基于对抗性自动编码器的城市配电网虚假数据注入攻击检测

在信息物理高度融合背景下,快速、准确地检测虚假数据注入攻击(false data injection attacks,FDIAs)是城市配电网安全稳定运行的关键。提出一种基于对抗性自动编码器的城市配电网FDIAs检测方法,将自动编码器和生成对抗网络结合,能够提取数据特征,发现FDIAs引起的配电网数据异常,并在少量标记数据的基础上完成网络训练,避免出现高昂标记成本的同时,还可减少FDIAs检测对网络拓扑结构的依赖。通过典型配电网案例仿真和结果分析,验证所提方法与现有FDIAs检测方法相比,在检测精度与效率方面都有一定优势,适用于规模日益庞大的城市配电网。

基于卡尔曼滤波的电力虚假数据注入攻击检测方法

能源互联网的主体是基于状态估计下的电力系统。虚假数据注入攻击(FDIA)通过恶意篡改或注入电力数据,进而引发错误的状态估计结果。这种攻击方式存在引发大面积停电事故的风险,严重影响能源互联网的正常运行。在matpower 4.0中的IEEE 14节点系统上,利用以残差方程为基础的标准残差检测法和目标函数极值法,对FDIA进行了检测实验。提出了一种基于卡尔曼滤波的FDIA检测方法,并在MATLAB上进行了验证。实验结果表明,该方法可以在短时间内发现FDIA的发生。

电力自动化调度系统虚假数据注入攻击检测

基于虚假数据注入攻击原理,采用加权最小二乘法通过计算状态变量残差误差,获取电力自动化调度系统状态估计量;利用卷积神经网络模型划分状态估计得到的电力自动化系统的虚假数据,通过前向传播和后向传播两阶段训练卷积神经网络,并更新网络参数;经SoftMax函数分类器输出的分类结果即为检测到的虚假数据注入攻击。实验表明,该算法在重放攻击发生后仍然能快速检测虚假数据注入攻击,可在注入攻击途中过滤较高概率的虚假数据,过滤能耗低、检测率高。