文献类型：期刊文章

作　　者：董运昌[1,2,3] 王启明[2,4] 曹杰[2,4] 杨渊博[2,4] 余通[5] 薄小永[1,4]

DONG Yunchang;WANG Qiming;CAO Jie;YANG Yuanbo;YU Tong;BO Xiaoyong(School of Electrical Engineering,Northeast Electric Power University,Jilin 132012,China;School of Computer Science,Northeast Electric Power University,Jilin 132012,China;State Grid Jilin Electric Power Research Institute,Changchun 130012,China;Jilin Engineering Technology Research Center of Intelligent Electric Power Big Data Processing,Jilin 132012,China;Electric Power Research Institute of Guangxi Power Grid Co.,Ltd.,Nanning 530012,China)

机构地区：[1]东北电力大学电气工程学院,吉林省吉林市132012 [2]东北电力大学计算机学院,吉林省吉林市132012 [3]国网吉林省电力有限公司电力科学研究院,吉林省长春市130012 [4]吉林省电力大数据智能处理工程技术研究中心,吉林省吉林市132012 [5]广西电网有限责任公司电力科学研究院,广西壮族自治区南宁市530012

出　　处：《电力系统自动化》

基　　金：吉林省自然科学基金资助项目(20220101234JC)。

年　　份：2023

卷　　号：47

期　　号：8

起止页码：179-188

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：虚假数据注入攻击(FDIA)因其高隐蔽性和破坏性,对电网的安全稳定运行构成严重威胁。攻击样本与正常样本的不平衡特性会影响模型的攻击检测精度,同时多类型FDIA的出现使得现有算法在识别攻击种类上具有局限性。针对上述问题,文中提出基于过采样和级联机器学习的电网多类型FDIA识别方法。首先,探究了电网耦合交互过程中的FDIA攻击路径,分析了多类型攻击行为;然后,通过聚类、过滤和线性插值过程生成攻击伪样本,设计基于K均值合成少数类过采样技术(K-means-Smote)的量测数据平衡算法;最后,结合细粒度特征扫描和多个分类器的集成学习策略,构建基于改进级联机器学习的多类型FDIA识别模型。仿真实验表明,所提识别方法可有效辨识多种FDIA类型,且辨识精度高、误报率较低、性能稳定,在小样本下性能仍然出色。

关 键 词：电力信息物理系统  虚假数据注入攻击  攻击检测 过采样 级联机器学习  

分 类 号：TM73] TP393.08] TP181[计算机类]