基于编码策略的电网假数据注入攻击检测.docx

【基于编码策略的电网假数据注入攻击检测】 随着信息技术和通信技术在电力系统的广泛应用，传统电网逐步演变为智能电网，提升了能源效率。然而，这种开放性也引入了新的安全风险，比如虚假数据注入攻击（False Data Injection Attack, FDIA）。FDIA通过篡改SCADA系统收集的数据，误导状态估计，进而逃避不良数据检测机制，对电力系统的安全性构成严重威胁。状态估计是能源管理系统（Energy Management System, EMS）的关键步骤，其结果影响着系统其他功能如BDD和传输稳定性分析。 近年来，针对FDIA的检测方法分为两大类：基于模型的方法和基于数据驱动的方法。基于模型的方法利用实时数据和静态数据建模，如自回归模型、最速检测框架、卡尔曼滤波等。但这类方法依赖模型精确度，实际应用受限。基于数据驱动的方法则分析历史数据的统计特性，如KL散度、统计学方法和机器学习。尽管机器学习方法如极限学习机、隔离森林、深度置信网络和卷积神经网络在检测FDIA方面表现出色，但它们通常计算复杂度高，增加系统负担。 针对现有方法的局限，本文提出了一种基于编解码策略的FDIA检测方法，它具有简单结构，不需额外检测设备，只需在数据传输前后设置编码器和解码器。相比已有方法，它可以显著降低算法的计算复杂度。尽管已有研究尝试将编解码策略应用于信息物理系统，但并未充分考虑智能电网特有的通信限制、最优赋值策略和非线性模型。 本文的主要贡献如下： 1. 提出了适用于智能电网状态估计的基于编解码策略的FDIA检测机制，通过编码和解码矩阵破坏攻击向量的隐蔽性，增强检测能力。 2. 对于直流线性模型，设计了数据驱动的方法来确定最优编码和解码矩阵，并考虑了通信约束与否两种情况。 3. 针对交流非线性模型，通过构建拉伸矩阵增大受攻击冗余观测的残差，提出相应的编码和解码方案，并给出了解码矩阵设计的条件。 系统模型部分，文章会详细阐述智能电网的直流线性模型和交流非线性模型，以及FDIA如何在这两种模型中实施。对于直流线性模型，将探讨如何设计有效的编码和解码策略，而在交流非线性模型中，由于其复杂性，可能需要更复杂的处理来确保检测的有效性。通过对这两种模型的深入分析，本文的方法旨在提供一种兼顾高效性和准确性的FDIA检测解决方案。