不完全信息下数据-模型融合驱动的电网虚假数据注入攻击OA
虚假数据注入攻击(false data injection attack,FDIA)是一种威胁电力数据采集与监控系统安全稳定的网络攻击方式。现有多数FDIA模型基于完整电网拓扑和线路参数,而在未知上述信息的情况下构造高威胁性和高隐蔽性的FDIA更具现实意义。鉴于此,文章提出了一种不完全信息下数据-模型融合驱动的FDIA方法,利用含直通层的浅层神经网络学习攻击区域的非线性潮流约束,并采用大M法对其线性化,求解内嵌浅层神经网络的混合整数线性规划问题以构建攻击向量。通过改进IEEE 118节点系统的大量算例表明,攻击者仅需掌握攻击区域少量有功量测信息即可发动高隐蔽性的FDIA,触发残差污染并造成线路潮流估计越限,破坏电网安全稳定经济运行。通过与模型驱动及多种数模融合驱动方法的多维指标对比,进一步验证了模型的可行性与泛化性。
杨玉泽;刘文霞;成锐;吴利明;李承泽
新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206
信息技术与安全科学
数据采集与监控系统虚假数据注入攻击状态估计神经网络数据-模型融合驱动
《电网技术》 2026 (7)
P.2849-2858,I0055-I0059,15
智能电网重大专项(2030)(2026ZD0809800)中央高校基本科研业务费专项资金(2026JC008)。
评论