信息物理系统

他提出，能量路由器是一种全新的电气信息物理系统融合的智能电气装备，它将会取代现有配电网多种装备，其市场前景非常巨大，然而现阶段能量路由器尚缺乏具体标准的指导，不利于能源互联网体系的规范化发展，也会阻碍其进一步的市场推广。

电力信息物理系统综合安全评估 面向云计算服务的信息伪装保护机制

针对配电网中信息通信系统与物理系统并发故障场景下的供电恢复问题，文章分析了对配电自动化主站处理故障定位、隔离与供电恢复过程的影响，提出了配电网信息物理并发故障关联耦合建模方法，构建了基于两阶段双层优化的配电网信息物理并发故障供电恢复模型，第一阶段通过通信网络动态路由，实现通信链路的损失最小，第二阶段以失电负荷最小、开关操作次数最少等为目标，进行配电网网络重构。两阶段双层优化模型采用KKT条件转换为单层优化模型后，采用Cplex进行求解，得出满足信息物理耦合约束的可行解，从而实现了配电网信息物理系统并发故障的有序恢复。通过DCPS-160节点算例进行了验证，结果验证了所提出模型的准确性和有效性。

随着新型配电系统建设的不断推进，新型配电系统的信息化和智能化程度越来越高，配电网信息物理系统面临网络攻击的安全风险增加。文章针对新型配电系统信息侧安全风险及安全漏洞无法定量评估的问题，提出一种跨空间的风险量化评估方法。首先建立新型配电系统网络风险评估模型，采用改进的基于穆迪图的层次分析法(Moody's diagram based analytic hierarchy process，MSDM-AHP)构建权重矩阵解决传统层次分析法指标权重不准确的问题，采用逼近理想解排序法(technique for order preference by similarity to an ideal solution，TOPSIS)对节点的脆弱性因子进行量化并计算攻击目标的攻击概率。最后，依据IEC61850标准建立了新型配电系统子站信息模型，并基于此模型验证了所提方法的有效性与准确性。

该技术采用数字孪生、机理建模、大数据驱动等技术，以能量平衡为基础，综合考虑设备爬坡、容量约束，运用算法求解得到与分散式控制系统（DCS）设点相对应的低碳排放量、经济性最优工况，实现系统经济性及节能优化的动态寻优目标，根据寻优结果自动执行。

为解决电力系统中可能发生的协同攻击事件,文章提出包含单点防御、级联防御和全局防御的三级联合防御模型,配合攻防推演模块和策略规约模块,能够实现针对电力系统协同攻击的有效防御。三级防御分析器分别基于攻击防御树、连锁故障和深度强化学习实现,其核心为基于多智能体行动者-注意力-评论家框架(multi-agent actor attention critic,MAAC)的全局防御分析模型,MAAC能够考虑攻击者与防御者之间的竞争协作关系进而给出防御策略,使其更加适合电力信息物理系统(cyber physical systems,CPS)复杂的攻防场景分析。实验采用IEEE总线系统为基础构造电力CPS,环境中的数据从实际电力系统引入,使MAAC的训练学习面向真实环境。实验结果表明,该模型在收敛速度和防御性能上均优于其他模型,证明所提出的联合防御模型能够有效提升电力CPS面对复杂协同攻击场景的防御能力。

现代智能电网正在从智能电网向能源互联网升级，封闭生态下传统电力信息物理系统（CPS）正逐步向开放共享的能源信息物理社会系统（CPSS）演进。其中，能源 CPSS 中的智能电网（SG）和泛在电力物联网（e-IoT）的融合方式、深度和进程，直接决定了未来面向综合能源服务的能源互联网的可靠性和开放性，本文用可靠性、开放性两个维度描述能源 CPSS，寻求在两者互相制约中的可行合理融合发展路线，分析研究系统中源、网、荷、储侧的网元终端融合的方案，提出 CPSS 下的两网融合路线和方式，为能源互联网尤其是正处于建设初期的泛在电力物联网的建设提供参考性建议。

能源结构的调整与智能电网的发展，使配电网成为支持需求侧响应、承载大量分布式电源与可平移负荷的重要平台。配电网供方主导、单源辐射状的运行模式发生根本性变化，供需互动、源-网-荷-储多元协调的智能化新型配电系统逐步形成。 作为实践“电能替代”战略的终端环节，智能配电网以电力为纽带，以先进的互燃气系统、热力联网信息技术、储能及多种能源转换技术为基础，实现与交通系统、系统等领域的互联。 通信、大数据人工智能等技术的发展应用使配电信息物理系统逐步完善未来的智能配电网将发展为物理系统与信息系统高度融合的智能化系统以“管住中间、放开两端”为主导思想的新一轮电力体制改革开展，使配电网成为汇集发电聚合商、配网运营商、负荷聚合商等多利益经济体的交易平台。各利益主体间竞争与合作并存的多方博弃，将深刻影响着未来配电网规划建设、运行调度等谱多环节。

针对目前已有的电力信息物理系统虚假数据注入攻击检测方法由于特征表达能力有限，而导致无法精确获取受攻击位置的问题，提出一种基于反向学习鲸鱼优化多隐层极限学习机的虚假数据注入攻击定位检测方法。所提方法不仅将极限学习机拓展为多隐层神经网络，解决其特征表达能力有限的问题，而且引入鲸鱼优化算法对多隐层极限学习机的各隐层神经元个数进行寻优并采用反向学习策略提高其收敛速度和检测精度，以防止随机确定各隐层神经元个数对检测方法的泛化性能和定位检测结果造成影响。通过在不同场景下对IEEE-14和57节点测试系统进行大量实验，验证了所提方法能够通过历史数据自动识别受攻击的系统状态量所对应的精确位置。与其他多种方法相比，所提方法具有更优的精度、召回率和F1值。

大规模电力电子设备的接入为系统引入了数量庞大的强非线性量测/控制节点，使得传统电力系统逐渐转变为电力信息物理系统（cyber-physical system，CPS），许多原本应用模型驱动方法解决的系统问题不得不因维度灾难等局限转而采取数据驱动算法进行分析。然而，数据驱动算法自身的缺陷为系统的安全稳定运行引入了新的风险，攻击者可以对其加以利用，发起可能引发系统停电甚至失稳的对抗攻击。针对电力CPS中数据驱动算法可能遭受的对抗攻击，从异常数据剔除与恢复、算法漏洞挖掘与优化、算法自身可解释性提升3个方面，提出了对应的防御方法：异常数据过滤器、基于生成式对抗网络（generative adversarial network，GAN）的漏洞挖掘与优化方法、数据-知识融合模型及其训练方法，并经算例分析验证了所提方法的有效性。