基于模块化无监督时空图学习自适应融合的智能电网虚假数据注入攻击检测

《IEEE Transactions on Information Forensics and Security》：MUSTGL Fusion: Modular Unsupervised Spatio-Temporal Graph Learners with Adaptive Fusion for False Data Injection Attack Detection in Smart Grids

　　智能电网（SG）基础设施容易受到隐蔽的虚假数据注入攻击（FDIA）的威胁，此类攻击通过篡改测量数据来绕过传统的坏数据检测器（BDD），导致错误的状态估计并可能引发系统中断。现有的基于机器学习（ML）或深度学习（DL）的检测器无法捕获空间相关性。虽然图神经网络（GNN）能够捕获空间相关性，但它们仅限于节点层面，因为其依赖于智能电网的物理拓扑结构，从而忽略了现实世界中的特征间相关性，降低了准确性和效率。为解决这一问题，我们提出了模块化无监督时空图学习器自适应融合方法（MUSTGL Fusion），该方法由四个学习器组成：一个邻接矩阵学习器，用于捕获非对称特征影响；一个空间相关性学习器，用于捕获特征间相关性；一个基于回声状态网络（ESN）的时间相关性学习器；以及一个融合学习器，用于生成统一的时空嵌入表示。FDIA的检测通过使用标准化残差训练的隔离森林（IF）来实现。在IEEE母线系统上的实验结果表明，MUSTGL Fusion在14母线、57母线和118母线系统上取得了具有竞争力的F1分数（分别为0.770、0.979和0.895），同时保持了较高的计算效率。