摘要
如今现代电力系统正在向智能化方向发展，大量的智能设备，如智能仪表和传感器，促进了电力系统在发电、变电、输电和配电模式方面的转变，使得智能电网成为一个典型的网络物理系统，即将物理电力传输系统和计算机网络相结合。在智能电网中，监督控制和数据采集系统（SCADA）实时收集外场设备通过网络发送来的数据，进行分析后向控制中心汇报收集到的信息，控制中心根据这些信息对电网的发电配电进行调整。 在享受智能电网带来便利的同时，由于使用了大量智能设备以及通过网络来收发数据，使得智能电网更容易遭到攻击者的攻击。最为显著的是通过有预谋地篡改智能设备的数据来达到攻击电力系统的目的，称之为虚假数据注入攻击（FDIA）。为了保障电力服务的平稳运行，智能电网的检测至关重要。 本文围绕智能电网中的虚假数据注入攻击检测问题进行了研讨，具体研究内容如下： 1)对现有的虚假数据注入攻击检测方案进行剖析、总结并比较，同时对未来研究方向进行讨论。目前该领域中虚假数据注入攻击的检测方案主要分为基于系统模型和基于数据驱动的两种方案。同时，基于系统模型的检测方案又分为基于估计的检测方案和其他基于系统模型的检测方案，基于数据驱动的检测方案可以分为基于机器学习的检测方案和其他基于数据驱动的检测方案，两类算法各有优缺点。此外，根据现有检测方式以及其他领域理论对未来研究方向进行了一定的讨论。 2)提出基于卡尔曼滤波器和递归神经网络的检测方案（KFRNN）。考虑到智能电网数据天然包含线性成分和非线性成分，本文分别利用与之相适应的预测模型并行分析（线性模型用的是卡尔曼滤波器，非线性模型用的是递归神经网络），然后利用集成学习的方式对两个基学习器的结果进行自动分配权重集成并输出最终的预测结果。其次，利用在干净数据集中预测值与实际值误差平方和的累积分布曲线所得出的阈值，对预测结果进行判断。与其他方案相比，在虚假数据注入峰值攻击中显示出较高检测率，体现出较好的检测结果。 3)在实际的环境中，进行虚假数据注入攻击的攻击者通常不会以峰值的形式进行攻击，大多数会为了保证攻击稀疏而进行随机攻击。针对这一问题，提出基于多模型和数据冗余的检测方案（MMDR）。首先将SCADA收集到的一维数据按照智能电网的拓扑结构映射为二维矩阵形式，以增加数据的冗余性，同时二维矩阵也包含智能电网空间特征；其次通过随机删除二维数据的某行某列来试图将注入的虚假数据剔除。由于删除部分数据会缺失部分电网信息，因此，本文考虑通过构建多个模型的方式来输出多个预测结果，以此来弥补信息缺失带来的负面影响；然后利用分类机制将输出的结果分为两类，将数据量大的一类的平均值作为最终的预测结果，结合误差平方和累积分布曲线得到的阈值判定是否存在FDIA。并在IEEE14模型中与基于监督模型方案以及非多模型方案进行了比较。
NETL