本發(fā)明涉及電力系統(tǒng)網(wǎng)絡(luò)安全領(lǐng)域，具體涉及充電數(shù)據(jù)入侵特征檢測(cè)方法、裝置、存儲(chǔ)介質(zhì)及設(shè)備。

背景技術(shù)：

1、隨著新型電力系統(tǒng)建設(shè)以及電動(dòng)汽車(chē)持有量的不斷增加，電網(wǎng)與第三方業(yè)務(wù)協(xié)同互動(dòng)更加密切，以電動(dòng)汽車(chē)為代表的第三方聚合業(yè)務(wù)快速發(fā)展。第三方聚合業(yè)務(wù)將多個(gè)分散的電力資源通過(guò)技術(shù)手段集中管理和調(diào)度，形成虛擬的大型電力資源，參與電力市場(chǎng)交易或提供輔助服務(wù)。負(fù)荷聚合商的主要職責(zé)是對(duì)接用戶(hù)和電力市場(chǎng)，將用戶(hù)的電力需求和市場(chǎng)的電力供應(yīng)進(jìn)行統(tǒng)一調(diào)度和管理，從而提高電力市場(chǎng)的競(jìng)爭(zhēng)力和效益。

2、然而由于新興業(yè)務(wù)類(lèi)別復(fù)雜，安全防護(hù)水平參差不齊，帶來(lái)的電動(dòng)汽車(chē)用戶(hù)群體行為不可觀察、平臺(tái)數(shù)據(jù)不可測(cè)、聚合業(yè)務(wù)狀態(tài)不可控的安全風(fēng)險(xiǎn)。隨著電動(dòng)汽車(chē)充電站的日益智能化，其對(duì)網(wǎng)絡(luò)攻擊的脆弱性也隨之上升，電動(dòng)汽車(chē)充電站暴露于各種網(wǎng)絡(luò)攻擊中，包括拒絕服務(wù)（dos）、數(shù)據(jù)欺騙、數(shù)據(jù)重放和數(shù)據(jù)操縱攻擊等。

3、另外，由于第三方負(fù)荷聚合商中各類(lèi)智能化設(shè)備、系統(tǒng)和應(yīng)用快速發(fā)展，通過(guò)網(wǎng)絡(luò)安全手段進(jìn)行跨信息-物理域的電力系統(tǒng)攻防技術(shù)成為新趨勢(shì)，針對(duì)電動(dòng)汽車(chē)的跨域攻防原理以及關(guān)鍵技術(shù)成為亟需研究和解決的前瞻性問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本發(fā)明提供充電數(shù)據(jù)入侵特征檢測(cè)方法、裝置、存儲(chǔ)介質(zhì)及設(shè)備，通過(guò)雙向長(zhǎng)度其以及算法對(duì)電動(dòng)汽車(chē)充電過(guò)程中數(shù)據(jù)可能存在的篡改行為進(jìn)行辨識(shí)，從而區(qū)分攻擊行為和常規(guī)充電異常過(guò)程。

2、第一方面，本發(fā)明提供一種充電數(shù)據(jù)入侵特征檢測(cè)方法，包括：

3、獲取充電數(shù)據(jù)的電氣特征參數(shù)集合，并根據(jù)所述電氣特征參數(shù)集合得到充電數(shù)據(jù)的時(shí)域特征參數(shù)集合；

4、將所述充電數(shù)據(jù)的時(shí)域特征參數(shù)集合輸入至特征搜索模型，得到充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)；

5、將所述充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)輸入至訓(xùn)練好的雙向長(zhǎng)短期記憶模型，得到充電數(shù)據(jù)入侵行為識(shí)別結(jié)果。

6、進(jìn)一步的，所述充電數(shù)據(jù)的電氣特征參數(shù)集合包括多個(gè)時(shí)刻的充電母線上的電壓參數(shù)、電流參數(shù)和頻率信號(hào)參數(shù)；

7、所述充電數(shù)據(jù)的時(shí)域特征參數(shù)集合包括充電數(shù)據(jù)均值、充電數(shù)據(jù)標(biāo)準(zhǔn)差、充電數(shù)據(jù)均方根、充電數(shù)據(jù)峰值、充電數(shù)據(jù)偏度、充電數(shù)據(jù)影響因子和充電數(shù)據(jù)信噪比；

8、所述根據(jù)所述電氣特征參數(shù)集合得到充電數(shù)據(jù)的時(shí)域特征參數(shù)集合具體為：針對(duì)電氣特征數(shù)據(jù)參數(shù)集合中任一時(shí)刻的充電母線上的電壓參數(shù)、電流參數(shù)和頻率信號(hào)參數(shù)的任意一項(xiàng)作為該時(shí)刻的充電數(shù)據(jù)信號(hào)，結(jié)合時(shí)空分布特性計(jì)算得到充電數(shù)據(jù)均值、充電數(shù)據(jù)標(biāo)準(zhǔn)差、充電數(shù)據(jù)均方根、充電數(shù)據(jù)峰值、充電數(shù)據(jù)偏度、充電數(shù)據(jù)影響因子和充電數(shù)據(jù)信噪比。

9、進(jìn)一步的，所述充電數(shù)據(jù)均值的具體表達(dá)式為：

10、，

11、其中，為充電數(shù)據(jù)均值，為第個(gè)充電數(shù)據(jù)采集時(shí)刻的充電數(shù)據(jù)信號(hào)，為充電數(shù)據(jù)采集數(shù)量；

12、充電數(shù)據(jù)標(biāo)準(zhǔn)差的具體表達(dá)式為：

13、，

14、其中，為充電數(shù)據(jù)標(biāo)準(zhǔn)差；

15、所述充電數(shù)據(jù)均方差的具體表達(dá)式為：

16、，

17、其中，為充電數(shù)據(jù)均方根；

18、所述充電數(shù)據(jù)峰值的表達(dá)式為：

19、，

20、其中，為充電數(shù)據(jù)峰值；

21、所述充電數(shù)據(jù)偏度的具體表達(dá)式為：

22、，

23、其中，為充電數(shù)據(jù)偏度；

24、所述充電數(shù)據(jù)影響因子的具體表達(dá)式為：

25、，

26、其中，為充電數(shù)據(jù)影響因子，為充電數(shù)據(jù)信號(hào)峰值；

27、所述充電數(shù)據(jù)信噪比的具體表達(dá)式為：

28、，

29、其中，為充電數(shù)據(jù)信噪比，為充電數(shù)據(jù)的信號(hào)功率，為充電數(shù)據(jù)的噪聲功率。

30、進(jìn)一步的，所述將所述充電數(shù)據(jù)的時(shí)域特征參數(shù)集合輸入至特征搜索模型，得到充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)，包括：

31、步驟s201，設(shè)置初始化的選定特征集和最佳性能得分；

32、步驟s202，將任意一個(gè)充電數(shù)據(jù)的時(shí)域特征參數(shù)輸入至初始化的選定特征集，得到第一選定特征集；

33、步驟s203，將第一選定特征集輸入至特征搜索模型，得到第一選定特征集的第一性能得分；

34、步驟s204，若所述第一性能得分大于初始化的最佳性能得分，將所述第一性能得分更新為最佳性能得分；

35、步驟s205，重復(fù)步驟s202-步驟s204，直至所有充電數(shù)據(jù)的時(shí)域特征參數(shù)均得到第一性能得分；

36、步驟s206，將所述最佳性能得分對(duì)應(yīng)的第一選定特征集更新為最優(yōu)選定特征集，得到充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)。

37、進(jìn)一步的，所述雙向長(zhǎng)短期記憶模型的具體表達(dá)式為：

38、

39、其中，為雙向長(zhǎng)短期記憶模型的輸入門(mén)函數(shù)，為sigmoid函數(shù)，為第一權(quán)重矩陣，為第二權(quán)重矩陣，為第一偏置項(xiàng)，為前一時(shí)刻的隱藏狀態(tài)，為后一時(shí)刻的隱藏狀態(tài)，為充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)；為雙向長(zhǎng)短期記憶模型的遺忘門(mén)函數(shù)，為第三權(quán)重矩陣，為第四權(quán)重矩陣，為第二偏置項(xiàng)；為雙向長(zhǎng)短期記憶模型的輸出門(mén)函數(shù)，?為第五權(quán)重矩陣，為第六權(quán)重矩陣，為第三偏置項(xiàng)；為前向細(xì)胞狀態(tài)，為前一時(shí)刻的前向細(xì)胞狀態(tài)，為第七權(quán)重矩陣，為第八權(quán)重矩陣，為第四偏置項(xiàng)；為后向細(xì)胞狀態(tài)，為后一時(shí)刻的后向細(xì)胞狀態(tài)，為第七權(quán)重矩陣，為第八權(quán)重矩陣，為第四偏置項(xiàng)；為前向隱藏狀態(tài)；為后向隱藏狀態(tài)；為雙向長(zhǎng)短期記憶模型的輸出項(xiàng)，為輸出權(quán)重矩陣，為輸出偏置項(xiàng)。

40、進(jìn)一步的，所述充電數(shù)據(jù)特征檢測(cè)方法，還包括：

41、步驟s301，獲取電動(dòng)汽車(chē)、電動(dòng)汽車(chē)充電站和電網(wǎng)之間的交互拓?fù)潢P(guān)系，基于所述交互拓?fù)潢P(guān)系得到充電數(shù)據(jù)異常數(shù)據(jù)集；

42、步驟s302，根據(jù)所述充電數(shù)據(jù)異常數(shù)據(jù)集得到充電異常數(shù)據(jù)的時(shí)域特征參數(shù)集合，并將所述充電異常數(shù)據(jù)的時(shí)域特征參數(shù)集合輸入至特征搜索模型，得到充電異常數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)；

43、步驟s303，將所述訓(xùn)練集輸入至雙向長(zhǎng)短期記憶模型進(jìn)行訓(xùn)練調(diào)整雙向長(zhǎng)短期記憶模型的參數(shù)，并將所述測(cè)試集輸入至訓(xùn)練后的雙向長(zhǎng)短期記憶模型得到損失函數(shù)；

44、步驟s304，若所述損失函數(shù)低于設(shè)定閾值，返回步驟s303調(diào)整雙向長(zhǎng)短期記憶模型的參數(shù)；

45、步驟s305，若所述損失函數(shù)不低于設(shè)定閾值，則輸出訓(xùn)練后的雙向長(zhǎng)短期記憶模型。

46、進(jìn)一步的，所述充電數(shù)據(jù)入侵時(shí)傳感器讀數(shù)的具體表達(dá)式為：

47、，

48、其中，為充電數(shù)據(jù)入侵時(shí)間的傳感器讀數(shù)，為充電數(shù)據(jù)未被入侵的傳感器讀數(shù)，為充電數(shù)據(jù)被入侵的影響。

49、第二方面，本發(fā)明還提供一種充電數(shù)據(jù)入侵特征檢測(cè)裝置，包括：

50、參數(shù)獲取模塊，用于獲取充電數(shù)據(jù)的電氣特征參數(shù)集合，并根據(jù)所述電氣特征參數(shù)集合得到充電數(shù)據(jù)的時(shí)域特征參數(shù)集合；

51、參數(shù)篩選模塊，用于將所述充電數(shù)據(jù)的時(shí)域特征參數(shù)集合輸入至特征搜索模型，得到充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)；

52、入侵識(shí)別模塊，用于將所述充電數(shù)據(jù)的最優(yōu)時(shí)域特征參數(shù)輸入至訓(xùn)練好的雙向長(zhǎng)短期記憶模型，得到充電數(shù)據(jù)入侵行為識(shí)別結(jié)果。

53、第三方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面中任一項(xiàng)充電數(shù)據(jù)入侵特征檢測(cè)方法的步驟。

54、第四方面，本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，執(zhí)行第一方面中任一項(xiàng)充電數(shù)據(jù)入侵特征檢測(cè)方法。

55、采用上述技術(shù)方案的有益效果為：本實(shí)施例通過(guò)對(duì)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)充電數(shù)據(jù)的入侵特征進(jìn)行檢測(cè)，提高電動(dòng)汽車(chē)充電數(shù)據(jù)的安全性和準(zhǔn)確性，防止客戶(hù)與充電樁的利益受到網(wǎng)絡(luò)攻擊損壞。