
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向可再生能源智能电网虚假数据注入攻击检测与韧性评估的统计学上可辩护机器学习流水线
《Scientific Reports》:A statistically defensible machine learning pipeline for FDIA detection and resilience evaluation in renewable smart grids
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要假数据注入攻击代表了现代智能电网面临的一个严重的信息物理安全挑战,因为虚假测量值会影响状态估计、能源管理和运营决策。虽然文献中已经研究了多种基于机器学习的假数据注入攻击(FDIA)检测方法,但许多研究报告了来自存在数据泄露风险的实验的有偏结果,且缺乏严格的统计分析。本文提
假数据注入攻击代表了现代智能电网面临的一个严重的信息物理安全挑战,因为虚假测量值会影响状态估计、能源管理和运营决策。虽然文献中已经研究了多种基于机器学习的假数据注入攻击(FDIA)检测方法,但许多研究报告了来自存在数据泄露风险的实验的有偏结果,且缺乏严格的统计分析。本文提出了一种用于可再生智能电网的假数据注入攻击检测和运营网络安全韧性的无泄露且融入物理信息的机器学习框架。无泄露配对正常/攻击数据集是使用集成可再生和能量管理系统(EMS)相关变量的基于加州独立系统运营商(CAISO)的 IEEE 118 母线模拟场景构建的。元数据字段,包括场景 ID、样本类型、目标标签、攻击严重程度和受攻击母线数量,被排除在模型输入特征矩阵之外。该框架结合了母线级测量值、电网统计量、物理残差特征以及可再生和能量管理系统指标,并测试了逻辑回归、随机森林、极端随机树、HistGradientBoosting 和 XGBoost 模型。所提出的 XGBoost 模型在无泄露分组测试集上达到了 93.47% 的准确率、93.35% 的 F1 分数、0.9813 的 ROC-AUC 和 0.9847 的 PR-AUC。重复分组拆分验证表明了良好的稳定性,平均准确率为 93.81% ± 0.10%。经 Holm 校正的麦克尼马尔检验表明,XGBoost 与 HistGBM、随机森林(RF)和极端随机树(ET)之间存在统计学显著的配对预测差异,而 XGBoost 与逻辑回归之间的差异不具有统计学显著性。消融实验、自助法置信区间、攻击严重程度分析和网络安全韧性指数为评估透明度提供了额外支持。结果支持了在模拟可再生智能电网设置下,用于假数据注入攻击检测的无泄露机器学习评估的可行性。