基于通道融合的Res-CNN-LSTM電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測(cè)

方正剛

基于通道融合的Res-CNN-LSTM電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測(cè)

方正剛

（福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350108）

針對(duì)電力系統(tǒng)的網(wǎng)絡(luò)攻擊事件越來越多，信息物理安全問題已經(jīng)引發(fā)電力公司和學(xué)術(shù)界的高度關(guān)注。為了能夠正確檢測(cè)電網(wǎng)虛假數(shù)據(jù)注入攻擊，本文提出一種基于殘差神經(jīng)網(wǎng)絡(luò)（ResNet）結(jié)構(gòu)的一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）和長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)多通道融合網(wǎng)絡(luò)模型，簡(jiǎn)稱通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型。該神經(jīng)網(wǎng)絡(luò)算法利用1DCNN和LSTM對(duì)時(shí)間序列信息的高效提取能力，將不同通道上提取的信息進(jìn)行融合，進(jìn)一步加強(qiáng)了數(shù)據(jù)特征的提取效果，同時(shí)網(wǎng)絡(luò)模型主體采用殘差跳躍連接的結(jié)構(gòu)來解決神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的過擬合問題；在IEEE-14和IEEE-118節(jié)點(diǎn)測(cè)試系統(tǒng)進(jìn)行模型仿真實(shí)驗(yàn)，并對(duì)比其他神經(jīng)網(wǎng)絡(luò)模型，結(jié)果驗(yàn)證了本文所提方法的有效性和準(zhǔn)確性。

神經(jīng)網(wǎng)絡(luò)；多通道數(shù)據(jù)融合；攻擊檢測(cè)；深度學(xué)習(xí)；長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)

0 引言

隨著現(xiàn)代社會(huì)對(duì)智能電網(wǎng)依賴性的增強(qiáng)，智能電網(wǎng)已然成為現(xiàn)代社會(huì)的重要組成部分。然而，智能電網(wǎng)極其依賴通信技術(shù)和大數(shù)據(jù)技術(shù)，因此其有較大風(fēng)險(xiǎn)遭受各種網(wǎng)絡(luò)攻擊[1]。其中，一種被廣泛關(guān)注的攻擊方式是虛假數(shù)據(jù)注入攻擊（false data injection attack, FDIA），它通過操縱電網(wǎng)數(shù)據(jù)來破壞系統(tǒng)的正常運(yùn)行，威脅著電力供應(yīng)的可靠性和安全性[2]。

虛假數(shù)據(jù)注入攻擊是一種隱蔽的攻擊方式，攻擊者通過篡改測(cè)量數(shù)據(jù)，向電網(wǎng)注入虛假信息，導(dǎo)致對(duì)系統(tǒng)監(jiān)控和控制的誤導(dǎo)[3]。這些攻擊可能造成電力系統(tǒng)運(yùn)行異常，導(dǎo)致設(shè)備故障、能源浪費(fèi)甚至引發(fā)系統(tǒng)崩潰。因此，準(zhǔn)確識(shí)別和防御虛假數(shù)據(jù)注入攻擊對(duì)于智能電網(wǎng)的穩(wěn)定可靠運(yùn)行至關(guān)重要[4-5]。

目前，國(guó)內(nèi)外對(duì)電網(wǎng)FDIA的檢測(cè)進(jìn)行了大量學(xué)術(shù)研究，基本的研究思路有：基于狀態(tài)估計(jì)的檢測(cè)方法、基于機(jī)器學(xué)習(xí)的檢測(cè)方法、基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法。其中，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法均基于大量樣本進(jìn)行設(shè)計(jì)；狀態(tài)估計(jì)檢測(cè)方法根據(jù)電網(wǎng)信息狀態(tài)構(gòu)建不良數(shù)據(jù)辨識(shí)檢測(cè)算法[6]。狀態(tài)估計(jì)法屬于根據(jù)電力系統(tǒng)運(yùn)行機(jī)制進(jìn)行建模的攻擊檢測(cè)方法，基于機(jī)制建模的檢測(cè)方法存在諸多理論約束和技術(shù)瓶頸，因此此類方法并不能廣泛應(yīng)用于實(shí)際。機(jī)器學(xué)習(xí)方法克服了上述難題，避免了復(fù)雜的物理建模，以數(shù)據(jù)為基礎(chǔ)構(gòu)建虛假注入數(shù)據(jù)和攻擊之間的隱含映射關(guān)系，使機(jī)器學(xué)習(xí)模型能夠有效檢測(cè)虛假數(shù)據(jù)注入攻擊[7]。

基于機(jī)器學(xué)習(xí)的識(shí)別方法是指采用大量具有FDIA特征的歷史數(shù)據(jù)對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，利用數(shù)據(jù)特征來優(yōu)化機(jī)器學(xué)習(xí)模型的參數(shù)，最終使模型對(duì)測(cè)試樣本中的FDIA具有識(shí)別能力[8]。文獻(xiàn)[9]利用邏輯回歸、K最近鄰、支持向量機(jī)等機(jī)器學(xué)習(xí)算法對(duì)具有FDIA特征的數(shù)據(jù)進(jìn)行學(xué)習(xí)并測(cè)試，實(shí)驗(yàn)結(jié)果表明機(jī)器學(xué)習(xí)算法具有很好的FDIA檢測(cè)能力，但因機(jī)器學(xué)習(xí)算法計(jì)算較為耗時(shí)，不能適應(yīng)大型電網(wǎng)數(shù)據(jù)，因此利用機(jī)器學(xué)習(xí)算法在實(shí)際應(yīng)用中并非很好的選擇。

基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法同樣是利用數(shù)據(jù)驅(qū)動(dòng)揭示特征和結(jié)果之間的關(guān)聯(lián)關(guān)系。文獻(xiàn)[10]利用小波變換和單向門控循環(huán)單元進(jìn)行系統(tǒng)的狀態(tài)連續(xù)估計(jì)，檢測(cè)序列狀態(tài)中的FDIA，但是單向門控循環(huán)單元不能很好地提取小波變換中的有效特征，并且有出現(xiàn)梯度爆炸的可能；文獻(xiàn)[11]采用Transformer編碼器進(jìn)行FDIA檢測(cè)，Transformer編碼器由于參數(shù)量較大、模型復(fù)雜，可以實(shí)現(xiàn)對(duì)FDIA的有效檢測(cè)，但由于訓(xùn)練耗時(shí)，推理速度較慢，會(huì)出現(xiàn)模型過擬合的情況；文獻(xiàn)[12]利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）提取和長(zhǎng)短時(shí)記憶（long short-term memory, LSTM）網(wǎng)絡(luò)學(xué)習(xí)量測(cè)狀態(tài)序列的時(shí)間和空間關(guān)系特征，進(jìn)而實(shí)現(xiàn)FDIA檢測(cè)，但是模型未考慮數(shù)據(jù)的多維度問題，同時(shí)網(wǎng)絡(luò)模型過深可能會(huì)導(dǎo)致過擬合的情況。

針對(duì)上述問題，本文分析電網(wǎng)FDIA行為，利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，通過一維卷積神經(jīng)網(wǎng)絡(luò)（one dimensional convolutional neural network, 1DCNN）和LSTM在不同通道上不斷進(jìn)行對(duì)FDIA特征的學(xué)習(xí)[13]，對(duì)學(xué)習(xí)到的時(shí)間序列特征進(jìn)行不同通道上的融合，最后利用殘差神經(jīng)網(wǎng)絡(luò)（residual neural network, ResNet）跳轉(zhuǎn)連接的結(jié)構(gòu)搭建更深層的通道融合網(wǎng)絡(luò)模型，從而可以有效學(xué)習(xí)到FDIA特征，避免網(wǎng)絡(luò)過擬合的情況。本文將上述網(wǎng)絡(luò)模型稱為通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型，利用該網(wǎng)絡(luò)模型對(duì)FDIA特征進(jìn)行訓(xùn)練并利用訓(xùn)練好的模型進(jìn)行測(cè)試，以證明該模型相對(duì)于單一神經(jīng)網(wǎng)絡(luò)更加健壯，泛化能力更強(qiáng)，且對(duì)FDIA的識(shí)別精度更高、誤報(bào)率更低。

1 問題描述

智能電表的量測(cè)值包含總線有功功率和分支有功功率[14]。在電力系統(tǒng)FDIA案例中，攻擊者對(duì)電力系統(tǒng)中的控制設(shè)備量測(cè)單元和通信設(shè)備等注入虛假數(shù)據(jù)，通過篡改線路潮流數(shù)據(jù)、節(jié)點(diǎn)功率、電壓幅值等數(shù)據(jù)繞過檢測(cè)機(jī)制，以此來影響狀態(tài)估計(jì)，造成系統(tǒng)出現(xiàn)較大偏差[15]。

傳統(tǒng)虛假數(shù)據(jù)注入攻擊通常為

式中：a為受到注入攻擊之后的向量；為沒有進(jìn)行攻擊時(shí)的原始量測(cè)值；為注入的虛假數(shù)據(jù)攻擊向量；為量測(cè)的雅可比矩陣，是用來描述量測(cè)值和狀態(tài)量之間關(guān)系的矩陣；為系統(tǒng)狀態(tài)量；為量測(cè)值的誤差向量。

構(gòu)建不可觀察FDIA，虛假注入數(shù)據(jù)滿足

式中，為由導(dǎo)致的虛假狀態(tài)數(shù)據(jù)。

因此，受到攻擊后的量測(cè)值為

式中，a為受到攻擊后新的量測(cè)值。

2 算法原理

2.1 一維卷積神經(jīng)網(wǎng)絡(luò)

一維卷積神經(jīng)網(wǎng)絡(luò)的時(shí)間序列數(shù)據(jù)特征處理和提取能力較好[16]。一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要由三部分構(gòu)成：卷積層、池化層和全連接層。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積層對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，提取出局部信息的特征來提高處理性能，同時(shí)由于卷積核是權(quán)重共享的[17]，因此可以減少參數(shù)，降低計(jì)算量。卷積計(jì)算為

池化層通常置于兩個(gè)卷積層之間，通過降低特征圖的分辨率來降低后續(xù)神經(jīng)網(wǎng)絡(luò)層的計(jì)算量。同時(shí)，池化計(jì)算不含網(wǎng)絡(luò)參數(shù)，因此反向傳播無參數(shù)更新。池化計(jì)算為

2.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)可緩解循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）的梯度消失和梯度爆炸問 題[18]。LSTM基本單元結(jié)構(gòu)如圖2所示，一個(gè)基本單元包含遺忘門、記憶單元、輸入門和輸出門。

LSTM基本單元的狀態(tài)更新方程為

3 殘差連接多通道融合檢測(cè)模型

3.1 模型結(jié)構(gòu)

本文提出通道融合的Res-CNN-LSTM神經(jīng)網(wǎng)絡(luò)算法對(duì)FDIA數(shù)據(jù)進(jìn)行模型訓(xùn)練并檢測(cè)。CNN- LSTM通道融合模塊如圖3所示。

CNN-LSTM通道融合模塊是在兩個(gè)通道上對(duì)輸入的FDIA數(shù)據(jù)進(jìn)行特征學(xué)習(xí)，由于1DCNN和LSTM對(duì)時(shí)間序列數(shù)據(jù)有很好的特征提取效果，因此將1DCNN提取的特征和LSTM提取的特征進(jìn)行融合，并將融合后的特征信息作為下一層的輸入來提高網(wǎng)絡(luò)的學(xué)習(xí)能力。對(duì)數(shù)據(jù)進(jìn)行特征提取和融合的具體步驟如下：

圖3 CNN-LSTM通道融合模塊

1）第一個(gè)通道進(jìn)行一維卷積神經(jīng)網(wǎng)絡(luò)特征提取，其中包含一維卷積和一維池化操作，對(duì)輸入的特征信息不斷進(jìn)行特征提取。

2）第二個(gè)通道首先對(duì)數(shù)據(jù)進(jìn)行維度轉(zhuǎn)化，在對(duì)應(yīng)數(shù)據(jù)維度下，LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的特征提取和學(xué)習(xí)，對(duì)提取到的時(shí)間序列信息特征進(jìn)行維度轉(zhuǎn)化，即可與一維卷積神經(jīng)網(wǎng)絡(luò)提取的特征進(jìn)行數(shù)據(jù)融合。

3）將1DCNN和LSTM提取的數(shù)據(jù)特征圖進(jìn)行特征相加操作，實(shí)現(xiàn)不同通道提取特征的融合。

本文所提算法的主體網(wǎng)絡(luò)結(jié)構(gòu)借鑒ResNet算法的殘差結(jié)構(gòu)，利用殘差塊對(duì)整體模型進(jìn)行設(shè)計(jì)。ResNet的殘差模塊如圖4所示。

圖4 殘差模塊

本文所提出的Res-CNN-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。該模型的主體結(jié)構(gòu)采用ResNet的跳轉(zhuǎn)連接殘差結(jié)構(gòu)；網(wǎng)絡(luò)模型的輸入數(shù)據(jù)經(jīng)過CNN- LSTM通道融合模塊進(jìn)行特征信息的融合，同時(shí)將輸入數(shù)據(jù)跳轉(zhuǎn)連接到CNN-LSTM通道融合模塊的輸出進(jìn)行數(shù)據(jù)融合，由此形成一個(gè)具有殘差連接的多通道融合模塊；由多個(gè)殘差連接的通道融合模塊進(jìn)行數(shù)據(jù)的特征提取，然后將提取的特征進(jìn)行維度展平并通過全連接層進(jìn)行連接；最后經(jīng)過sigmoid激活函數(shù)，判斷輸出的數(shù)據(jù)是否為FDIA數(shù)據(jù)。

圖5 Res-CNN-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)

3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

為判定一段時(shí)間序列數(shù)據(jù)是否為虛假注入攻擊數(shù)據(jù)，以準(zhǔn)確率、精確率、召回率、1分?jǐn)?shù)作為模型的評(píng)價(jià)指標(biāo)[19]。

真正（true positve），記為p；假正（false positive），記為p；真負(fù)（true negative），記為n；假負(fù)（false negative），記為n。

準(zhǔn)確率c的計(jì)算表達(dá)式為

精確率的計(jì)算表達(dá)式為

召回率的計(jì)算表達(dá)式為

1分?jǐn)?shù)的計(jì)算表達(dá)式為

4 算例分析

4.1 實(shí)驗(yàn)環(huán)境配置

為了搭建網(wǎng)絡(luò)模型及其對(duì)比實(shí)驗(yàn)?zāi)Ｐ?，本文?shí)驗(yàn)配置為：計(jì)算機(jī)操作系統(tǒng)Windows 11，深度學(xué)習(xí)框架TensorFlow，編程語言python；顯卡為NVIDIA GeForce RTX 3060。

4.2 數(shù)據(jù)來源及實(shí)驗(yàn)流程

選擇該領(lǐng)域主流的IEEE-14節(jié)點(diǎn)和IEEE-118節(jié)點(diǎn)測(cè)試系統(tǒng)作為測(cè)試系統(tǒng)，從Matpower中獲得的量測(cè)數(shù)據(jù)包含各總線的電壓幅值、總線相位、總線注入有功功率和無功功率、各支路注入有功功率和無功功率等，一個(gè)量測(cè)數(shù)據(jù)作為一個(gè)樣本數(shù)據(jù)維度，并將其作為網(wǎng)絡(luò)輸入特征。其中，IEEE-14節(jié)點(diǎn)系統(tǒng)中每個(gè)樣本具有54個(gè)量測(cè)值，即54維。IEEE-118節(jié)點(diǎn)系統(tǒng)中每個(gè)樣本包括490個(gè)量測(cè)值，即490維。利用Matpower軟件對(duì)IEEE-14和IEEE-118節(jié)點(diǎn)系統(tǒng)各仿真生成5 000個(gè)時(shí)刻的正常量測(cè)數(shù)據(jù)樣本，設(shè)置標(biāo)簽為0，同時(shí)生成虛假注入攻擊數(shù)據(jù)樣本5 000個(gè)，設(shè)置標(biāo)簽為1。將正常樣本和虛假注入攻擊樣本進(jìn)行去均值和歸一化處理，按照6:2:2的比例隨機(jī)抽取樣本制作訓(xùn)練集、驗(yàn)證集和測(cè)試集。基于Res-CNN-LSTM網(wǎng)絡(luò)的虛假數(shù)據(jù)注入攻擊檢測(cè)實(shí)驗(yàn)流程如圖6所示。

圖6 基于Res-CNN-LSTM網(wǎng)絡(luò)的虛假數(shù)據(jù)注入攻擊檢測(cè)實(shí)驗(yàn)流程

首先，將從Matpower獲取的正樣本和負(fù)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和歸一化處理。歸一化通過相應(yīng)線性變換操作能夠?qū)?shù)據(jù)縮小到區(qū)間[0, 1]內(nèi)，數(shù)據(jù)歸一化操作所用的具體公式為

式中：g為歸一化之后的值；min為特征最小值；max為特征最大值；為待歸一化的值。

其次，將歸一化后的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，搭建實(shí)驗(yàn)網(wǎng)絡(luò)模型，利用訓(xùn)練集進(jìn)行模型訓(xùn)練，訓(xùn)練的同時(shí)利用驗(yàn)證集進(jìn)行模型驗(yàn)證。

再次，利用模型前向傳播計(jì)算的誤差進(jìn)行反向傳播來更新模型的參數(shù)，如果達(dá)到最大邊界條件或最大迭代次數(shù)，則訓(xùn)練結(jié)束，輸出訓(xùn)練完畢的模型，否則繼續(xù)進(jìn)行訓(xùn)練直到訓(xùn)練結(jié)束。

最后，利用測(cè)試集對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試，并返回模型的評(píng)價(jià)指標(biāo)。

4.3 預(yù)測(cè)結(jié)果對(duì)比

為了驗(yàn)證本文所提預(yù)測(cè)模型的精確性，選取支持向量機(jī)（support vector machine, SVM）、反向傳播（back propagation, BP）神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)、串行結(jié)構(gòu)的CNN-LSTM網(wǎng)絡(luò)模型、通道融合的CNN- LSTM網(wǎng)絡(luò)模型與通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型進(jìn)行對(duì)比。

為探究神經(jīng)網(wǎng)絡(luò)模型之間的優(yōu)劣性，設(shè)置固定的超參數(shù)：學(xué)習(xí)率為0.001、優(yōu)化器為Adam、每層神經(jīng)網(wǎng)絡(luò)（除最后一層）激活函數(shù)為ReLU函數(shù)、最大迭代次數(shù)為100、損失函數(shù)為交叉熵?fù)p失。

本文搭建的通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型共含4個(gè)殘差模塊，每個(gè)殘差模塊都有1DCNN與LSTM特征融合模塊，最后連接2層全連接層，利用最后一層全連接層進(jìn)行虛假注入數(shù)據(jù)攻擊檢測(cè)。通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型參數(shù)見表1。

其中，Covn fitter為卷積操作，Max pool為最大池化操作，殘差模塊4經(jīng)過全局平均池化，轉(zhuǎn)化為一個(gè)二維的向量，通道維度為64×1，因此不管是IEEE-118節(jié)點(diǎn)系統(tǒng)的輸入還是IEEE-14節(jié)點(diǎn)系統(tǒng)的輸入，經(jīng)過殘差模塊4后輸出的特征向量都為64×1，保證了不同的輸入、同樣的模型輸出；最后兩層的全連接層神經(jīng)元數(shù)量為64、2，最后一層神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為sigmoid函數(shù)，輸出分類檢測(cè)結(jié)果。

不同模型針對(duì)IEEE-14和IEEE-118節(jié)點(diǎn)系統(tǒng)的訓(xùn)練準(zhǔn)確率分別如圖7～圖11所示，圖中包括IEEE-14和IEEE-118節(jié)點(diǎn)系統(tǒng)對(duì)應(yīng)模型訓(xùn)練過程中訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率曲線，每個(gè)模型設(shè)定訓(xùn)練輪次為100。

表1 通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型參數(shù)

從圖7～圖11可以看出，每個(gè)模型在100輪的訓(xùn)練內(nèi)都已收斂，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率已基本穩(wěn)定；每個(gè)模型的IEEE-14節(jié)點(diǎn)系統(tǒng)訓(xùn)練集和驗(yàn)證集的收斂準(zhǔn)確率均優(yōu)于IEEE-118節(jié)點(diǎn)系統(tǒng)訓(xùn)練集和驗(yàn)證集的收斂準(zhǔn)確率，這是由于IEEE-118節(jié)點(diǎn)系統(tǒng)的網(wǎng)絡(luò)拓?fù)浔菼EEE-14節(jié)點(diǎn)系統(tǒng)的網(wǎng)絡(luò)拓?fù)涓鼜?fù)雜；相比之下，通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型的準(zhǔn)確率最高、收斂較快且波動(dòng)最小。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率

圖8 LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率

圖9 串行結(jié)構(gòu)的CNN-LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率

圖10 通道融合的CNN-LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率

圖11 通道融合的Res-CNN-LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率

訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率曲線只能得到一個(gè)直觀的結(jié)論，為了定量分析各個(gè)模型針對(duì)IEEE-14節(jié)點(diǎn)系統(tǒng)和IEEE-118節(jié)點(diǎn)系統(tǒng)的性能，利用3.2節(jié)給出的評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比。IEEE-14節(jié)點(diǎn)系統(tǒng)6種模型的評(píng)價(jià)指標(biāo)對(duì)比見表2，IEEE-118節(jié)點(diǎn)系統(tǒng)6種模型的評(píng)價(jià)指標(biāo)對(duì)比見表3。

表2 IEEE-14節(jié)點(diǎn)系統(tǒng)6種模型的評(píng)價(jià)指標(biāo)對(duì)比

表3 IEEE-118節(jié)點(diǎn)系統(tǒng)6種模型的評(píng)價(jià)指標(biāo)對(duì)比

由表2和表3可知，本文提出的通道融合的Res- CNN-LSTM網(wǎng)絡(luò)模型的評(píng)價(jià)指標(biāo)最優(yōu)；與通道融合的CNN-LSTM網(wǎng)絡(luò)模型相比，本文所提模型針對(duì)IEEE-14節(jié)點(diǎn)系統(tǒng)的準(zhǔn)確率、精確率、召回率和1分?jǐn)?shù)分別提高了1.02個(gè)百分點(diǎn)、1個(gè)百分點(diǎn)、1.7個(gè)百分點(diǎn)和1.35個(gè)百分點(diǎn)，針對(duì)IEEE-118節(jié)點(diǎn)系統(tǒng)的準(zhǔn)確率、精確率、召回率和1分?jǐn)?shù)分別提高了1.31個(gè)百分點(diǎn)、2.14個(gè)百分點(diǎn)、1.72個(gè)百分點(diǎn)和1.94個(gè)百分點(diǎn)，由此可得出，利用殘差結(jié)構(gòu)進(jìn)行跳轉(zhuǎn)連接可有效提高網(wǎng)絡(luò)模型的識(shí)別能力；與串行結(jié)構(gòu)的CNN-LSTM網(wǎng)絡(luò)模型相比，通道融合的CNN-LSTM網(wǎng)絡(luò)模型針對(duì)IEEE-14節(jié)點(diǎn)系統(tǒng)的準(zhǔn)確率、精確率、召回率和1分?jǐn)?shù)分別提高了1.01個(gè)百分點(diǎn)、0.84個(gè)百分點(diǎn)、1.25個(gè)百分點(diǎn)和1.04個(gè)百分點(diǎn)，針對(duì)IEEE-118節(jié)點(diǎn)系統(tǒng)的準(zhǔn)確率、精確率、召回率和1分?jǐn)?shù)分別提高了2.06個(gè)百分點(diǎn)、1.57個(gè)百分點(diǎn)、3.31個(gè)百分點(diǎn)和2.44個(gè)百分點(diǎn)，由此結(jié)果可得出，利用不同通道進(jìn)行特征提取并融合可有效提升網(wǎng)絡(luò)模型的識(shí)別效果。

5 結(jié)論

本文提出了一種基于通道融合的Res-CNN- LSTM電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測(cè)模型。模型主要采用1DCNN和LSTM網(wǎng)絡(luò)在不同通道上進(jìn)行特征提取，將不同通道提取的特征進(jìn)行融合，整體網(wǎng)絡(luò)架構(gòu)采用殘差結(jié)構(gòu)進(jìn)行模型的訓(xùn)練和測(cè)試，最后與其他模型進(jìn)行了對(duì)比測(cè)試，得出如下結(jié)論：

1）1DCNN和LSTM網(wǎng)絡(luò)具有很好的時(shí)間序列數(shù)據(jù)特征提取能力，在不同的通道結(jié)構(gòu)上將二者提取的特征進(jìn)行融合，進(jìn)行優(yōu)勢(shì)互補(bǔ)，可有效提高模型的檢測(cè)準(zhǔn)確率。

2）殘差網(wǎng)絡(luò)的跳轉(zhuǎn)連接結(jié)構(gòu)可以有效避免網(wǎng)絡(luò)過擬合的情況，使網(wǎng)絡(luò)深度更深，從而提高網(wǎng)絡(luò)模型在虛假攻擊數(shù)據(jù)中的檢測(cè)效果。

3）雖然本文所提通道融合的Res-CNN-LSTM網(wǎng)絡(luò)模型針對(duì)虛假數(shù)據(jù)注入攻擊有很好的檢測(cè)效果，但是其依賴大量的數(shù)據(jù)集進(jìn)行訓(xùn)練，在數(shù)據(jù)不足的情況下很難達(dá)到高效準(zhǔn)確的檢測(cè)效果。同時(shí)，由于模型結(jié)構(gòu)較為龐大，模型推理耗費(fèi)的算力資源也較高。

綜上所述，本文所提通道融合的Res-CNN- LSTM網(wǎng)絡(luò)模型在數(shù)據(jù)足夠的情況下，可以實(shí)現(xiàn)對(duì)電網(wǎng)虛假數(shù)據(jù)注入攻擊的有效檢測(cè)。

[1] 楊杉, 譚博, 郭靜波. 基于雙馬爾科夫鏈的新型能源互聯(lián)網(wǎng)虛假數(shù)據(jù)注入攻擊檢測(cè)[J]. 電力自動(dòng)化設(shè)備, 2021, 41(2): 131-137.

[2] 王琦, 邰偉, 湯奕, 等. 面向電力信息物理系統(tǒng)的虛假數(shù)據(jù)注入攻擊研究綜述[J]. 自動(dòng)化學(xué)報(bào), 2019, 45(1): 72-83.

[3] 曹禹. 智能電網(wǎng)中虛假數(shù)據(jù)注入攻擊檢測(cè)與辨識(shí)研究[D]. 南京: 南京郵電大學(xué), 2022.

[4] 陳劉東, 劉念. 面向互動(dòng)需求響應(yīng)的虛假數(shù)據(jù)注入攻擊及其檢測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(3): 15-23.

[5] 田猛, 王先培, 董政呈, 等. 基于拉格朗日乘子法的虛假數(shù)據(jù)攻擊策略[J]. 電力系統(tǒng)自動(dòng)化, 2017, 41(11): 26-32.

[6] 張明月, 王新宇. 基于殘差觀測(cè)器的智能電網(wǎng)虛假數(shù)據(jù)攻擊檢測(cè)研究[J]. 電氣工程學(xué)報(bào), 2023, 18(1): 111-117.

[7] 魯俊良. 基于機(jī)器學(xué)習(xí)的智能電網(wǎng)虛假數(shù)據(jù)攻擊檢測(cè)研究[D]. 北京: 華北電力大學(xué), 2019.

[8] 劉鑫蕊, 常鵬, 孫秋野. 基于XGBoost和無跡卡爾曼濾波自適應(yīng)混合預(yù)測(cè)的電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(16): 5462-5476.

[9] OZAY M, ESNAOLA I, VURAL F T Y, et al. Machine learning methods for attack detection in the smart grid[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(8): 1773-1786.

[10] YU J J Q, HOU Yunhe, LI V O K. Online false data injection attack detection with wavelet transform and deep neural networks[J]. IEEE Transactions on Industrial Informatics, 2018, 14(7): 3271-3280.

[11] 陳冰, 唐永旺. 基于Transformer編碼器的智能電網(wǎng)虛假數(shù)據(jù)注入攻擊檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2022, 39(7): 336-342.

[12] 黃冬梅, 何立昂, 孫錦中, 等. 基于邊緣計(jì)算的電網(wǎng)假數(shù)據(jù)攻擊分布式檢測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 1-9.

[13] 涂彥昭, 高偉, 楊耿杰. 一種基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)的光伏系統(tǒng)故障辨識(shí)方法[J]. 電氣技術(shù), 2022, 23(2): 48-54.

[14] 韋先燦, 高偉, 楊耿杰. 基于改進(jìn)動(dòng)態(tài)線損估計(jì)的智能電表誤差估計(jì)方法[J]. 電氣技術(shù), 2022, 23(2): 7-12.

[15] 李揚(yáng), 李智, 陳亮, 等. 發(fā)電機(jī)動(dòng)態(tài)狀態(tài)估計(jì)中的一種虛假數(shù)據(jù)注入攻擊方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(7): 1476-1488.

[16] 王菲菲, 阮愛民, 魏剛, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的開關(guān)柜局部放電故障識(shí)別[J]. 電氣技術(shù), 2019, 20(4): 76-81.

[17] 李元誠(chéng), 曾婧. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)假數(shù)據(jù)注入攻擊檢測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(20): 97-104.

[18] 金亮, 馮裕霖, 曹佳豪, 等. 基于注意力與長(zhǎng)短期記憶網(wǎng)絡(luò)的變壓器代理模型[J]. 電氣技術(shù), 2021, 22(7): 65-71, 77.

[19] 唐清葦, 向月, 代佳琨, 等. 基于CNN-LSTM的風(fēng)電場(chǎng)發(fā)電功率遷移預(yù)測(cè)方法[J]. 工程科學(xué)與技術(shù), 2024, 56(2): 91-99.

Detection of false data injection attacks in power grid based on Res-CNN-LSTM with channel fusion

FANG Zhenggang

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108)

The number of network attacks targeting the power system is increasing, and information physical security issues have attracted high attention from power companies and academia. In order to accurately detect false data injection attacks in the power grid, a one-dimensional convolutional neural network (1DCNN) based on residual neural network (ResNet) structure, and long short-term memory (LSTM) network based multi-channel fusion network model which called Res- CNN-LSTM is proposed. This algorithm utilizes the efficient extraction ability of 1DCNN and LSTM in time series information, and fuses the extracted information in different channels to further enhance the extraction effect of data features. At the same time, the main body of the model adopts a residual jump connection structure to solve the problem of overfitting in the training process of the neural network. Simulation is conducted based on IEEE-14 and IEEE-118 node testing systems, and the proposed method is compared with other neural network model algorithms. The results verified the effectiveness and accuracy of the proposed method in the paper.

neural network; multi channel data fusion; attack detection; deep learning; long short- term memory (LSTM) neural network

2023-11-17

2024-01-15

方正剛（1997—），男，福建省福州市人，碩士研究生，研究方向?yàn)槿斯ぶ悄茉陔姎忸I(lǐng)域中的應(yīng)用。