基于WGAN状态重构的智能电网虚假数据注入攻击检测

针对虚假数据定位检测适应性低、篡改量测影响系统状态精确感知的问题，提出一种基于WGAN (Wasserstein generative adversarial networks, WGAN)状态重构的智能电网虚假数据检测与修正模型。首先，根据历史状态变量的概率分布，初步锁定并剔除具有潜在攻击风险的状态变量。然后，采用Wasserstein生成对抗网络重构缺失变量，WGAN通过Wasserstein距离衡量生成分布与真实分布之间的差异，能够生成有意义的梯度以优化网络模型参数。最后，以重构状态作为一种状态参考，精确定位攻击节点，并结合网络拓扑参数修正篡改量测值。将纽约州数据用在IEEE-14节点测试系统，进一步验证所提方法的可行性与有效性。

随着电力物理系统与信息系统深度耦合，智能电网可观测性显著增强，但也面临网络安全的威胁[1] [2]。虚假数据注入攻击(false data injection attacks, FDIA)作为智能电网中兼具破坏性与隐蔽性的网络攻击[3]，通过篡改电力量测数据，使状态估计失去对系统状态的准确感知，引起能源管理系统(energy man-agement system, EMS)做出错误决策，进而破坏电力系统安全稳定运行[4]。因此，研究高效FDIA 检测与修正方法对保障智能电网安全性、可观测性具有重要意义。

现有文献针对FDIA 的防范研究主要集中在物理防御与在线检测两个方面。物理防御专注加密一组现有量测或优化配置向量测量单元(phasor measurement unit, PMU)， 防范电力量测数据遭到篡改。

文献[5]通过图形分析法加密最优量测子集，遏制FDIA。文献[6]以PMU 绝对安全为前提，采用贪婪算法确定PMU 最佳位置防范FDIA。然而，文献[7]指出物理防御无法确保加密量测或PMU 绝对安全，加密设备的高额资金也限制了在大型电网中实际应用。为此，基于数据的在线检测方法被提出并持续改进。统计学方法最先用于FDIA 检测，文献[8]通过计算攻击前后量测变化概率分布之间的KLD (Kullback-Leibler divergence)进行检测，但面对数据的激增、攻击方式的演变呈现局限性。而深度机器学习具有出色的从大数据中提取特征的能力，文献[9]利用改进的卷积神经网络，识别虚假数据的行为特征，提高分类检测精度。

上述研究集中于检测攻击存在与否，根据实际电力系统的安全要求，需进一步识别攻击节点与受损量测，为EMS 操作人员隔离攻击节点、执行量测物理保护提供必要的数据支撑。文献[10]采用基于机器学习的一类一网检测模型为小节点系统每个节点构建分类检测器，在节点数量众多的大型电力系统复杂性增加。文献[11]将发电机的输出功率视为绝对安全序列， 通过维特比算法预测状态值作为参考，识别攻击节点。这种方法的适用性增强，但对低强度的节点状态值攻击，检测率不理想。为进一步提高攻击节点检测精度， 文献[12]基于自适应无迹卡尔曼滤波算法估计系统状态，经一致性检验、虚假数据隐蔽性检