一种用于在PMU辅助状态估计中区分虚假数据注入攻击与突发负荷变化的两阶段物理感知框架

《Sustainable Energy, Grids and Networks》:A two-stage physics-aware framework for distinguishing false data injection attacks from sudden load changes in PMU-assisted state estimation

【字体: 大 中 小 】 时间:2026年10月22日 来源:Sustainable Energy, Grids and Networks 5.6

编辑推荐:

   •单类主成分分析(PCA)可在无标注虚假数据注入攻击(FDIA)数据的情况下筛选PMU异常。 •双视角突然负荷变化(SLC)共识机制减少了在工况漂移下的FDIA误判。 •随机目标FDIA在两IEEE测试系统上的真阳性率(TPR)均超过基准。 •精确物理模仿攻击仍不在该方法适用

  

•单类主成分分析(PCA)可在无标注虚假数据注入攻击(FDIA)数据的情况下筛选PMU异常。
•双视角突然负荷变化(SLC)共识机制减少了在工况漂移下的FDIA误判。
•随机目标FDIA在两IEEE测试系统上的真阳性率(TPR)均超过基准。
•精确物理模仿攻击仍不在该方法适用范围之内。

引言
现代电力系统日益依赖先进的信息与通信技术(ICT)以确保安全可靠运行。然而,这些由ICT赋能的基础设施本质上对网络物理威胁极为敏感,此类威胁可能危及电力系统安全,甚至可能破坏社会稳定。因此,防范电力系统遭受网络攻击至关重要。网络物理系统面临多种安全威胁,包括全球定位系统(GPS)欺骗攻击、拒绝服务(DoS)攻击和虚假数据注入攻击(FDIA)。其中,FDIA尤为关键,因为它针对传感器测量的完整性,可能导致状态估计器产生错误的系统状态。此类被篡改的估计值可能误导系统操作员,从而导致错误的控制操作。

状态估计利用冗余的实时测量值来提升系统状态估计精度,同时过滤掉随机测量噪声。其在电力系统中的主要目标是准确确定系统状态,尤其是母线电压相量。作为能量管理系统(EMS)中的一项关键功能,状态估计在评估电力系统安全方面发挥着重要作用,尤其在负荷需求不断上升的情况下。

隐蔽型虚假数据攻击经过精心设计,使其注入向量能够规避标准坏数据检测(BDD)机制。通过破坏数据完整性,此类FDIA可绕过控制中心的BDD框架。若未能正确识别这些恶意输入,可能导致电力系统设备遭受物理损坏,或造成重大经济损失。

FDIA的检测可大致分为两类:知识驱动方法和数据驱动方法。基于知识的检测方法依赖对电力系统中状态估计机制的预先了解来构建人工检测模型。这些方法需要事先获取状态信息,从而能够使用基于推理的模型来预测和评估电网状态。高级状态估计器、基于观测者的方案和卡尔曼滤波机制等技术均属于此类。然而,当面对系统建模和参数变化时,这些方法往往力不从心。

相比之下,数据驱动方法无需详细了解电力系统内部过程即可工作。相反,它们通过对大量历史测量数据进行训练来构建FDIA检测的经验模型。常用的技术包括统计分析和基于人工智能(AI)的方法。近期的综合综述也强调了机器学习方法在电力系统状态估计中日益增长的作用,包括其在异常检测和数据质量挑战中的应用。AI驱动的框架通过特定的算法对样本数据集进行训练来开发检测模型,侧重于生成检测问题的近似表示。该领域中流行的AI技术包括强化学习、深度学习、神经网络、极限学习机和K均值聚类等。例如,有人提出了一种混合CNN-LSTM框架用于电力电网的FDIA检测。然而,基于AI的方法常因其透明度有限以及依赖数据可用性和训练质量而受到批评,这两者都对检测性能有至关重要的影响。本文提出的框架同样需要数据用于单类模型拟合和阈值校准,但仅使用正常运行和物理生成的SLC样本,无需标注FDIA数据。

基于统计分析的检测技术通过检查、处理和分析测量数据来识别FDIA,主要关注样本测量的统计特性。若干方法源自传统BDD方案的扩展。由于FDIA攻击向量通常基于残差原理构建,Chaojun等人摒弃了残差计算,转而提出了一种基于Kullback–Leibler散度(KLD)的框架。在该方法中,检测阈值设定为历史测量与实时测量之间的KLD值,并通过比较两个分布来识别攻击。然而,当攻击者设计的伪造数据分布与历史分布相似时,该方法将失效。Narang和Bag进一步研究了物理模型学习以构建针对电力系统状态估计的虚假数据注入攻击,强调了模型感知攻击机制的重要性。

后续研究通过引入测量值之间的时间依赖性改进了基于KLD的方法,但在检测某些母线上的攻击时仍然无效。为了提高精度,He等人及Singh等人将图像变换集成到KLD框架中,从而提升了检测性能。尽管如此,当攻击强度较低时,KLD难以区分近乎相同的分布。为此,有人引入了一种新框架,用于区分标称电网状态与异常电网状态。类似地,Asefi等人将基于模型与数据驱动的概念相结合,用于电力系统状态估计中的异常检测与分类,进一步凸显了超越简单二元异常检测的需求。

有人提出了一种基于广义似然比的序贯检测器用于快速FDIA检测,并将其进一步扩展为适用于广域监控的带电平触发采样的分布式序贯检测方案。还有一种基于马尔可夫链的分析框架被提出用于检测智能电网中的伪造测量值,同时为智能电表建议了协同入侵检测策略。有人应用统计一致性检查来利用PMU测量检测部分FDIA,但对PMU数据安全的假设限制了其实用性。

一种基于Wasserstein距离的检测方案虽然实现了高精度,但代价是较长的检测时间。另一种方法专注于识别PMU读数中的数据篡改,而有人提出了一种用于FDIA检测的分布式状态估计框架。Hu等人结合了静态和动态状态估计,但这种双算法方案增加了计算开销。Zhang等人设计了一种带预测辅助状态估计的平方根无迹卡尔曼滤波器,并使用广义似然比检验处理连续时间样本。此外,有人探索了基于聚类的检测方法用于识别配备PMU的智能电网中的网络攻击。有人采用改进的状态估计算法来检测和定位攻击。Dehbozorgi等人提出了一种后果驱动的优化框架,用于检测和定位配电系统中针对状态估计的隐蔽FDIA。Zhang等人建议使用电力系统区间动态状态估计来检测FDI并恢复状态。

对现有文献的调研揭示了若干关键空白,这促使了本文所提框架的开发。首先,大多数现有的FDIA检测方法,无论是知识驱动的(如高级状态估计器、观测器方案和卡尔曼滤波)还是数据驱动的(如强化学习、深度学习、神经网络、极限学习机、K均值聚类和混合CNN-LSTM),主要关注正常状态与攻击状态之间的二元分类。区分FDIA与突然负荷变化(SLC)的实际挑战——后者可能在测量数据中产生相似的统计特征——却未得到充分关注。基于KL散度、Wasserstein距离和图像变换的方法在检测异常方面行之有效,但无法提供分类异常来源的机制。在具有频繁负荷变化的系统中,这会增加误报率,而这在现代高比例可再生能源渗透的电网中尤为常见。其次,基于深度学习的方法如CNN-LSTM、A-BiTG和图卷积网络(GECCN)实现了较高的检测精度(95%–99%),但需要大量标注训练数据和显著的计算资源。A-BiTG模型在IEEE 118节点系统上报告的F1分数为95.91%,但需要使用双向时间卷积网络和门控循环网络进行基于GPU的训练。类似地,DLLD框架在IEEE 14节点系统上实现了97%的行准确率,但依赖于包含多个全连接层的CNN架构。这些方法并未明确解决恶意异常与物理上合理的SLC事件之间的区分问题。第三,MERS检验代表了一种知识驱动的方法,它也解决了SLC与FDIA的区分问题,利用非线性交流状态估计下测量特征值残差相似性。尽管在概念上相关,MERS使用特征值-残差公式,而本文提出的框架使用预测残差PMU特征和分裂保形校准的单类模型。本文方法的特定优势在于一种校准的层次化决策规则,该规则能够区分正常运行、物理上合理的SLC事件和BDD隐蔽FDIA,同时明确揭示物理模仿的可辨识边界。

本文提出的两阶段框架通过以下贡献解决上述局限:

1. 开发了一个两阶段FDIA/SLC分类框架。第一层使用分裂保形校准的单类PCA模型来筛选异常的PMU测量窗口;第二层判断激活的事件是否与真实SLC特征一致,或是否表明存在恶意数据篡改。

2. 引入了一种双视角第二层分类器,基于全特征SLC PCA模型与仅状态SLC PCA模型之间的共识。全特征模型基于电压角、电压幅值、有功功率和无功功率的变化,而仅状态模型基于电压角和电压幅值的变化。仅当两个模型均拒绝SLC假设时,激活事件才被分类为FDIA。

3. 在IEEE 14节点和IEEE 118节点系统上验证了有效性,使用随机目标状态的BDD隐蔽攻击、良性独立同分布(IID)和分布外(OOD)SLC事件,以及与所学习SLC流形对齐程度递增的攻击。

4. 与近期发表的方法进行了指示性比较,展示了一种无需攻击标签的单类实现所带来的具有竞争力的检测性能,该实现仅需正常运行和物理生成的SLC数据,无需标注FDIA样本。

本文余下部分安排如下:第2节讨论与FDIA和状态估计相关的数学背景。第3节讨论所提的两阶段FDIA/SLC分类框架。第4节讨论仿真结果。最后,第5节以结论和未来的工作范围作为结尾。

PMU辅助线性状态估计
PMU辅助线性状态估计利用完全可观测的PMU配置获得的同步母线电压和关联线路电流相量来估计复杂母线电压状态。当安装了足够的PMU时,由于PMU测量直接与状态相关,状态估计问题变为线性问题。

所提两阶段检测方法
为了可靠地检测FDIA同时避免因正常负荷变化导致的误报,开发了一种两层检测方案。第一层使用分裂保形校准的单类PCA模型来识别偏离正常运行的情况。第二层应用物理生成的SLC事件的全特征和仅状态PCA模型之间的共识,以区分恶意数据注入与合法SLC事件。

IEEE 14节点测试系统
IEEE 14节点系统由14条母线、20个支路、5台发电机和11个负荷组成,是状态估计研究的标准基准。

结论
虚假数据注入攻击仍然是PMU辅助状态估计的重大威胁,因为结构化攻击可以保持传统BDD残差不变。本文提出了一个两阶段框架,额外解决了恶意异常与物理生成的突然负荷变化之间的实际区分问题。第一层使用分裂保形校准的正常运行PCA模型来筛选异常的预测残差特征。激活的事件由第二层处理。

CRediT作者贡献声明
Vladimir Be?ejac:撰写——原稿、方法论、概念构思。Ark Dev:撰写——审阅与编辑、验证、调查。Tummala S.L.V. Ayyarao:可视化、监督、调查。Shubhrajyoti Kundu:撰写——审阅与编辑、方法论、概念构思。

利益冲突声明
作者声明,他们不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Vladimir Be?ejac | Ark Dev | Tummala S. L. V. Ayyarao | Shubhrajyoti Kundu
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号