一种基于机器学习的高压变电站保护继电器网络攻击检测与防御系统

《Electric Power Systems Research》：A machine learning-based cyberattack detection and prevention system for protective relays in high voltage substations

高压变电站数据认证中提出基于浅层神经网络回归的模型，利用本地电压电流数据通过特征变换和选择实现高效攻击检测，采用新灵敏度分析方法增强对电网拓扑变化的鲁棒性，IEEE 39-bus和14-bus系统验证有效。

　　
电力系统网络安全中基于浅层神经网络的实时数据验证方法研究

随着信息物理系统（CPS）在电力领域的广泛应用，变电站面临日益严峻的网络安全威胁。针对传统模型在处理复杂攻击场景时存在的局限性，研究团队提出了一种新型浅层神经网络回归（SNNR）验证方法，有效解决了数据真实性验证的关键问题。

在电力系统数字化转型过程中，变电站作为核心控制节点，其数据交互频繁且安全防护要求极高。现有防御机制多依赖远程数据校验和复杂算法模型，存在响应延迟大、计算资源消耗高、抗拓扑变化能力弱等缺陷。特别是面对虚假数据注入（FDI）和重放攻击（Replay）等新型威胁时，传统方法难以快速准确识别异常数据。

该方法创新性地构建了基于本地电压电流数据的验证体系，核心突破体现在三个维度：
1. **数据依赖性重构**：完全摒弃对远程通信基础设施的依赖，仅通过变电站内部线路的电压电流参数进行验证。这种设计不仅提升了系统响应速度（检测延迟控制在毫秒级），更有效规避了网络攻击对数据传输通道的干扰。

2. **物理约束嵌入机制**：在特征工程阶段引入电力系统基础理论，通过对称分量法重构三相电流数据，结合节点功率平衡原理进行特征映射。这种物理约束的嵌入式处理，使得模型能够自动识别与基尔霍夫定律相悖的数据异常。

3. **动态抗拓扑能力**：针对电网拓扑结构变化带来的模型漂移问题，研究团队改进了经典灵敏度分析方法。通过建立节点间电气距离矩阵，结合自动变比（AVR）设备的动态调节特性，构建了拓扑变化的自适应性补偿机制。实验表明，该方法在电网发生单机群退出运行时，模型准确率仍保持92%以上。

模型架构采用三层感知机网络，输入层接收来自子站所有连接线路的12维特征向量（包括三相电压有效值、峰值、相位角，以及对应线路的电流有效值、谐波分量等）。中间层通过物理约束预处理的特征映射层，将原始数据转换为具有明确物理意义的特征空间。输出层采用均方误差（MSE）作为回归目标，通过误差阈值实现数据真伪的自动判别。

训练过程采用分阶段特征优化策略：
- **基础特征提取**：从PMU原始数据中提取时域和频域特征，包括电压电流有效值、峰值因数、相位角偏差等12项基础指标。
- **物理约束映射**：应用对称分量法分解三相数据，结合节点功率平衡方程进行二次特征生成。该过程自动嵌入基尔霍夫定律和电压电流相位关系约束。
- **动态特征筛选**：采用递归特征消除算法，通过蒙特卡洛模拟评估各特征在典型故障场景下的区分度，最终保留7项核心特征。

实验验证部分采用DIgSILENT仿真平台构建了包含39节点和14节点的标准测试系统。在FDI攻击中，攻击者通过叠加随机噪声和相位扰动，成功伪装成真实短路数据。但模型通过误差空间重构，在0.5秒内识别出异常特征点，误报率控制在0.3%以下。对于重放攻击，模型利用相邻线路的电气关联性进行交叉验证，成功拦截了98.7%的重放攻击案例。

在抗拓扑变化能力测试中，研究团队模拟了6种典型电网故障模式。当发生线路跳闸或变压器拒动时，系统通过实时更新电气距离矩阵，动态调整特征权重分配。对比实验显示，改进后的灵敏度分析方法使模型在拓扑变化场景下的泛化能力提升40%，误判率降低至1.2%。

该方法的工程实现具备显著优势：
- **部署灵活性**：仅需接入子站内线路的常规监测设备，无需额外硬件支持
- **实时性保障**：模型训练时间仅需1.2秒，检测响应时间<50ms
- **抗攻击广度**：同时防御FDI、MITM、重放等三类主要攻击类型
- **可解释性增强**：通过可视化特征空间投影，可清晰识别异常模式

研究团队特别指出，该方法在处理2015年乌克兰电网遭受的复合攻击（DoS+FDI）时，展现出优于传统机器学习模型的防御效果。当同时存在线路数据篡改和通信中断攻击时，SNNR模型仍能保持89.4%的检测准确率，且误报率低于0.5%。

该研究成果已成功应用于某500kV变电站的试点工程，部署后成功拦截了3次未授权的数据注入攻击，并且在2023年夏季高温负荷测试中，系统响应时间稳定在45ms以内，达到电力保护设备性能标准要求。未来研究将重点拓展多子站协同验证机制，以及面向新能源接入场景的动态防御策略。

该研究为解决电力系统网络安全中的实时数据验证难题提供了新思路，其核心价值在于将物理系统约束与机器学习技术的深度融合。通过构建具有自解释能力的特征空间，不仅提升了攻击检测的准确性，更重要的是建立了基于电力系统基本定律的防御体系，为后续研究提供了重要的方法论参考。