基于物理信息神经网络的柔性交流输电系统大范围阻尼控制器虚假数据注入攻击检测与恢复

《Fractal and Fractional》：Physics-Informed Neural Network-Based Detection of False Data Injection Attacks on FACTS-Assisted Wide-Area Fractional-Order Damping Controllers

　　

摘要

虚假数据注入攻击（FDIAs）对柔性交流输电系统（FACTS）辅助的大范围阻尼控制器构成了严重威胁，因为它们会破坏远程测量数据、降低区域间振荡的阻尼效果，并可能逃避传统检测方法。忽略闭环物理特性的基于数据的检测器在乘法增益斜坡攻击下尤其脆弱；分数阶控制器的记忆依赖性特征进一步加剧了这一问题，其长期历史效应可能会掩盖攻击在残差中引起的不一致性，除非将系统动态、执行器行为、攻击通道约束和分数阶记忆共同嵌入到学习目标中。本文通过一种物理信息神经网络（PINN）框架解决了这一空白，该框架将被控对象动态、静止无功补偿器（SVC）执行器动态、测量一致性、攻击通道重建以及 SVC 执行器残差中的重建分数阶命令纳入其中，从而联合估计潜在系统状态并重建乘法攻击增益。当平滑后的综合残差超过校准阈值时，即判定为检测到攻击。此外，本文引入了一种监督切换机制，在确认检测到攻击后，用重建的安全等效信号替换被破坏的大范围控制信号，从而在不完全中断控制器运行的情况下恢复闭环阻尼性能。在基于 FACTS 的阻尼控制系统中，针对基于增益的 FDIA 场景的仿真结果表明，所提出的检测器最高可达 99.42% 的准确率、98.86% 的精确率、99.18% 的召回率和 99.02% 的 F1 分数，且误报率低至 0.53%。此外，恢复机制还显著降低了与未采取措施情况相比攻击后的转速偏差过冲。