本发明涉及分布式光伏配电网信息层保护，尤其涉及一种分布式光伏配电网不同频率注入攻击识别方法及系统。
背景技术：
1、随着分布式光伏发电设备技术的不断成熟和广泛建设，分布式光伏在配电网中占有越来越大的比重，大量传感装置接入网络之中。大数据、云计算、物联网等技术的发展推动新型数字技术和新型电力系统的深度融合，海量数据资源涌入高比例光伏设备接入的新型配电网，部分暴露在开放的网络环境之中。
2、不同于其他系统，分布式光伏配电网的数据采集模块较为敏感。在光伏配电网中，光照强度、环境温度等环境因素导致数据具有较强的波动性；传感器数量多、分布范围较广，导致部分数据出现采集中断等问题；强信号源干扰、通信协议等因素可能会导致数据传输过程产生时延。
3、对信息系统的高依存度和光伏数据的敏感特性导致高比例光伏配电网容易遭受网络攻击的威胁。攻击者可以根据系统的量测雅克比矩阵实现虚假数据注入攻击（fdia），利用能量管理系统中的坏数据检测漏洞，恶意篡改状态估计结果，严重危害电力系统的安全可靠运行。因此，虚假数据注入攻击的辨识与防御成为保障电力系统信息安全性以及运行稳定性的一个新挑战。
4、目前对于虚假数据注入检测的方法主要分为模型驱动和数据驱动。卷积神经网络(cnn)作为一种深度学习方法，具有良好的特征提取能力，被广泛应用于攻击检测。传统的卷积神经网络只能使用一个输入，限制了输入信息的数量，无法同时将时域和频域的信息作为输入；提取出的大量特征中有部分尚未被识别，存在冗余特征，会对识别精度产生负面影响。
5、综上所述，如何高效快速的同时提取有用的时频特征，实现精准攻击识别，成为目前虚假数据注入检测过程中亟待解决的技术问题。
技术实现思路
1、针对现有技术存在的不足，本发明的目的是提供一种分布式光伏配电网不同频率注入攻击识别方法及系统，提出一种基于挤压激励（se）的双卷积神经网络（dcnn），能够突出有用特征，弱化冗余特征，从而使提取的特征有利于分类，弥补了传统卷积神经网络在分布式光伏配电网虚假数据注入攻击识别中的局限性，达到丰富输入信息并提高检测精度的目的。
2、为了实现上述目的，本发明是通过如下的技术方案来实现：
3、本发明第一方面提供了一种分布式光伏配电网不同频率注入攻击识别方法，包括以下步骤：
4、获取分布式光伏配电网的遥测数据信号，作为时域数据；
5、利用快速傅里叶变换对时域数据进行时频变换，得到时域数据的频域信号；
6、利用双卷积神经网络模型对时域数据和频域信号进行处理，得到虚假数据注入攻击的识别和分类结果，其中，双卷积神经网络模型的数据处理过程中交替使用挤压激励结构，挤压激励结构为每个特征分配权重，突出有用特征，弱化冗余特征；
7、根据虚假数据注入攻击的识别和分类结果检测虚假数据的位置。
8、进一步的，所述双卷积神经网络模型的训练过程包括：
9、利用两个不同的卷积层分别实现时域特征和频域特征的映射和学习；
10、并将长度相同的时域特征和频域特征拼接融合为时频域特征；
11、再由池化层压缩时频域特征尺寸。
12、进一步的，挤压激励结构中，挤压过程为将全局空间信息被压缩为信道描述符。
13、进一步的，挤压激励结构中，激励过程为将挤压操作得到的信道描述符输入到激励操作中。
14、进一步的，所述双卷积神经网络模型中将softmax函数作为虚假数据注入攻击分类的最后一层。
15、进一步的，虚假数据注入攻击包括：虚假振荡攻击、斜坡攻击、规模攻击、数据交换攻击和回放攻击。
16、更进一步的，对于未知攻击，根据未知攻击的影响与已知虚假数据注入攻击的相似程度进行归类。
17、进一步的，根据虚假数据注入攻击的识别和分类结果，利用局部异常因子算法在时域数据的基础上检测虚假数据的位置。
18、更进一步的，将攻击持续的事件视为异常数据，通过测量数据相对于其邻居的局部密度来发现和确定异常数据，寻找攻击持续的事件的开始时间和结束时间，实现频率注入攻击的定位检测。
19、本发明第二方面提供了一种分布式光伏配电网不同频率注入攻击识别系统，包括：
20、数据采集与监控模块，被配置为获取分布式光伏配电网的遥测数据信号，作为时域数据；
21、数据准备模块，被配置为利用快速傅里叶变换对时域数据进行时频变换，得到时域数据的频域信号；
22、攻击识别模块，被配置为利用双卷积神经网络模型对时域数据和频域信号进行处理，得到虚假数据注入攻击的识别和分类结果，其中，双卷积神经网络模型的数据处理过程中交替使用挤压激励结构，挤压激励结构为每个特征分配权重，突出有用特征，弱化冗余特征；
23、位置检测模块，被配置为根据虚假数据注入攻击的识别和分类结果检测虚假数据的位置。
24、以上一个或多个技术方案存在以下有益效果：
25、本发明公开了一种分布式光伏配电网不同频率注入攻击识别方法及系统，考虑到分布式光伏规模化接入配电网后带来的监测数据间断性、波动性、随机性，以及时域、频域特征单独用于网络攻击识别导致的精度较低问题，提出一种基于挤压激励结构的双卷积神经网络的虚假数据注入攻击检测方法，同时考虑时频特征，并消除冗余特征，极大提高了检测效率和精度，解决了光伏数据随机波动降低异常数据检测精度的痛点。
26、本发明将虚假数据注入攻击归类为斜坡攻击、数据交换攻击、规模攻击、数据丢失攻击、虚假振荡攻击。如果出现未知攻击，并且其对系统的影响类似于规模攻击和斜坡攻击，那么也可以将其归类为相同的主要类别，大大降低未知攻击的影响，并利用局部异常因子在原始数据的基础上检测虚假数据的位置，实现了攻击数据的分类识别和位置检测。
27、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种分布式光伏配电网不同频率注入攻击识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，所述双卷积神经网络模型的训练过程包括：
3.如权利要求1所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，挤压激励结构中，挤压过程为将全局空间信息被压缩为信道描述符。
4.如权利要求1所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，挤压激励结构中，激励过程为将挤压操作得到的信道描述符输入到激励操作中。
5.如权利要求1所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，所述双卷积神经网络模型中将softmax函数作为虚假数据注入攻击分类的最后一层。
6.如权利要求1所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，虚假数据注入攻击包括：虚假振荡攻击、斜坡攻击、规模攻击、数据交换攻击和回放攻击。
7.如权利要求6所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，对于未知攻击，根据未知攻击的影响与已知虚假数据注入攻击的相似程度进行归类。
8.如权利要求1所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，根据虚假数据注入攻击的识别和分类结果，利用局部异常因子算法在时域数据的基础上检测虚假数据的位置。
9.如权利要求8所述的分布式光伏配电网不同频率注入攻击识别方法，其特征在于，将攻击持续的事件视为异常数据，通过测量数据相对于其邻居的局部密度来发现和确定异常数据，寻找攻击持续的事件的开始时间和结束时间，实现频率注入攻击的定位检测。
10.一种分布式光伏配电网不同频率注入攻击识别系统，其特征在于，包括：
