基于时空多视图学习的智能变电站远动终端不良数据恢复OA

为解决智能变电站远动终端在虚假数据注入攻击(FDIA)下的数据安全问题,针对传统数据恢复方法忽略时空关联、依赖物理建模且对协同攻击鲁棒性不足的缺陷,提出了一种基于时空多视图学习的不良数据恢复策略,以提升电力系统状态感知的准确性与运行可靠性。建立了贴合变电站攻击特征的集中式FDIA模型,并构建了融合时间动态性、空间拓扑关联、特征交互与物理约束的四视图学习框架,通过注意力机制实现多源特征的自适应融合,最终完成被篡改数据的精准重构。设计的多场景仿真试验覆盖不同电气位置的关键节点及连续多节点攻击情形,验证所提方法在电压与功率量测重构误差上显著低于传统方法,极端攻击场景下仍能保持最优恢复精度和系统级物理一致性,有效提升了变电站量测数据的抗攻击能力与恢复可靠性,为构建韧性电网提供了关键技术支撑。