一种基于变压器和卷积神经网络（CNN）的混合模型，用于智能电网中虚假数据注入攻击的定位检测

《Sustainable Energy, Grids and Networks》：A transformer and CNN-based hybrid model for localization detection of false data injection attacks in smart grids

虚假数据注入攻击威胁智能电网安全，传统方法存在局限性。本文提出融合坐标注意力机制（CA）、CNN和Transformer的混合检测模型，通过提取局部与全局特征提升攻击定位精度，经IEEE标准电网验证优于现有深度学习方法。

　　

潘焕|杨航|娜春宁|金佳怡

宁夏大学物理与电子电气工程学院，银川，750021，中国

摘要

虚假数据注入攻击（FDIAs）对智能电网的安全和经济运行构成了严重威胁，尤其是在中大型网络中，攻击可能发生在多个位置。未能及时检测和定位FDIAs会阻碍电网运营商隔离受损的母线，从而影响有效的损失缓解措施。为了解决这一挑战，本文提出了一种基于深度学习的FDIA定位检测模型。该模型由三个主要部分组成：坐标注意力机制（CA）、卷积神经网络（CNN）和Transformer。CA机制增强了网络的特征表示能力，而CNN和Transformer分别提取输入张量的局部和全局特征。使用IEEE-14和IEEE-39母线系统作为测试案例，通过PYPOWER生成被攻击的测量数据，并将提出的基于Transformer+CNN的模型与几种基准方法进行了评估。实验结果表明，所提出的混合模型在FDIA定位性能上表现出色。

引言

随着现代工业物联网技术的进步，智能电网的概念一直在不断发展。先进通信技术与传统电力系统的结合催生了新一代电力系统，通常称为信息物理电力系统，这是智能电网的关键体现，能够提高运行效率和可靠性。然而，随着电力系统变得越来越智能和以信息为驱动，针对电网的网络攻击频率也在增加。恶意行为者可能出于经济利益或破坏目的发起网络攻击，成功的攻击会严重威胁智能电网的安全和经济运行，可能导致级联故障[1]。此外，由于数据采集、监控和控制的广泛需求，网络攻击可以在智能电网的多个点发起，例如测量单元和通信通道[2]。

虚假数据注入攻击（FDIAs）是一类针对数据完整性的网络攻击，对监控控制和数据采集（SCADA）系统构成严重威胁[3]。通过注入伪造的测量数据，攻击者可以误导电力系统状态估计，导致系统在错误的工作点运行。电网运营商基于这些错误状态做出的决策可能导致严重的物理后果，包括系统不稳定和级联故障[4]。在传统的电力系统中，不良数据检测（BDD）模块依赖于状态估计和最大归一化残差测试来识别异常测量数据[5]。然而，精心设计的FDIAs可以绕过BDD机制。特别是，对系统拓扑和参数有充分了解的攻击者可以构建不可观察的（隐蔽的）FDIAs，从而逃避BDD方案的检测[6],[7]。因此，开发有效的FDIA检测方法对于确保智能电网的安全至关重要。

已经提出了许多用于检测智能电网中FDIAs的方法。尽管这些方法在原理上有所不同，但它们通常可以分为两大类：基于模型的检测方法和数据驱动的检测算法[8]。数据驱动的方法在检测过程中不依赖于显式的系统参数或电网模型，已成为FDIA检测的主流范式。这些方法包括各种机器学习（ML）和深度学习（DL）技术，如支持向量机（SVMs）[10]、决策树（DTs）[11]、自动编码器（Autoencoders）[12]、深度神经网络（DNNs）[13]、卷积神经网络（CNNs）[14]和图神经网络（GNNs）[15]。然而，智能电网是复杂且异构的信息物理系统，仅仅检测到FDIAs的存在往往是不够的。即使成功识别出攻击，定位具体的受损组件对于实施有效的对策也是必不可少的。对于电力系统运营商来说，FDIA定位尤为重要，因为识别出被攻击的母线可以及时采取隔离措施，并有助于制定纠正调度策略。因此，FDIA定位引起了研究界和行业从业者的越来越多的关注。

FDIA定位检测的研究也可以大致分为基于模型的方法和数据驱动的方法[16]。基于模型的方法包括图论算法[17]、区间观测器[18]、M-估计器[19]等。这些方法通过显式建模系统动态并估计模型参数来定位FDIAs。由于不需要训练阶段，基于模型的方法不依赖于历史测量数据。然而，检测延迟、可扩展性有限以及对阈值选择的敏感性等问题可能会降低其定位性能和实际应用性[20]。相比之下，数据驱动的定位方法不依赖于显式的电力系统模型，这使得它们更具可扩展性，更适合实时应用，尽管需要历史测量数据和相对较长的训练过程。随着电力系统数据集的快速增长，数据驱动的方法——特别是DL方法——在FDIA定位任务中表现出色。Wang、Bi和Zhang首次使用CNN作为多标签分类器来捕捉功率流测量数据中的不一致性和共现依赖性，从而实现FDIA定位[16]。随后，Hegazy、Eldien和Tantawy等人提出了一种多特征检测器，该检测器结合了一维CNN和长短期记忆（LSTM）网络，用于在线识别FDIA位置[21]。沿着类似的研究路线，Hu、Wang和Shabbir等人开发了一种自注意力深度卷积网络，用于FDIA检测和定位[22]。Lu、Zhou和Wu引入了一种基于表示学习的CNN（RL-CNN），以支持智能攻击定位和系统恢复[23]。Boyaci、Narimani和Davis等人提出了一个基于GNN的框架，通过联合利用电网拓扑和测量数据自动检测和定位FDIAs[24]。此外，Peng、Zhang和Deng等人设计了一种基于神经网络的方法，用于在线FDIA定位，其中使用短时傅里叶变换和双通道CNN来建模频谱-时间相关性，而图卷积网络（GCNs）结合了节点导电矩阵和物理系统特性来捕捉频谱-空间关系[25]。Transformer模型也作为一种强大的多标签分类框架出现，因为它具有高度并行性，显著减少了训练时间。通过其自注意力机制，Transformer可以有效地提取序列数据中的长距离依赖性[26]。自从引入以来，基于Transformer的模型受到了广泛关注[27]，并已成功应用于异常检测任务[28],[29]。最近，Baul等人提出了一种混合Transformer-LSTM架构，用于实时场景中检测网络入侵并准确识别其位置[30]。

与FDIA检测研究不同，数据驱动的FDIA定位方法必须处理更大的数据集，这对数据处理能力提出了更高的要求。因此，需要具有强大特征提取和可扩展性的DL算法。然而，大多数现有的基于DL的FDIA定位方法主要依赖于改进的或混合的基于CNN的模型。应该注意的是，CNN本质上是局部连接的网络，可能无法捕捉测量数据中的长距离依赖性，从而限制了定位精度。尽管GNNs或GCNs可以通过利用电网的空间特性实现有效的FDIA定位，但它们的计算复杂性会随着电网规模的增加而迅速增加。因此，当应用于大规模系统时，基于GNN或GCN的方法通常会导致更长的检测时间，难以满足实时要求。作为一种全局连接的架构，Transformer模型提供了捕捉长距离依赖性的能力。尽管[30]中的研究首次探索了Transformer在FDIA定位中的应用，但采用的混合DL模型在Transformer和LSTM模块之间存在功能重叠，这限制了其充分利用数据特征的能力。受这些观察结果的启发，本文旨在通过增强特征提取能力来进一步提高FDIA定位精度。为此，本文整合了Transformer和CNN的互补优势，设计了一种混合FDIA定位检测模型。主要贡献总结如下：

•

提出了一种新的基于DL的混合FDIA定位检测模型，该模型集成了坐标注意力（CA）模块、两个Transformer编码器模块、三层CNN和多个残差网络（ResNet）块。

•

使用IEEE-14和IEEE-39母线系统作为测试案例，通过求解交流最优功率流模型生成历史测量数据，并系统地将所提出方法的性能与其他基于DL的FDIA定位方法进行比较，以证明其有效性。

本文的其余部分组织如下。第2节介绍了基本背景，包括电力系统状态估计和FDIAs的原理。第3节是本研究的核心，详细介绍了所提出的混合FDIA定位检测框架，包括模型架构、实现步骤以及CA、Transformer编码器和CNN的底层概念。第4节使用IEEE-14和IEEE-39母线系统作为测试案例，评估了各种基于DL的FDIA定位方法的性能，并提供了全面的比较分析。最后，第5节总结了本文。

部分摘录

电力系统状态估计

在智能电网中，通过SCADA系统，远程终端单元收集诸如传输线上的功率流等测量数据。基于这些测量数据，进行状态估计以推断每个母线的运行状态，包括电压幅值和相位角。状态变量向量定义为$$，相应的测量向量表示为$$。交流状态估计模型可以表示为$$，其中$$表示测量噪声向量，假设

FDIA定位检测模型

所提出的基于DL的混合FDIA定位检测模型如图1所示。该模型由三个主要部分组成：CA、Transformer编码器和CNN，它们共同实现了从受损测量数据中有效提取空间和全局特征。

仿真验证与分析

本节介绍了所提出的混合FDIA定位检测模型的仿真设置和性能评估。具体来说，在基于PyCharm的仿真环境中生成和处理电网测量数据，定义了评估检测性能的评估指标，并进行了全面的仿真研究，以证明所提出方法的有效性和优势。

结论

本文提出了一种混合FDIA定位检测模型，该模型集成了CA、CNN和Transformer编码器，以增强智能电网中的局部和全局特征提取能力。CA机制强调了水平和垂直方向上的信息特征，而Transformer编码器捕捉母线之间的长距离依赖性，CNN从测量数据中提取局部模式。FDIA数据集基于IEEE-14和IEEE-39母线系统构建，

未引用的参考文献

[9]

CRediT作者贡献声明

潘焕：撰写——审稿与编辑，撰写——原始草稿，监督，概念化。杨航：软件，方法论，形式分析。娜春宁：验证，项目管理。金佳怡：数据管理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了中国国家自然科学基金（NNSF）的支持，项目编号为62463026。