电力信息物理系统

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

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。

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。

针对已有检测方法无法对虚假数据注入攻击(false data injection attack, FDIA)进行精确定位的问题，提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine, ELM)的电力信息物理系统FDIA的定位检测方法。首先，使用ELM作为分类器，用于提取电力数据特征并检测系统各节点的异常状态。然后，采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略，用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法，实现对FDIA的精准定位，有利于后续防御措施的实施。最后，在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明，所提方法具有更佳的准确率、查准率、查全率和F1值，对FDIA能够进行更为精准的定位检测。