基于数据驱动的电力系统虚假数据注入攻击防御框架的研究
作者:陈柏任; 夏候凯顺; 李梦诗
更新时间:
电力系统状态估计(psse)对现代智能电网的稳定运行起着重要作用,但它也容易受到网络攻击。虚假数据注入攻击(FDIA)是最常见的网络攻击之一。它可以篡改测量数据并绕过坏数据检测(BDD)机制,导致错误的状态估计结果。该文提出了一种数据驱动的psse FDIA防御框架,包括异常检测子帧和数据恢复子帧。异常检测部分采用改进的图卷积网络(igcn)模型,该模型采用动态边缘条件过滤器作用于图结构,并有效利用电力系统的拓扑信息、节点特征和边缘特征检测异常值。数据恢复部分采用变分自动编码器(VAE)模型,该模型结合了相结合深度学习和贝叶斯推理的思想,可以将异常数据恢复到有效地正常运行时的值。以IEEE-14系统为例,研究了不同攻击强度和攻击程度下的防御框架的检测和恢复性能。仿真结果表明,基于igcn的异常检测子帧的性能优于传统的数据驱动模型框架。总体准确率为99.348%,召回率为99.331%,F1值为99.324%。基于VAE的数据恢复子帧的总体平均绝对误差为0.005 34 p.u.,这证明了防御框架具有优异的检测和恢复性能。