如何有效检测电网虚假数据的注入攻击?福州大学研究者提出新方法

随着现代社会对智能电网依赖性的增强，智能电网已然成为现代社会的重要组成部分。然而，智能电网极其依赖通信技术和大数据技术，因此其有较大风险遭受各种网络攻击。其中，一种被广泛关注的攻击方式是虚假数据注入攻击（FDIA），它通过操纵电网数据来破坏系统的正常运行，威胁着电力供应的可靠性和安全性。

虚假数据注入攻击是一种隐蔽的攻击方式，攻击者通过篡改测量数据，向电网注入虚假信息，导致对系统监控和控制的误导。这些攻击可能造成电力系统运行异常，导致设备故障、能源浪费甚至引发系统崩溃。因此，准确识别和防御虚假数据注入攻击对于智能电网的稳定可靠运行至关重要。

针对电力系统的网络攻击事件越来越多，信息物理安全问题已经引发电力公司和学术界的高度关注。为了能够正确检测电网虚假数据注入攻击，福州大学电气工程与自动化学院的方正刚，提出一种基于残差神经网络（ResNet）结构的一维卷积神经网络（1DCNN）和长短期记忆（LSTM）网络多通道融合网络模型，简称通道融合的Res-CNN-LSTM网络模型。

该神经网络算法利用1DCNN和LSTM对时间序列信息的高效提取能力，将不同通道上提取的信息进行融合，进一步加强了数据特征的提取效果，同时网络模型主体采用残差跳跃连接的结构来解决神经网络在训练过程中的过拟合问题；在IEEE-14和IEEE-118节点测试系统进行模型仿真实验，并对比其他神经网络模型，结果验证了所提方法的有效性和准确性。

研究者指出，1DCNN和LSTM网络具有很好的时间序列数据特征提取能力，在不同的通道结构上将二者提取的特征进行融合，进行优势互补，可有效提高模型的检测准确率。此外，残差网络的跳转连接结构可以有效避免网络过拟合的情况，使网络深度更深，从而提高网络模型在虚假攻击数据中的检测效果。

他们表示，虽然本研究所提通道融合的Res-CNN-LSTM网络模型针对虚假数据注入攻击有很好的检测效果，但是其依赖大量的数据集进行训练，在数据不足的情况下很难达到高效准确的检测效果。同时，由于模型结构较为庞大，模型推理耗费的算力资源也较高。因此，该通道融合的Res-CNN- LSTM网络模型在数据足够的情况下，可以实现对电网虚假数据注入攻击的有效检测。

本工作成果发表在2024年第3期《电气技术》，论文标题为“基于通道融合的Res-CNN-LSTM电网虚假数据注入攻击检测”，作者为方正刚。