本发明涉及风电功率预测，特别是指一种面向风电功率预测的fdi攻击检测方法。
背景技术：
1、随着科技的进步，社会对能源的需求日益增长，推动了对清洁、经济、可持续能源的探索。截至2024年3月底，全国可再生能源装机达到15.85亿千瓦，同比增长26％，约占我国总装机的52.9％，其中，风电和光伏发电之和突破11亿千瓦。全国风电累计并网容量达到4.57亿千瓦，同比增长22％。随着技术的进步和政策的支持，风电等可再生能源必将迎来更广阔的发展空间。
2、然而风的随机性、波动性和不确定性给风电功率预测带来了巨大挑战，提高风电功率预测精度在可再生能源管理和电网运营领域变得尤为关键。尽管基于时间序列的风电功率预测方法已被证明能提高预测精度，但风电领域的监控控制与数据采集(supervisorycontrol and data acquisition，scada)系统在网络安全方面面临着严峻挑战，特别是虚假数据注入(false data injection，fdi)攻击，通过篡改或注入错误数据对风电功率预测精度构成严重威胁。因此，研究如何保护风电数据免受fdi攻击，对于风电厂的经济效益和电网的稳定都具有重要意义。
3、现有文献中的fdi检测方法主要分为两类：基于模型的算法和数据驱动的算法。基于模型的算法依赖于系统的物理模型和参数来改进系统的静态和动态状态估计器。尽管在某些情况下有效，但计算量大、成本高、可扩展性差。数据驱动的算法则提供了一种无需系统模型或参数的替代方案，通过使用深度信念网络(deep belief networks，dbn)、强化学习(reinforcement learning，rl)、长短期记忆网络(long short-term memory networks，lstm)和支持向量机(support vector machine，svm)等技术，展现出在fdi攻击检测中的潜力。但这些方法在风电功率预测领域的应用有限，且多数依赖于特定攻击类型的标记数据集，对未知攻击识别能力不足。此外，大多数传统方法在处理被攻击数据时忽略了数据恢复步骤。
技术实现思路
1、本发明要解决的技术问题是提供一种面向风电功率预测的fdi攻击检测方法，以增强风电预测模型的鲁棒性，提高风电厂的经济效益和电网的稳定性。
2、为解决上述技术问题，本发明提供技术方案如下：
3、一种面向风电功率预测的fdi攻击检测方法，包括：
4、步骤s101：获取待检测的风电功率数据，得到待检测数据集；
5、步骤s102：借鉴k折交叉验证的思想对所述待检测数据集进行初步划分，将其均分为k个子集；
6、步骤s103：在每一轮迭代中，轮流选取其中一个子集作为测试集；
7、步骤s104：使用训练完成的sae对各测试集进行测试，计算sae重构后的各测试集数据的重构误差；
8、步骤s105：若满足公式：
9、σ>σ0，且rmax>μ+hσ
10、式中，σ为各测试集数据的重构误差的标准差，σ0为预设阈值，rmax为各测试集数据的重构误差的最大值，μ为各测试集数据的重构误差的均值，h为预设系数；
11、则将rmax对应的具有最大重构误差的测试集标记为被攻击数据，并从所述待检测数据集中移除，原本的k折交叉验证相应地转变为k-1折交叉验证，转至步骤s103。
12、进一步的，所述步骤s102中，k为10；
13、和/或，所述步骤s103包括：
14、利用滑动窗口技术对测试集数据进行细分，确保样本数量m按照以下公式确定：
15、
16、其中，n代表数据集的总数据量，ω代表滑动窗口大小，s代表移动步长，表示向下取整操作，确保得到的样本数量是整数。
17、进一步的，sae的训练过程包括：
18、步骤a1：获取风电功率数据样本，得到原始数据集；
19、步骤a2：对所述原始数据集中的部分数据进行缩放攻击；
20、步骤a3：利用缩放攻击后的数据集，结合k折交叉验证，对sae进行训练。
21、进一步的，所述步骤a2中，对所述原始数据集中15％-30％的数据进行缩放攻击，所述缩放攻击的缩放因子为0.3-0.5。
22、进一步的，所述步骤a3包括：
23、步骤a31：借鉴k折交叉验证的思想对所述缩放攻击后的数据集进行初步划分，将其均分为k个子集；
24、步骤a32：在每一轮迭代中，轮流选取其中一个子集作为测试集，而将其余的k-1个子集合并构成训练集，利用滑动窗口技术对训练集和测试集数据进一步细分后训练所述sae。
25、进一步的，所述步骤s105之后还包括：
26、步骤s106：将所有已标记的被攻击数据输入到训练完成的dae中，进行被攻击数据恢复。
27、进一步的，dae的训练过程包括：
28、步骤b1：获取风电功率数据样本，得到未被攻击的原始数据集；
29、步骤b2：对原始数据集添加标准正态分布的噪声，得到训练数据集；
30、步骤b3：利用所述训练数据集训练所述dae。
31、进一步的，所述步骤b2中，所述噪声为0.1-0.3倍标准正态分布的噪声；
32、和/或，所述步骤b3中，将所述训练数据集的80％用于训练所述dae，剩余的20％用于测试模型恢复数据的能力。
33、进一步的，所述步骤a2中，通过缩放攻击，系统数据的一部分会按照原始值的一定百分比增加或减少，被建模为：
34、
35、其中，ts和te分别代表网络攻击的开始时间和结束时间，αs代表缩放因子，dt是原始数据集，而是被攻击的数据集。
36、进一步的，所述步骤s105中，利用z分数识别被攻击数据，z分数量化了单个数据点与数据集平均值的关系，能够帮助在数据集中识别出异常或离群点，z分数的计算基于以下公式：
37、
38、其中，x＝{x1,x2,…,xn}代表观测值，μ表示观测值的均值，σ表示观测值的标准差，在应用z分数进行检测时，必须设定一个阈值，这个阈值对应于正态分布中数据点偏离均值较远的区域。
39、本发明具有以下有益效果：
40、本发明提供了一种面向风电功率预测的fdi攻击检测及数据恢复方法，该方法借鉴k折交叉验证的思想，能够有效检测并恢复由fdi攻击导致的被攻击数据。本发明采用的检测方法简便易行，无需大量手动标记数据。经过验证，与现有技术相比，本发明不依赖于特定攻击类型的标记数据集，能有效识别新型或未知的攻击模式，同时通过数据恢复步骤，防止了因简单删除攻击数据而造成的信息丢失，保障了数据的完整性。实施本方法后，显著提升了风电功率预测的稳定性和准确性，为风电厂经济和电网稳定提供了技术保障。此外，本方法的普适性强，不仅适用于风电功率预测领域，还可推广应用于多种需要攻击检测与数据恢复的场景。
1.一种面向风电功率预测的fdi攻击检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤s102中，k为10；
3.根据权利要求1所述的方法，其特征在于，sae的训练过程包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤a2中，对所述原始数据集中15％-30％的数据进行缩放攻击，所述缩放攻击的缩放因子为0.3-0.5。
5.根据权利要求3所述的方法，其特征在于，所述步骤a3包括：
6.根据权利要求1-5中任一所述的方法，其特征在于，所述步骤s105之后还包括：
7.根据权利要求6所述的方法，其特征在于，dae的训练过程包括：
8.根据权利要求7所述的方法，其特征在于，所述步骤b2中，所述噪声为0.1-0.3倍标准正态分布的噪声；
9.根据权利要求6所述的方法，其特征在于，所述步骤a2中，通过缩放攻击，系统数据的一部分会按照原始值的一定百分比增加或减少，被建模为：
10.根据权利要求6所述的方法，其特征在于，所述步骤s105中，利用z分数识别被攻击数据，z分数量化了单个数据点与数据集平均值的关系，能够帮助在数据集中识别出异常或离群点，z分数的计算基于以下公式：
