本发明涉及电气信息，具体涉及智能配电网中电池储能系统假数据注入攻击的检测方法。
背景技术：
1、电池储能系统(besss)在能源整合、功率调节以及提高智能配电网(sdns)运行的灵活性和可靠性方面发挥着重要作用。电池储能系统中储能电池的荷电状态(soc)是衡量电池剩余电量的重要指标。然而，soc无法被直接测量，只能由电池管理系统(bms)利用电池外部参数进行估算。bms逐渐融合了云计算服务和物联网的相关技术，但也使得电池储能系统面临着严重的恶意网络攻击，如隐身攻击、假数据注入攻击(fdias)、中间人攻击、拒绝服务攻击、随机延迟攻击等。特别是，fdias可以在不被配电网系统状态估计(dsse)的坏数据检测(bdd)发现的情况下篡改测量数据，导致错误的soc估计值。储能电池的充放电操作是根据soc估计值确定的，错误的soc估计值会使得储能电池过度充放电，导致电池老化、系统损坏，甚至火灾或爆炸，严重影响sdns的安全、稳定与经济运行。
2、transformer模型包括编码器和解码器，将深度学习与自然语言处理领域的最新技术融合在一起，为处理复杂的序列数据提供了更好的方法。编码器把输入序列映射到隐藏表示空间中，而解码器则根据编码器的输出以及目标序列生成对应的输出序列。在每个编码器和解码器的层次上，transformer模型使用多头自注意力机制来计算输入序列的表征，还使用了残差连接和层标准化技术来加速网络的收敛速度和提高模型的稳定性，虽然可以捕捉输入序列中不同位置之间的关系，但对于较长的输入序列，模型可能会出现长期依赖问题。transformer模型中的编码器和解码器都由多层的自注意力机制和前馈神经网络组成，这导致模型的参数数量较多。较大的模型参数数量会增加模型的训练和推理的时间和空间复杂度。
3、超参数调优是指在机器学习算法中，通过调整模型的超参数找到最佳的超参数组合，以提高模型的性能和泛化能力，使模型更好地适应训练数据，并在未见过的数据上表现更好。nas(神经网络结构搜索)在运行过程中存在过拟合的风险。搜索过程中可能会出现过多的参数调整和模型选择，导致在训练集上表现良好，但在测试集上表现较差的情况。由于神经网络结构自动搜索是通过算法和优化方法来进行的，搜索到的最佳结构使得难以理解网络内部的工作原理和决策过程，限制了对模型的解释性和可解释性。随机搜索，每次选择超参数组合都是独立的，导致搜索过程在某些区域反复进行，而忽略了其他可能更优的区域。同时，随机搜索在超参数空间中随机选择超参数组合进行训练和评估，需要更多的迭代次数才能找到最佳的超参数组合，不够高效。
技术实现思路
1、针对现有技术中存在的不足，解决智能配电网中电池储能系统的假数据注入攻击问题，使得系统可以安全稳定运行，本发明目的是提供智能配电网中电池储能系统假数据注入攻击的检测方法，基于b-transformer模型，构建含有电池储能系统的智能配电网体系架构；对假数据注入攻击原理进行分析；运用金字塔注意力机制对transformer的编码器进行改进，进一步学习不同时间尺度上的数据特征；提出运用贝叶斯优化超参数，得到基于b-transformer的电池储能系统假数据注入攻击的检测模型。
2、为解决上述技术问题，本发明提供的技术方案是：
3、智能配电网中电池储能系统假数据注入攻击的检测方法，包括如下步骤：
4、步骤1.分析含有电池储能系统的智能配电网的系统结构下可能受到假数据注入攻击的位置；
5、步骤2.根据步骤1对智能配电网中电池储能系统假数据注入攻击位置的分析结果，结合假数据注入攻击的原理，分析在逃脱配电网状态估计的坏数据检测下，对电池荷电状态估计结果造成尽可能大的影响的假数据注入攻击，得到实验所需假数据注入攻击数据集，将该数据集分为时间数据与系统测量数据；
6、步骤3.将步骤2获得的时间数据与系统测量数据分开，在系统测量数据中加入随机噪声，用粗尺度变量模块cscm构建多尺度c叉树，运用金字塔注意力机制pam仅选取transformer的编码部分，探索时间序列的多分辨率表示，捕获并学习长序列的数据特征，获得优化的transformer模型；
7、步骤4.运用贝叶斯对步骤3获得的优化的transformer模型进行超参数调优，得到基于b-transformer的电池储能系统假数据注入攻击的检测模型；
8、步骤5.将步骤2获得的假数据注入攻击数据集代入步骤4得到的基于b-transformer电池储能系统假数据注入攻击的检测模型，进行攻击检测，建立代理模型估计b-transformer检测模型的超参数配置性能；将检测结果进行分类，受到攻击的数据对应的类别为1，未受到攻击的数据对应的类别为0，类别为1的数据丢弃，类别为0的数据输出作为并网电池储能系统调度的参考。
9、优选的，所述优化的transformer模型包括pam层，第一add&norm层，前馈神经网络层，第二add&norm层以及cscm模块和classification模块；
10、所述步骤3具体为：
11、3.1数据预处理：将步骤2所述时间数据单独编码成为对应系统测量数据的时间戳，而系统测量数据各个部分的内容分别进行数据编码，之后再为系统测量数据的每个部分加上对应的位置编码，最终将处理好的时间数据与系统测量数据对应的时间戳、各系统测量数据的数据编码以及对应的位置编码相加得到输出结果；
12、3.2将步骤3.1得到的输出结果输入cscm模块，cscm模块在金字塔图的较粗尺度上初始化节点：通过对原始序列的子节点进行卷积，从下到上逐级引入较粗尺度节点，将卷积核大小为c和步长为c的卷积层在时间维度上依次应用于嵌入序列；在尺度s上产生长度为l/cs的序列，不同尺度的序列形成c叉树；在将产生的序列输入堆叠卷积层之前，用一个全连接层降低每个节点的维度，并在所有卷积完成之后进行恢复，得到的时间多尺度分类序列；
13、3.3 pam层利用金字塔图，将步骤3.2得到的时间多尺度分类序列输入pam层，从而用多分辨率方式描述序列的时间依赖性：所述金字塔图分为尺度间连接和尺度内连接，尺度间连接将金字塔图的最细尺度与原始时间序列每十五秒的观测值相关联，则较粗尺度上的节点可以视为时间序列的每分钟、每小时甚至每天的特征，尺度间连接将形成一个c叉树，尺度内连接将每层的邻居节点连接起来；在pam层中，每个节点只关注一组有限的键值key，最终得到时空数据特征；
14、3.4与pam层连接的为第一add&norm层，将步骤3.3所得到的时空数据特征学习结果和生成结果输入第一add&norm层，对时空数据特征进行归一化处理；add层表示残差连接用于防止模型退化，norm层表示层标准化用于对每一层的激活值进行归一化；
15、3.5前馈神经网络层分别连接第一add&norm层和第二add&norm层，所述前馈神经网络层由两个全连接层组成，第一层是relu激活函数，第二层是线性激活函数，所述步骤3.4归一化处理的时空数据特征经前馈神经网络层后输入到第二add&norm层，获得预测数据；
16、3.6与第二add&norm层连接的classification模块将步骤3.5所得的预测数据特征映射到样本标记空间，进行检测分类，最终获得优化的transformer模型。
17、优选的，所述步骤4的b-transformer检测模型构建具体为：
18、4.1定义待优化的超参数的范围和取值；
19、4.2用高斯过程回归作为代理模型，将步骤4.1的超参数应用在步骤3获得的优化的transformer模型中，运行优化的transformer模型，得到对应的优化transformer模型检测结果，将该检测结果准确率作为评估该优化transformer模型性能的指标；用代理模型估计超参数与该优化transformer模型检测准确率间的关系，并预测未知超参数组合的运行的模型检测准确率；
20、4.3根据步骤4.2中未知超参数组合运行的模型检测准确率的预测结果，用高斯过程回归的置信区间来衡量优化transformer模型的不确定性，选择置信区间较大的超参数组合；
21、4.4使用步骤4.3选定的超参数组合训练优化的transformer模型，并在验证集上评估优化的transformer模型性能，将超参数组合和该模型性能的数据添加到已有数据中；
22、4.5根据步骤4.4获得的的超参数组合和优化的transformer模型性能数据，更新代理模型的参数；
23、4.6重复进行步骤4.3-4.5，直到达到预定的迭代次数或找到满意的超参数组合，从而构建出b-transformer检测模型。
24、优选的，所述步骤1具体为：
25、1.1分析含有电池储能系统的智能配电网的系统结构，明确该电池储能系统的构成成分；
26、1.2从步骤1.1中得到的构成成分入手分析影响含有电池储能系统的智能配电网稳定运行的因素，找到可能受到假数据注入攻击的位置。
27、优选的，所述步骤2具体为：
28、2.1分析配电网侧的状态估计原理以及坏数据检测方法，根据步骤1中找到的可能受到假数据注入攻击的位置，得到逃脱坏数据检测所必需的条件；
29、2.2在步骤2.1的基础上，分析储能电池基于扩展卡尔曼滤波的荷电状态估计的原理，找到影响荷电状态估计值的因素；
30、2.3分析传统假数据注入攻击的原理，根据步骤2.1和2.2，确定攻击向量，得到在逃脱配电网状态估计的坏数据检测下，对电池荷电状态估计结果造成尽可能大的影响的假数据注入攻击的攻击公式；
31、2.4进行实验仿真，得到实验所需数据集，包含正常数据和受到攻击的数据，将数据集按预设比例进行划分，得到训练集和测试集。
32、系统测量数据包括：各总线电压、支路电流、电压相量、总线有功功率和无功功率、besss交流侧电压和电流、besss交流侧有功功率和无功功率、幅度调制、相角、besss直流侧电压和电流。本发明的有益效果是：
33、本发明针对当前“双碳”战略目标和新型电力系统建设目标下的新型电力系统建立后可能存在的电池储能系统假数据注入攻击：
34、1.通过对智能配电网状态估计的坏数据检测以及基于扩展卡尔曼滤波的储能电池荷电状态估计的研究，得到了能逃脱配电网坏数据检测并对besss荷电状态估计造成较大影响的假数据注入攻击，
35、2.提出仅选取transformer的编码器部分，在保证检测功能的前提下，降低了模型训练和推理时的时间和空间复杂度；
36、3.运用金字塔注意力机制，探索数据在时间上的多尺度表示，使得模型可以更好地捕获并学习到长序列的数据特征；
37、4.最后通过贝叶斯优化模型的超参数，避免了人工设置参数的复杂过程。
38、本发明方法相比于现有的算法，效率更高，提高了模型的可解释性；同时，在数据输入时加入了随机噪声，避免了模型的过拟合。
1.智能配电网中电池储能系统假数据注入攻击的检测方法，其特征在于，
2.根据权利要求1所述的智能配电网中电池储能系统假数据注入攻击的检测方法，其特征在于，所述优化的transformer模型包括pam层，第一add&norm层，前馈神经网络层，第二add&norm层以及cscm模块和classification模块；
3.根据权利要求1所述的智能配电网中电池储能系统假数据注入攻击的检测方法，其特征在于，所述步骤4的b-transformer检测模型构建具体为：
4.根据权利要求1所述的智能配电网中电池储能系统假数据注入攻击的检测方法，其特征在于，所述步骤1具体为：
5.根据权利要求1所述的智能配电网中电池储能系统假数据注入攻击的检测方法，其特征在于，所述步骤2具体为：
6.根据权利要求1所述的智能配电网中电池储能系统假数据注入攻击的检测方法，其特征在于，
