联网微电网网络安全与弹性前沿：特邀专刊综述与展望

《IEEE Transactions on Industry Applications》：Guest Editorial: Cybersecurity and Resilience of Networked Microgrids

本特邀编辑文章聚焦联网微电网（NMGs）在信息物理融合背景下面临的网络安全与弹性挑战。随着分布式能源（DERs）在配电网边缘的广泛集成，数据共享的机密性、完整性和可用性成为保障系统正确控制功能的关键。专刊收录的47篇高质量论文从安全弹性运行策略、控制系统设计、灾后恢复、入侵防护检测及可信人工智能五个主题方向，系统提出了事前预防、事中响应和事后恢复的全周期解决方案，为提升下一代配电系统的自适应能力和智能水平提供了重要理论支撑和技术路径。

　　

随着可再生能源在配电网中的渗透率不断提高，联网微电网（Networked Microgrids, NMGs）作为分布式能源（DERs）集成的重要载体，正面临日益严峻的网络安全与系统弹性挑战。这些互联的微电网在配电层面实现了电气互联和功能互动，其监控、分析、协调和交易等功能高度依赖于信息通信技术（ICTs）。然而，这种深度耦合也引入了新的脆弱性：数据共享过程中若无法确保机密性、完整性和可用性，将直接危及系统的正确控制功能；恶意网络攻击（如拒绝服务攻击DoS、虚假数据注入攻击FDI）可能导致频率失稳、电压越限甚至大面积停电；极端天气等事件更考验系统快速从异常状态中恢复的能力。当前，如何构建具备内在韧性、能够抵御、吸收并快速从扰动中恢复的NMGs，已成为智能电网领域亟待突破的核心问题。

为此，《IEEE Transactions on Industry Applications》特邀编辑团队策划出版了“联网微电网的网络安全与弹性”专刊，旨在汇聚最新研究成果，推动配电系统尤其是NMGs在网络安全与弹性方面的理论创新和技术应用。该专刊从183篇摘要中经过严格评审，最终收录47篇高质量论文，从五大主题方向系统呈现了解决方案：安全弹性运行策略、控制策略、系统恢复、入侵防护检测隔离以及可信人工智能应用。这些研究不仅关注传统电力系统的稳定性，更将网络安全提升到与物理安全同等重要的地位，致力于构建信息物理协同的弹性防御体系。

研究人员围绕五大主题方向开展了系统性探索。在安全弹性运行策略方面，研究重点包括采用多智能体强化学习（MARL）、对抗性深度强化学习（ADRL）和鲁棒优化等人工智能方法，以应对不确定性扰动和极端事件。例如，文献[3]开发了一种基于交替方向乘子法（ADMM）和对抗性深度强化学习的两阶段调度框架，提升系统鲁棒性；文献[8]提出了在不同极端天气事件下评估和量化NMGs弹性的方法。在安全弹性控制策略领域，研究聚焦于分布式控制方案的设计，以保障系统在遭受网络攻击时的暂态性能和动态稳定性。代表性工作包括：文献[15]提出的直流微电网集群预定义暂态性能保障的分散-分布式二次控制方案；文献[18]基于ADMM的弹性分布式经济模型预测控制（MPC）算法，实现频率恢复和经济调度；文献[24]研究了在DoS和FDI攻击下从单微电网扩展到联网运行的预定义时间弹性控制策略。系统恢复策略重点探讨灾后快速重构和供电能力提升，如文献[29]通过增强径向约束的多周期模型优化主动配电网恢复、修复和孤岛数量；文献[31]创新性地探索量子计算以实现基于构网型逆变器（IBRs）的配电系统快速恢复。入侵防护、检测与隔离方向聚焦攻击识别与定位，例如文献[34]通过整合电、水、气多源消费数据检测窃电行为；文献[35]在分布式分层控制架构下实时检测和定位直流NMGs中的传感器FDI攻击。在可信人工智能应用前沿，研究探索了联邦学习、量子计算、大语言模型（LLMs）等新兴技术在确保数据隐私和算法可信度方面的潜力。文献[38]研究了大语言模型与强化学习在NMGs中的兼容性，以解决设备和系统级测量缺失问题；文献[39]提出隐私屏蔽的联邦量子学习方法用于充电负荷预测；文献[43]引入噪声聚合增强的量子联邦学习方法进行暂态稳定性评估。

在安全弹性运行策略方面，研究通过多智能体强化学习（如Ref.[1]）、对抗性深度强化学习（Ref.[3]）和鲁棒强化学习（Ref.[4]）等方法，增强了NMGs在不确定性和扰动下的运行鲁棒性。Bi-level优化（Ref.[5]）和tri-level优化（Ref.[9]）框架被用于应对动态通信不确定性和防御负载重分配攻击（Load Redistribution Attacks）。生成对抗网络（GANs）被应用于混合网络分区和动态重构（Ref.[7]），以提升网络安全和弹性。这些策略致力于在事前预防阶段提升系统应对潜在威胁和扰动的能力。

在安全弹性控制策略方面，研究重点设计了能够抵御网络攻击并保持系统稳定的控制方案。直流微电网集群的分散-分布式二次控制（Ref.[15]）保证了预定义暂态性能。基于事件触发的控制（Ref.[16]）在实现最优功率分配的同时保护了隐私。弹性模型预测控制（MPC）策略，包括基于ADMM的分布式经济MPC（Ref.[18]）和容忍延迟的MPC（Ref.[19]），有效应对了混合信息物理攻击，维持了频率稳定。针对FDI和DoS攻击，提出了投影式分布式双层层控制（Ref.[20]）、稀疏促进生成对抗学习（Ref.[22]）、预定义时间弹性控制（Ref.[24]）和隐私保护协同控制（Ref.[23], Ref.[27]）等方法。车辆到电网（V2G）技术通过分布式MPC与非侵入式电池代理模型结合，进一步增强了弹性（Ref.[26]）。混合网络防御机制融合物理信息神经网络（PINN）以应对重放和FDI攻击（Ref.[28]）。

系统恢复策略研究聚焦于极端事件后快速恢复供电。多周期模型中的径向约束增强（Ref.[29]）优化了恢复、修复和孤岛形成过程。柔性资源整合（Ref.[30]）和量子计算（Ref.[31]）被探索用于加速恢复，特别是针对基于构网型逆变器（IBRs）的系统。安全深度强化学习（Ref.[32]）考虑了频率和电压约束，实现了鲁棒恢复。针对高比例可再生能源的多能源NMGs，提出了Bi-level鲁棒协调恢复策略（Ref.[33]）。

入侵防护、检测和隔离研究旨在及时发现并定位恶意活动。多源消费数据（电、水、气）整合用于窃电检测（Ref.[34]）。在分布式分层控制架构下，实现了对直流NMGs传感器FDI攻击的实时检测与定位（Ref.[35]）。研究了无人机（UAV）网络攻击对微电网的影响与特征（Ref.[36]）。非侵入式数据驱动逆向优化被用于估计NMGs中市场竞标行为（Ref.[37]）。

可信人工智能探索了前沿技术在确保数据隐私和算法可靠性方面的应用。大语言模型（LLMs）与强化学习的兼容性研究（Ref.[38]）旨在解决测量缺失问题。隐私屏蔽的联邦量子学习（Ref.[39]）用于充电负荷预测。多智能体分层模糊强化学习（Ref.[40]）和基于多智能体伦理增强技术（Ref.[41]）被用于点对点能源交易。并行时序神经仿真（Ref.[42]）结合低精度物理指导实现高效计算。噪声聚合增强量子联邦学习（Ref.[43]）用于暂态稳定评估。边缘可部署机器学习代理（Ref.[44]）实现实时战术技术归因。半量子通信协议（Ref.[47]）在零信任架构下保障网络安全操作。

综上所述，本专刊系统展示了联网微电网网络安全与弹性研究领域的最新进展。研究成果涵盖从运行控制、系统恢复到入侵防御和可信人工智能的完整技术链条，核心贡献在于提出了多层次、跨时间尺度的弹性增强方法。这些方法显著提升了信息物理融合系统在面对网络攻击和极端事件时的鲁棒性、恢复力和安全性，为构建具有更高自适应能力和智能水平的新一代配电网络奠定了坚实基础。专刊的成功出版得益于特约编辑团队Yu Wang（重庆大学）、Charalambos (Harrys) Konstantinou（阿卜杜拉国王科技大学）、Quan Zhou（湖南大学）、Yujian Ye（东南大学）、Xiaozhe Wang（麦吉尔大学）以及Nikos D. Hatziargyriou（雅典国立技术大学）等学者的卓越工作，以及众多匿名评审专家的辛勤付出，标志着该领域研究已进入系统化、实用化的发展新阶段。