CN119496288A 一种基于强化学习的微电网智能安全次级电压控制方法 （重庆大学）

一种基于强化学习的微电网智能安全次级本发明涉及一种基于强化学习的微电网智该方法首先建立混合网络攻击下微电网次级控设计自适应FDI攻击补偿状态观测器，建立对未并给出权重调节律。在性能指标函数中引入log击，保证微电网次级电压的稳定控制和安全运2对DoS攻击和FDI攻击进行建模，分别建立数据包丢失概率分布模型和FDI攻击信号模建立混合网络攻击下具有输出约束的微电网次级电压控制2.根据权利要求1所述的一种基于强化学习的微电网智能安全次级电压控制方法，其3.根据权利要求2所述的一种基于强化学习的微电网智能安全次级电压控制方法，其4.根据权利要求1所述的一种基于强化学习的微电网智能安全次级电压控制方法，其5.根据权利要求1所述的一种基于强化学习的微电网智能安全次级电压控制方法，其34的数据评估当前策略的性能，而执行者则使用评价者评估得到的代价函数值进行策略改[0009]现如今处理DoS攻击的主要控制策略包括具有有限更新周期的鲁邦弹性控制策攻击在任意时刻随机地对通信信道发起破坏，为了便于分析随机性攻击对通信信道的影于新的坐标变换的自适应安全控制策略。有文献研究FDI攻击下负荷频率控制系统的弹性[0016]对DoS攻击和FDI攻击进行建模，分别建立数据包丢失概率分布模型和FDI攻击信5[0018]这是整个控制方法的基础，需要首先明确微电网次级控制系统所面临的安全威[0020]DoS攻击会导致系统量测值丢失，因此需要设计相应的防御机制来补偿丢失的数对未知FDI攻击的补偿，并设计补偿信号的自适应律，实现受到网络攻击下系统状态的估6[0035](1)为应对通信网络信息传输过程中的开放性给系统信息安全带来的挑战，本专性安全需求，FDI攻击下反馈通道会被注入虚假数据信息，破坏智能电网的完整性安全需[0036](2)提出一种基于卷积神经网络和长短期记忆神经网络的预测补偿模型来解决[0037](3)设计FDI攻击自适应补偿的安全观测器，实现混合网络攻击下系统的状态观7[0051]提出一种基于卷积神经网络和长短期记忆神经网络的预测补偿模型来解决DoS攻[0052]设计FDI攻击自适应补偿的安全观测器，实现混合网络攻击下系统的状态观测。8[0056]提出一种基于卷积神经网络和长短期记忆神经网络的预测补偿模型来解决DoS攻[0057]设计FDI攻击自适应补偿的安全观测器，实现混合网络攻击下系统的状态观测。9[0069]在数据传输过程中，无错误数据包的包到达率取决于接收端传输信号的信噪[0074]考虑到FDI攻击会通过破坏数据准确性进而导致系统性能降低甚至不稳定，本专[0078]微电网模型如图1所示，每个分布式发电单元由带有直流电源的三相逆变器、电dq坐标系上设计控制器，控制器由两层结构组成，包括初级控制器和次级控制器。其中⃞r=Ava+a,(i)为受到DoS和FDI混合网络攻击时的系统输出。[0080]初级控制器包括外部下垂控制和内部电压和电流控制。下垂控制指示第i个分布式发电单元的参考频率和参考电压电压和电流控制器使三相逆变器能够跟踪下垂控=0-on(1.6)是初级下垂控制中频率和电压的下垂系数，vni和ωni分别为第i个发电单元的期望电压和odi和voqi及iodi和ioqi分别是第i个发电单元在dq参考坐标[0088]电压和电流的控制通常采用PI控制方法实现，给出电压和电流控制器的微分方ia+(vw-va)(1.20)[0104]其中输出以r=Ava+a,(t),对进行微分，得到电压源逆变器的输出电压与[0118]DoS攻击扰乱被控系统通信信道，导致传输至次级控制中心的系统输出传感器测[0124]s:-o(w'-IS,",]+b')2.2)gf=tanh(w"-IS,",r,1+b")(2.4)t是激活向量。LSTM模型由输入词vt，细胞状态gf,临[0131]单个LSTM网络不能完全满足多变量、复杂的时间序列场景的预测需求，增加SE_[0140]最后将s与上一层卷积进行逐空间位置相乘，将归一化权重加权到每个通道的特rr[0156]输出电压vodi通过传感器检测，传输至次级控制中心过程中受到DoS攻击时[0162]a,()=w,(3)Ta(2.18)[0166]"=n=v,J输出估计值j,为DoS攻击防御网络输出的补偿测量值。其中fi在参数扰动和外部负载[0173]所设计的状态观测器具有补偿FDI网络攻击的能力，其中补偿信号自适应律的[0175]其中是施加于FDI攻击补偿信号.上的投影范数界，[0179]定义误差信号a;是最优虚拟控制信[0188]考虑对称时不变输出约束kci;eR"[0227]其中γi为设计的正实数，且将ur,e代入最优控制