基于GAN-LSTM与Copula方法的主动配电网故障与虚假数据注入攻击检测

《Scientific Reports》：Robust uncertainty-aware attack-fault diagnosis in hydrogen-based energy system based on a copula-meta-learning approach

　　

摘要

主动配电网（ADPS），包括基于氢的可再生能源单元，正成为现代电力系统的重要组成部分。这些系统将分布式能源与先进的通信技术相结合，以提高效率、灵活性和可靠性。然而，它们面临的一个重大挑战是区分设备故障和网络攻击，特别是虚假数据注入（FDI）攻击，这些攻击会严重影响电网性能。传统的故障检测方法往往难以区分这两种原因，导致诊断不准确和响应延迟，危及系统可靠性。本文提出了GAN–LSTM方法，利用结合了长短期记忆（LSTM）网络与生成对抗网络（GANs）的混合模型。这种方法通过从历史事件中学习，增强了系统自适应检测故障和攻击的能力。该方法面临的主要障碍是数据监测中的固有不确定性。ADPS数据通常存在噪声、不完整或不一致的情况，这可能会损害模型性能。不完整的传感器读数、变化的环境条件以及网络状态不稳定等因素都导致了这种不确定性。为解决这一问题，我们采用了Copula方法，该方法能够捕获并建模不确定数据中的关系。通过使用Copula方法，我们确保即使在处理模糊或数据不足的情况下，模型也能保持可靠和准确。实验结果表明，提出的基于GAN-LSTM的模型优于传统技术，在区分故障和网络攻击方面检测准确率提高了约6–15%。此外，与不考虑不确定性的传统机器学习技术相比，我们的模型在数据不确定性较大的场景（如传感器数据缺失或损坏）中检测准确率有所提高。这些发现验证了所提方法的有效性，证明了即使在不确定情况下也能提供精确和可信赖的诊断。该方法为增强ADPS的安全性和韧性提供了有前途的策略，同时确保高效的故障诊断和网络攻击检测。