任(權(quán)重=1)或不信任(權(quán)重=0),因為網(wǎng)絡(luò)中存在100%的安全性或者評估信任的方法非常粗糙。因此,沒有絕對正確或錯誤的方法來表示信任權(quán)重。上述所有信任表示都有適用的環(huán)境和要求。

本文假設(shè)每個Agenti為其每個鄰居Agentj分配一個信任度Ti,j,Ti,j表示從Agentj接收數(shù)據(jù)的可靠性。給定一個正實數(shù)Tmax,Ti,j為[0,Tmax]之間的正實數(shù)。在下文中,信任值Ti,j將與多Agent估計算法結(jié)合使用,以限制錯誤數(shù)據(jù)注入對電網(wǎng)狀態(tài)估計過程的負面影響。

3 基于多Agent過濾狀態(tài)估計方法

本節(jié)介紹基于多Agent過濾狀態(tài)估計方法MAFM,旨在提高電網(wǎng)狀態(tài)估計過程的安全性。該方法主要包含三個部分:首先,提出一個多Agent過濾方案;其次,設(shè)計實現(xiàn)基于Agent歷史行為軌跡的信任值更新機制;最后,將多Agent過濾方案與信任更新機制相結(jié)合,以降低低信任值的Agent對估計過程的影響。

3.1 多Agent過濾算法

傳感器網(wǎng)絡(luò)的一個基本問題是如何構(gòu)造分布式多Agent算法來估計一個過程的狀態(tài)。一般來說,一個過程是由網(wǎng)絡(luò)中一組傳感器的觀察值來描述的。每個傳感器的目標是計算精確的狀態(tài)估計。分布式過濾(估計)問題在過去幾年受到了廣泛關(guān)注,其主要思想是在本地使用一個標準的卡爾曼濾波器以及一個一致的步驟,以確保本地估計一致[20]。

本文將文獻[20]中提出的方法進行改進,提出一種新的多Agent過濾算法,如算法1所示。

算法1多Agent過濾算法

輸入: 均值u0,協(xié)方差矩陣p0。

2. While 存在新的數(shù)據(jù):

3. 計算過濾增益Li;

4. 利用式(3)計算狀態(tài)估計中間值φi;

5. 利用式(4)計算狀態(tài)估計值ξi;

為簡單起見,本文省略了算法1的時間索引。同時,算法1中步驟3過濾增益Li的計算有幾種現(xiàn)有的方法。文獻[20]提出了用局部卡爾曼濾波方程計算過濾增益的方法。步驟4中狀態(tài)估計中間值的計算如下:

步驟5將Agenti將從鄰居接收的信息進行線性組合,其計算公式如式(4)所示。

(4)

式中:ωi,j為權(quán)重值。步驟5可以看作是信息融合步驟。稍后,將重點分析權(quán)重ωi,j的取值,其決定Agenti如何使用從鄰居接收的信息。最后,Agenti根據(jù)ξi對當前狀態(tài)估計進行更新,更新公式如下:

因此,即使每個Agent不能觀測整個電網(wǎng)狀態(tài),通過協(xié)作(算法1的第5行),只要電網(wǎng)的全局狀態(tài)可觀測到,Agent就可能對電網(wǎng)的狀態(tài)有全局視圖。

3.2 信任度更新算法

新能源智能電網(wǎng)的運行是個動態(tài)的過程,每個Agent的狀態(tài)也處于動態(tài)變化中。例如,某些Agent可能在運行的過程中出現(xiàn)故障,或者被某些未經(jīng)授權(quán)的實體控制,又或者從某些故障設(shè)備中讀取到了錯誤的數(shù)據(jù)。Agent無法保證每個鄰接Agent的可靠性,因此Agenti需要對其鄰接Agentj的信任度Ti,j實時更新。

本節(jié)提出一種Agent信任度更新算法。我們假設(shè)新能源智能電網(wǎng)的初始運行期,每個Agent均處于正常運行狀態(tài)。在這期間,Agenti學習其所有鄰接Agentj的行為模式以作為Agentj的正常行為模式。在隨后的更新中,若Agentj的行為模式極大地偏離其正常行為模式,則Agenti認為Agentj處于正常狀態(tài),從而減小Ti,j以降低非正常Agentj對Agenti狀態(tài)估計的影響。

ei,j(k)=ej(k)-ei(k)

(6)

我們認為向量ei,j(k)的統(tǒng)計量決定了Agenti鄰居的行為模式,可以根據(jù)卡方分布確定ei,j(k)的置信區(qū)間。對于多元正態(tài)分布向量X～N(μ,Σ),其中:μ為均值向量;Σ為協(xié)方差矩陣。區(qū)間為:

{x|(x-μ)′Σ-1(x-μ)≤X2(α)}

(7)

該區(qū)間包含分布概率的(1-α)100%,其中X2(α)為在α處計算的n自由度的卡方分布。通過改變α,我們可以定義不同的置信區(qū)間。

信任值更新機制的基本思想在于:每當ei,j(k)在由參數(shù)α確定的置信區(qū)間之外時,信任值Ti,j減小到0,而每當ei,j(k)在置信區(qū)域之內(nèi)時,信任值Ti,j增大到最大值Tmax。

算法2信任度更新算法

輸出:Ti,j。

1. While 存在新的數(shù)據(jù):

3. 更新Ti,j:

4. 返回Ti,j。

3.3 狀態(tài)估計

本節(jié)介紹多Agent過濾算法與信任更新機制相結(jié)合的狀態(tài)估計算法。

(9)

Agentj對應的權(quán)重ωi,j隨著其信任值Ti,j的減小而減小。因此,可靠性較低的Agent對Agenti子電網(wǎng)狀態(tài)估計幾乎沒有影響。

具體的狀態(tài)估計算法如算法3所示。狀態(tài)估計算法綜合上述的多Agent過濾算法和信任度更新算法。一方面,它通過多Agent協(xié)作狀態(tài)估計的方式,擴展了單個Agent對網(wǎng)絡(luò)的視圖范圍,使得單個Agent對電網(wǎng)全局狀態(tài)有一個更準確的視圖。另一方面,其根據(jù)Agent的行為記錄動態(tài)更新其信任度,能有效地限制虛假數(shù)據(jù)注入對狀態(tài)估計影響,從而增加狀態(tài)估計的魯棒性。

算法3狀態(tài)估計算法

輸入:u0,p0,Tmax,δ1,δ2,K。

4. While 存在新的數(shù)據(jù):

5. 計算過濾增益Li;

6. 利用式(3)計算狀態(tài)估計中間值φi;

8. 更新Ti,j:

9. 利用式(9)更新權(quán)重值ωi,j;

10. 利用式(4)計算狀態(tài)估計值ξi;

4 仿真實驗

為了驗證MAFM的有效性,本文在一個模擬的新能源智能電網(wǎng)上進行了仿真實驗。

具體地,智能電網(wǎng)模型基于仿真軟件MATLAB 2016a構(gòu)建,軟件運行在安裝Windows 10操作系統(tǒng)的計算機之上,其CPU型號為Intel Core i7- 6700,配備16 GB內(nèi)存和1 TB固態(tài)硬盤?；贛ATLAB仿真模型構(gòu)建,本文假設(shè)模擬的智能電網(wǎng)擁有三臺發(fā)電機和九條總線,每條總線上均放置一個PMU,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 模擬電網(wǎng)結(jié)構(gòu)

在本實驗中,采用類似于文獻[21]的估計模型。在該模型下,狀態(tài)向量由在總線上測量的電壓形成,即X=(Ui),Ui為總線i上的復合電壓,在總線(i,j)相鄰的情況下(如圖1中(2,7),(3,9),(1,4)),每個PMU的復合測量模型如下:

式中:測量向量Xi(k)=(Ui(k),Ii,j(k))包括總線i上的復合電壓Ui(k)和線路(i,j)上的復合電流Ii,j(k);Yi,j是線路(i,j)上的導納;Vi(k)是測量噪聲。如果總線i沒有其他相鄰總線,則測量模型簡化為:

Zi(k)=Xi(k)+Vi(k)

(11)

一般地,我們可以將測量模型表示為:

Zi(k)=HiXi(k)+Vi(k)

(12)

式中:Hi稱為測量矩陣。

實值測量模型如下:

yi(k)=Cix(k)+vi(k)

(13)

我們假設(shè)新能源智能電網(wǎng)系統(tǒng)運行穩(wěn)定,并且狀態(tài)變量的振蕩很小,且由高斯白噪聲引起。因此,電網(wǎng)的動態(tài)性建模如下:

x(k+1)=x(k)+w(k),x(0)=x0

(14)

我們假設(shè)每個PMU扮演PDC的角色,因此圖1內(nèi)PMU形成的通信網(wǎng)絡(luò)如圖2所示,其中每個節(jié)點代表一個PMU。

圖2 PMU網(wǎng)絡(luò)結(jié)構(gòu)

在接下來的數(shù)值模擬中,我們設(shè)定系統(tǒng)的運行時間為1 500個時間單位。并且在時間區(qū)間[500,1 000]內(nèi),Agent8向其鄰接Agent發(fā)送錯誤數(shù)據(jù)。

圖3 采用算法1各Agent總線1電壓估計

作為對比,我們采用MAFM重復了上述實驗,各Agent對總線1的電壓估計值如圖4所示?？梢园l(fā)現(xiàn),Agent4、Agent7、Agent9對總線1電壓估計值受Agent8錯誤數(shù)據(jù)注入影響非常小。這是因為Agent8的鄰接Agent調(diào)整其對Agent8的信任值,從而拒絕來自Agent8的數(shù)據(jù)。

圖4 采用MAFM各Agent總線1電壓估計

圖5展示的是Agent4對其鄰接Agent5、Agent6、Agent8的權(quán)重值變化?？梢钥闯?在時間區(qū)間[500,1 000]內(nèi),Agent4對Agent8的信任度權(quán)重值ω4,9(k)降為0,從而證明了MAFM應對非法數(shù)據(jù)注入的有效性。

圖5 Agent4信任度權(quán)重變化

圖6 多Agent錯誤時采用MAFM 各Agent的總線1電壓估計

5 結(jié) 語

新能源廠站存在終端接入風險、遠程運維風險、場站監(jiān)控中心網(wǎng)絡(luò)外連、物理安全風險、系統(tǒng)本體安全風險、人員安全管理風險等問題。本文針對新能源智能電網(wǎng)網(wǎng)絡(luò)安全問題進行研究,提出一種基于多Agent過濾的新能源智能電網(wǎng)安全增強方法MAFM,旨在保護系統(tǒng)狀態(tài)估計過程不受來自故障設(shè)備或網(wǎng)絡(luò)攻擊的錯誤數(shù)據(jù)注入的影響。MAFM將多Agent過濾算法與信任度機制相結(jié)合,使得信任值較低的Agent對電網(wǎng)狀態(tài)估計值的影響最低。此外,本文還提出一種信任度更新算法,使得Agent的信任值可以根據(jù)其記錄的行為進行更新。MAFM結(jié)合多Agent過濾算法和信任度更新算法,從而保證其在電網(wǎng)狀態(tài)估計過程中對虛假數(shù)據(jù)注入的魯棒性。