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

来源：电测与仪表, 2022, 1-9.

• 电力系统状态估计
• 虚假数据注入攻击
• 数据驱动
• 改进图卷积网络
• 变分自编码器

电力系统状态估计（Power System State Estimation， PSSE）在现代智能电网的稳定运行中起着至关重要的作用，但它也容易遭受网络攻击。虚假数据注入攻击（False Data Injection Attacks， FDIA）是最常见的网络攻击方式之一，它可以篡改量测数据并绕过不良数据检测（Bad Data Detection， BDD）机制，从而导致不正确的状态估计结果。文中提出一种基于数据驱动的针对PSSE的FDIA防御框架，该框架包含异常检测子框架和数据恢复子框架。异常检测部分采用改进的图卷积网络（Improved Graph Convolutional Network， IGCN）模型，该模型采用动态的边缘条件滤波器作用于图结构中，有效利用电力系统的拓扑信息、节点特征和边特征，从而检测出异常值。数据恢复部分采用变分自编码器（Variational Auto-Encoder， VAE）模型，该模型将深度学习思想与贝叶斯推理相结合，可以有效地将异常数据恢复到在正常运行情况下的数值。针对不同攻击强度和攻击程度下的IEEE14系统进行案例研究，以评估防御框架的检测与恢复性能。仿真结果表明，基于IGCN的异常检测子框架性能优于常规的数据驱动模型框架，其总体精确率为99.348%，召回率为99.331%，F1值为99.324%，基于VAE的数据恢复子框架的总体平均绝对误差为0.005 34 p.u.，证明了防御框架优异的检测与恢复性能。

• 单位
  华南理工大学