《Energy Conversion and Management-X》：Distinguishing noise from low-amplitude false data in cyber-resilient rolling energy management of smart distribution networks
编辑推荐：
本文针对智能配电网中低幅值虚假数据注入（FDI）攻击难以在测量噪声背景下被有效检测的难题，提出了一种集成实时能量管理优化与网络安全检测的两层框架。研究团队开发了Bus Current Imbalance Index (BCII)、Residual Current Magnitude Index (RCMI) 和 Residual Current Angle Index (RCAI) 等新型指标，成功在1-5%噪声水平下检测出振幅仅为噪声1-3倍的隐蔽FDI攻击，并准确定位攻击位置、起始时间及持续时间。该成果发表于《Energy Conversion and Management-X》，为实现配电网在复杂网络环境下的最优运行与网络安全提供了创新解决方案。
随着可再生能源的大规模接入，智能配电网正面临着前所未有的运行挑战。分布式光伏、储能系统等分布式能源资源（DER）的并网，使得电网运行状态更加复杂多变。为了确保电网的经济、稳定运行，现代配电网普遍采用分层式能量管理系统（EMS），通过远程终端单元（RTU）和传感器持续采集电网数据，进行实时优化调度。然而，这种依赖数据交互的运行模式也带来了新的安全隐患——网络攻击。
在各类网络威胁中，虚假数据注入（FDI）攻击尤为隐蔽和危险。攻击者通过篡改传输中的测量数据，误导控制中心的决策，可能导致电网运行偏离最优状态，甚至引发更严重的后果。传统的检测方法对于大幅值攻击较为有效，但当攻击幅度与测量噪声水平相当（通常为1-2%）时，区分恶意攻击和正常噪声变得极其困难。这种"低幅值FDI攻击"就像"隐形杀手"，其行为特征与随机噪声高度相似，给电网网络安全带来了严峻挑战。
为了解决这一难题，研究人员开展了一项创新性研究，旨在开发一种能够同时实现高效能量管理和精准攻击检测的综合性解决方案。该研究提出了一种两层次架构，将配电网物理层的实时运行与EMS层的优化决策紧密结合，并在数据交互环节引入了新型检测指标，专门用于识别那些振幅与噪声相当的隐蔽攻击。
研究团队采用混合整数线性规划（MILP）构建了能量管理优化模型，以最小化日运行成本为目标函数，综合考虑了购电成本、柴油发电机运行成本和电池退化成本。模型通过非线性前向后推潮流计算生成真实测量数据，模拟实际电网运行状态。在网络安全检测方面，研究提出了基于残差电流分析的检测指标，特别是残差电流角指数（RCAI），通过分析电流相角的时间序列特征来区分随机噪声和有规律的攻击行为。
关键技术方法包括：建立非线性数字孪生电网模型模拟真实运行数据；开发线性MILP优化模型进行实时调度决策；设计基于物理约束的残差电流指标（BCII、RCMI、RCAI）；实施时空行为分析算法识别攻击模式；构建闭环仿真平台验证方法有效性。研究基于IEEE 33节点标准测试系统和伊朗23节点实际配电网进行验证，所有测量数据均包含1%高斯噪声。
5.1.1. 滚动优化框架仿真
通过模拟电价、负荷和光伏功率的多场景变化，验证了滚动优化框架的动态适应性。当系统参数在小时6、15和20发生变化时，优化模型能够重新调整柴油发电机和储能系统的运行计划，确保电网始终处于最优运行状态。例如，初始计划中柴油发电机仅在小时17-19运行，而在参数变化后，其运行时段扩展至小时7-23，体现了模型对实时条件变化的快速响应能力。
5.1.2. 传输数据中的噪声和网络攻击仿真
在包含1%测量噪声的环境中，注入振幅为1-3%的FDI攻击。结果显示，传统基于电流幅值的检测方法受噪声干扰严重，而新提出的RCAI指标在攻击期间保持稳定，能够准确识别攻击位置（如总线14）和时间窗口（小时10-20）。即使攻击振幅降至1%（与噪声水平相同），RCAI仍能有效检测，证明了该方法对低幅值攻击的敏感性。
5.2. 第二个测试案例的仿真：23总线配电电网
在实际电网场景中的验证进一步证实了所提方法的有效性。当对总线5电压实施振幅为3%的FDI攻击时，RCAI在攻击期间在受攻击总线及其相邻总线上保持恒定，而健康总线上的指标则呈现振荡特性，清晰揭示了攻击的存在和影响范围。
5.3. 不同噪声水平下指标的敏感性分析
敏感性分析表明，在1%、3%和5%的噪声水平下，RCAI相对于均值的偏差始终保持在较低水平（通常低于3%），证明了该指标对噪声的鲁棒性。与传统方法相比，新方法在噪声环境下仍能保持稳定的检测性能，误报率显著降低。
该研究通过理论创新和技术实践，成功解决了智能配电网中低幅值FDI攻击的检测难题。所提出的滚动优化框架不仅保证了电网的经济运行，还通过新型检测指标增强了系统对隐蔽网络威胁的防御能力。RCAI指标基于物理约束和时空行为分析，能够有效区分随机噪声和恶意攻击，即使在攻击振幅与噪声水平相当时也能实现可靠检测。
这项研究的重要意义在于为未来智能电网的安全运行提供了关键技术支撑。随着能源转型的深入推进，配电网将接入更多分布式能源，数据交互将更加频繁，网络安全风险也将日益突出。该研究成果为构建"网安融合"的智能电网提供了新思路，有助于推动电网运行从"最优化"向"最优且安全"的双重目标迈进。未来，结合机器学习等先进技术，有望进一步提升检测系统的自适应能力和预警精度，为构建韧性电网奠定坚实基础。
