基于残差全连接神经网络的微电网分布式二次控制抗虚假数据注入攻击自适应预测补偿策略

《Electricity》：Neural Network-Based Resilient Secondary Control for Microgrids Under False Data Injection Attacks

　　

摘要

二次控制在确保微电网稳定高效运行方面起着至关重要的作用，但同时也极易受到虚假数据注入（FDI）攻击。本文提出了一种由神经网络驱动的自适应预测补偿（APC）策略，用于增强分布式二次控制的韧性。该方法集成了残差全连接神经网络（RFCNN）、基于动态阈值的攻击检测以及自适应切换控制。具体而言，在检测到攻击后，通过切换控制隔离受影响的部分，并用基于预测补偿机制的新控制回路进行替换。这有效缓解了攻击对二次控制的不良影响，确保了系统频率的稳定和功率分配的精确。在测试的FDI攻击场景中，攻击在注入后约20毫秒被检测到，微电网在约0.25秒内基本恢复稳定运行。RFCNN达到了0.0108的均方根误差（RMSE），与BPNN、LSTM和NARX相比，分别降低了约8.5%、20.6%和50.2%。仿真和FPGA在环实验进一步验证了所提策略在增强微电网抵御FDI攻击韧性方面的有效性和实际可行性。