基于异步优势学习的微电网混合网络威胁防御新方法

为解决微电网(μG)中虚假数据注入(FDI)和拒绝服务(DoS)攻击导致的动态频率失稳问题，研究人员提出了一种结合Luenberger观测器与异步优势演员-评论家(A3C)算法的防御机制。该研究通过状态估计和自适应调节二次控制器参数，显著降低了混合攻击对测量信号的破坏，在积分绝对误差指标(IAE)下较现有方法提升84.66%-94.96%，为电力系统网络安全提供了创新解决方案。

　　

随着可再生能源(REs)和分布式发电(DGs)在微电网(μG)中的大规模应用，电力系统正面临日益复杂的网络安全威胁。虚假数据注入(FDI)攻击可篡改传感器测量值，拒绝服务(DoS)攻击则阻断通信链路，二者协同作用会导致频率调节失效甚至系统崩溃。传统防御方法如分数阶控制器和滑模控制(SMC)在应对混合攻击时表现局限，亟需智能化的动态防御策略。

辽宁省科技厅自然科学基金资助的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出了一种融合Luenberger观测器与深度强化学习的双层防御架构。研究首先通过观测器生成残差信号检测攻击，随后采用异步优势演员-评论家(A3C)算法实时优化控制器参数。关键技术包括：1)构建包含燃料电池(FC)、飞轮储能(FES)等组件的测试系统；2)设计基于时间延迟估计的超局部模型；3)训练A3C神经网络最大化奖励函数以抑制攻击影响。

FDI和DoS威胁检测策略
通过Luenberger观测器估计系统状态，当残差信号超过阈值时触发事件驱动机制。实验显示该方法对0.5Hz频率偏移的检测延迟仅20ms。

基于时间延迟估计的超局部模型控制
将系统未知动态建模为单输入单输出(SISO)方程：E(t,y,y⁽¹⁾,...,y^(l),u,u⁽¹⁾,...,u^(k))=0，通过?项表征总扰动，实现了对非线性干扰的鲁棒补偿。

仿真结果
在同时施加FDI攻击（篡改频率信号0.3Hz）和DoS攻击（50%丢包率）的场景下，所提方法使IAE指标降至0.041，较分布式经济模型预测控制(DEMPC)提升84.66%。

方法论贡献
研究创新性地将A3C的探索-利用机制应用于控制器参数调优，通过深度神经网络(DNN)动态生成最优控制策略。对比实验表明，该方法在光伏出力波动±30%时仍保持频率偏差<0.1Hz。

该研究证实了人工智能在电力系统网络安全中的巨大潜力。作者Shuguang Li等开发的混合防御框架不仅显著提升了微电网抗攻击能力，其事件触发机制还降低了85%的通信负载。这项工作为构建具有环境适应性的智能电网安全体系提供了重要参考，未来可扩展至多微电网协同防御场景。