基于拉普拉斯特征映射学习的隐匿FDI 攻击检测
2021-12-01石家宇
自动化学报 2021年10期
石家宇 陈 博 俞 立
智能电网作为下一代电力系统,通过采用先进的数字信息和通信技术能够实现电网各个环节重要运行参数的在线监测和实时信息掌控,并在此基础上整合物联网技术和大数据分析,实现了更环保、更安全和更高效的电力管理[1].在发电侧,由于电能无法大量存储,控制中心需要密切监控电网运行参数,以控制电网中的发电与电能消耗相平衡.在电网侧,系统也需要估计系统的运行状态,将其用于最优潮流算法以制定发电方案,实现经济上的最优调度.因此需要有大量的信息控制设备和通信传感网络接入电网,实时发送各个节点的测量值到控制中心,确保电力系统的高效经济可靠运行.但是通信设施的接入,也让智能电网面临着潜在的网络攻击风险,成为军事或恐怖活动的目标,例如2015 年12 月的乌克兰电网攻击事件,造成了30 个变电站被关闭,约有23 万人无法用电[2].特别地,隐匿虚假数据入侵(False data injection,FDI)攻击可以绕过电力系统中传统的坏数据检测机制,通过篡改测量数据,使得对电力系统的状态估计不准确,进而干扰控制中心决策以扰乱电力市场正常秩序,存在重大的经济和安全隐患[3].
FDI 攻击自2009 年提出以来[4],便受到了国内外学者的广泛关注.针对不同的FDI 攻击场景提出了相应的保护策略和攻击检测方案.在保护策略方面,主要是通过放置相量测量单元(Phasor measurement units,PMU)来增强通信安全.注意到PMU 是配备有全球定位系统(Global positioning system,GPS)技术的……
登录APP查看全文
