论文部分内容阅读
能源互联网中数据完整性攻击是信息物理融合系统漏洞衍生出的新型攻击手段,其中最为典型的是虚假数据注入攻击(False Data Injection Attacks,FDIAs)。FDIAs通过多种方式将电网传感器量测值篡改,从而改变状态估计结果,并能绕过已有不良数据辨识机制。电压控制系统将会根据收集到的虚假数据下达错误控制指令使实际电压偏移量超过限度,引发电力系统失稳。研究高效检测方法,对构建安全、稳定运行的能源互联网具有非常重要的意义。针对能源互联网中数据完整性攻击,本文重点研究针对节点电压的新型攻击向量构造方法和相应的检测方法。通过分析FDIAs原理及国内外研究现状,对现有攻击方法和检测方法进行对比分析。在攻击方法方面,现有研究大多对全局状态变量进行攻击,少有方案针对节点电压的数据完整性进行攻击。在利用深度学习或机器学习算法进行攻击检测方法方面,现有研究多利用正常样本和受攻击样本进行模型训练,不能克服实际电网中受攻击样本规模小的缺点。为解决上述问题,本文从攻击和检测两个角度,分别提出针对节点电压幅值数据进行注入攻击的攻击策略和利用循环神经网络进行时间序列重构的检测方法。本文首先基于节点电压的数据完整性攻击方法进行研究,针对指定节点的电压幅值进行数据注入,将量测量真实值中叠加虚假数据问题近似转化为加权线性规划,利用快速回归算法,以使模型候选项对模型误差削减贡献量最大化为目标函数,对该规划问题求解得出针对节点电压数据完整性攻击的最优策略。然后在利用循环神经网络进行时间序列重构的检测方法中,对电力系统中由电压幅值、相角组成的时间序列进行重构,利用重构的输出数据和原始的输入数据误差,估计原始时间序列属于受攻击序列的概率。当误差超过一定阈值时,判定系统中存在数据完整性攻击。最后针对提出的攻击方法和检测方法,本文运用Matpower电力仿真包,在IEEE 14-bus,IEEE 39-bus标准测试系统中进行仿真实验,验证方法可行性与有效性。实验结果表明,所提基于节点电压的数据完整性攻击方法相较于传统攻击方法具有更少的量测量篡改数目和更高的攻击成功率。基于循环神经网络的攻击检测算法相较于传统机器学习分类算法具有更高精确度,能够有效检测数据完整性攻击。