基于自動編碼器和隨機樹的智能電網FDI檢測
電子技術應用
景峰
國網山西省電力公司信息通信分公司
摘要： 為應對智能電網系統可能受到的新型網絡攻擊（如虛假數據注入攻擊），提出了一種基于機器學習的入侵檢測方法。該方法采用自動編碼器進行數據降維，并使用極端隨機樹分類器檢測潛在攻擊。在IEEE標準電力系統數據的基礎上，測試了該方法在不同系統規模和攻擊程度下的性能。實驗結果顯示，在IEEE 118節點系統中，該方法的檢測準確率高達99.76%，即使在僅有0.1%攻擊測量值的情況下，F1值也達到了99.77%，遠超其他算法。該方法不僅能有效檢測智能電網中的入侵行為，而且具有較高的計算效率。
中圖分類號：TM76；TP393.08 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.245197
中文引用格式： 景峰. 基于自動編碼器和隨機樹的智能電網FDI檢測[J]. 電子技術應用，2024，50(11)：80-84.
英文引用格式： Jing Feng. Smart grid FDI detection based on autoencoder and random tree[J]. Application of Electronic Technique，2024，50(11)：80-84.
中文引用格式： 景峰. 基于自動編碼器和隨機樹的智能電網FDI檢測[J]. 電子技術應用，2024，50(11)：80-84.
英文引用格式： Jing Feng. Smart grid FDI detection based on autoencoder and random tree[J]. Application of Electronic Technique，2024，50(11)：80-84.
Smart grid FDI detection based on autoencoder and random tree
Jing Feng
State Grid Corporation of Shanxi Electric Power Company Information Communication Branch
Abstract： To cope with new types of cyber attacks (e.g. false data injection attacks) that may be applied to smart grid systems, a machine learning-based intrusion detection method is proposed. The method employs an autoencoder for data dimensionality reduction and uses an extreme random tree classifier to detect potential attacks. The performance of the method is tested under different system sizes and attack levels based on IEEE standard power system data. The experimental results show that in the IEEE 118-node system, the detection accuracy of the method is as high as 99.76%, and the F1 score reaches 99.77% even when only 0.1% of the attack measurements are available, which is much higher than other algorithms. This method is not only effective in detecting intrusions in smart grids, but also has high computational efficiency.
Key words : attack detection；autoencoder；cyber attack；extreme random tree；spurious data injection；smart grid
引言
近年來，機器學習在檢測智能電網中的虛假數據注入（False Data Injection, FDI）攻擊方面發揮著越來越重要的作用[1-2]。Fadlullah等人[3]提出了基于高斯過程回歸的預測模型，用于檢測惡意攻擊行為。Zhang等人[4]采用支持向量機和人工免疫系統，設計了分布式檢測系統。這些傳統機器學習模型取得了一定成果，但準確率和魯棒性有待提高。
深度學習模型也受到關注，如Xue等人[5]提出的基于極限學習機的一類網絡框架。常顥等人[6]則結合了動編碼器和生成對抗網絡。Nagaraj等人[7]探討了一種基于極隨機樹算法和堆疊自動編碼器的智能電網入侵檢測方法，通過自動編碼器降低維度，并利用極隨機樹分類器檢測FDI攻擊。這些工作拓展了FDI攻擊檢測的研究視野，但也存在一些不足，如大多數方法在應對高維數據時計算效率較低；當攻擊測量值占比較低時，檢測效果不佳且缺乏大規模系統的可擴展性分析。
基于此，本文提出一種新穎的基于自動編碼器和極端隨機樹的FDI攻擊檢測框架，旨在提高大規模系統下的檢測準確率和計算效率，并增強對低攻擊稀疏度的適應能力。
本文詳細內容請下載：
http://www.j7575.cn/resource/share/2000006214
作者信息：
景峰
（國網山西省電力公司信息通信分公司，山西 太原 030021）
此內容為AET網站原創，未經授權禁止轉載。