1.问题研究背景
虚假数据注⼊攻击(false data injection attacks,FDIAs)能够利⽤能量管理系统中的坏数据检测漏洞,恶意篡改状态估计结果,严重危害电⼒系统的安全可靠运⾏。同时,配电⽹因其⽹络拓扑结构复杂,量测冗余度低等特点,存在更⼤的潜在⽹络攻击威胁。因此,FDIAs 的防 御与辨识成为保障电⼒系统信息安全韧性以及经济运⾏的⼀个新挑战。
2. FDIAS 建模
直流状态估计模型可表⽰为
式中:z 为量测量向量;x 为状态量向量;e 为量测误差向量;H 为量测雅克⽐矩阵。
最⼤标准化残差(largest normalized residual,LNR)检验为状态估计坏数据检测(bad data detection,BDD) 的常⽤⽅法。⽤表⽰攻击者在量测值中注⼊的FDIAs 向量,则实际的量测数据为 ;FDIAs引起状态变量的误差向量 ,此时估计的状态变量 。攻击后残差表达式为 显然,当 时,有下式成⽴:式中:为 LNR 检验的阈值。由此可见,FDIAs 能有效躲避 LNR 检验,将量测值和状态变量修改成任意值。虽然配电⽹动态状态估计不能完全⽤ 式(1)的模型表⽰,但只要攻击向量满⾜,FDIAs ⼀样能通过式(3)的 LNR 检验。
这样注⼊的虚假数据就顺利通过LNR检验了,从⽽给电⼒系统状态估计造成不可估量的损失,攻击成功。
能量管理系统FDIAs 主要分为 2 类:1)特定攻击;攻击者根据攻击意图将特定的状态变量或潮流量测值修改成任意值。2)随机攻击;攻击者不指定攻击的量测点或状态变量,⽽是在某些约束条件下寻满⾜ 的⾼度稀疏攻击向量。
FDIAS 状态估计…
z =Hx +e (1)
a =
[a ,a ,…,a ]12m T z =a z +a c =
[c ,c ,…,c ]12n T x =a x +c ∥r ∥=a ∥z −a Hx ∥=a ∥z +a −H (x +c )∥
=∥z −Hx +a −Hc ∥
(2)
a =Hc ∥r ∥=a ∥z −a Hx ∥=a ∥z −Hx ∥<τ(3)
τa =Hc a =Hc
参考⽂献
【1】陈碧云, 李弘斌, 李滨. 伪量测建模与AUKF在配电⽹虚假数据注⼊攻击辨识中的应⽤[J]. 电⽹技术, 2019(9).【2】安培秀. 智能电⽹中虚假数据注⼊攻击检测⽅法研究[D]. 2017.