基于Transformer架构的电网安全态势感知与自适应灰度分级方法

《Alexandria Engineering Journal》：Power grid security situation awareness and adaptive grayscale classification method based on transformer architecture

　　

本研究针对现代电网面临的不断演变的网络安全威胁。现有方法通常依赖基于离散标签的分类和单模态分析，未能捕捉威胁强度的连续性质以及电网数据的异质性。为克服上述局限性，研究人员提出PGTSAGA（Power Grid Transformer for Security Situational Awareness and Adaptive Grayscale Assessment，一种用于安全态势感知与自适应灰度评估的电网Transformer框架），一种基于Transformer的新型多模态电网安全分析框架。PGTSAGA通过三模态交叉注意力机制（Trimodal Cross-Attention Mechanism）整合SCADA（Supervisory Control and Data Acquisition，数据采集与监控系统）测量数据、PMU（Phasor Measurement Unit，相量测量单元）同步相量数据和网络流量数据，实现有效的多模态特征融合。分层Transformer架构（Hierarchical Transformer Architecture）在多个时间尺度和关系尺度上提取威胁特征，涵盖从局部异常到全局电网状态。此外，基于变分推断的连续威胁评估器（Continuous Threat Evaluator）将威胁强度建模为概率分布，捕捉含噪声数据中的不确定性。与之互补的基于模糊集合理论的自适应灰度分类方法（Adaptive Grayscale Classification）将威胁等级动态映射至连续灰度空间，减少硬性离散分类所造成的误差。在真实数据集上的实验结果表明，与Crossformer相比，PGTSAGA在Accuracy（准确率）上取得5.4%的相对提升，在Precision（精确率）、Recall（召回率）和F1上均提升约6%，AUC（Area Under the Curve，曲线下面积）提升4.12%，误报率相对降低40.74%。

**基于Transformer架构的电网安全态势感知与自适应灰度分级方法——论文解读**

**一、研究背景与问题提出**

作为关键国家基础设施，现代电网不仅承担着支撑经济社会发展的能源供给任务，同时也是网络攻击的重点目标。近年来，乌克兰电网遭受网络攻击以及委内瑞拉大停电等安全事件，充分暴露了电网在网络安全防护方面的脆弱性。攻击者可经由多种途径实施入侵，包括破坏SCADA系统、篡改同步相量测量数据以及渗透网络协议等。电网安全威胁的快速演变与难以预测特性，使得传统安全防护手段难以形成有效防御。

电网安全态势感知是指通过各种监测手段从电力网络中采集安全相关信息，评估潜在威胁并指导响应决策的过程。然而，传统电网安全监测方法主要依赖专家系统，此类系统基于预定义规则和阈值检测，面对新型攻击模式时适应性不足，易产生较高的误报率和漏报率。基于机器学习的方法虽取得一定进展，但通常需要大量人工特征工程，且难以适应非平稳的威胁分布。深度学习架构虽能自动提取特征，但由于电网安全数据来源于不同模态（如SCADA运行数据、PMU同步相量测量数据及网络流量日志），各模态具有不同的时间粒度和语义含义，采用单一网络处理全部数据易导致知识冲突，降低识别精度。此外，现有威胁分类方法多依赖离散标签进行风险分级，硬性分类边界在实际运行中可能引发不当响应，例如归一化评分0.49与0.51的威胁虽在实际差异上可忽略不计，却可能被分别判定为"中危"与"高危"等级。

针对上述问题，本研究提出基于Transformer架构的电网安全态势感知与自适应灰度分级方法（PGTSAGA）。其核心思路是利用Transformer的全局感知能力分别处理不同模态数据，保留各模态特有的特征空间，同时实现跨模态推理，从而避免单编码器架构所固有的知识冲突；并通过连续标签进行威胁分类，减少硬性分类边界造成的误判。

**二、主要技术方法**

研究人员设计并实现了一种端到端的PGTSAGA框架，主要包含以下关键技术创新：其一，三模态交叉注意力机制，通过时域对齐策略（滑动窗口与固定时间间隔结合，SCADA数据前向填充、网络流量通过包计数聚合）实现SCADA、PMU与网络流量数据的有效融合；其二，分层Transformer架构，包含局部感知层、关联发现层和全局态势层三个层次，配合基于拓扑距离和电气距离的相对位置编码，实现多尺度威胁特征提取；其三，基于变分推断的连续威胁评估器，将威胁强度建模为潜空间连续变量，通过贝叶斯神经网络实现参数概率建模，并采用蒙特卡洛采样量化威胁评估的不确定性；其四，基于模糊集合理论的自适应灰度分类器，通过Sigmoid映射函数族的连续灰度映射、动态阈值调整机制及多级分层策略，实现威胁等级的连续化表达。实验数据集包含来自省级电网调度中心（2022年1月至2024年12月）的SCADA数据（500kV及以上变电站和输电线路，4秒采样频率）、IEEE 39节点和IEEE 118节点系统仿真及67台实际PMU部署的同步相量数据（50Hz采样频率），以及真实电网通信网络流量数据，共9000个多模态样本，由15位具有8至15年电网安全经验的专家标注了1200个典型安全事件。

**三、研究结果**

3.1 主实验结果

在真实多模态电网数据集上，与最强基线Crossformer相比，PGTSAGA在Accuracy上取得5.4%的相对提升，Precision、Recall和F1均提升约6%，AUC提升4.12%，误报率相对降低40.74%。ROC曲线分析显示PGTSAGA取得了0.961的AUC值，表明三模态交叉注意力与门控融合机制能有效消解模态特有信号的模糊性，概率潜变量建模与自适应模糊灰度映射产生校准的、不确定性感知的评分，降低了过度自信的正类预测。

3.2 自适应阈值效果评估

在100个时间步长的威胁强度时间序列测试中，自适应阈值（基于指数移动平均，平滑因子0.1）相比固定阈值（0.5）能更准确地跟踪潜在威胁强度。在攻击期间（步骤60至100），自适应阈值从0.5升至约0.62，与威胁强度的增幅保持一致，而固定阈值保持静态。自适应阈值与真实威胁峰值的对齐相对改进约24%，有效降低了漏检风险。

3.3 实时性能评估

与Crossformer相比，PGTSAGA处理延迟降低11.5%，吞吐量提升13.0%，GPU利用率降低14.8%。尽管参数比Crossformer增加13.2%，但优化的注意力机制和高效的多模态融合策略使推理延迟反而降低了11.5%。误报率40.74%的相对降低可带来显著的运营成本节约——对于每天产生100条安全告警的典型省级电网，误报率从5.4%降至3.2%意味着每天减少约2次不必要的应急响应。

3.4 消融实验

由基线逐步添加多模态融合（MF）、分层架构（HA）、连续威胁评估（CTA）和自适应灰度分类（AG）的消融实验表明：单独引入MF使Accuracy提升8.0%、F1提升8.2%、AUC提升6.8%；添加HA在MF基础上进一步带来Accuracy 4.5%和AUC 3.8%的相对增益；引入CTA再增加Accuracy 2.6%和AUC 2.4%的提升；完整PGTSAGA模型取得最优综合表现。其中MF贡献了最大的单项性能提升，CTA不仅改善数值指标，还通过概率建模增强了模型鲁棒性。

3.5 噪声鲁棒性评估

在六种信噪比设置下，PGTSAGA在每个噪声水平均取得最高准确率，且随噪声增强性能差距进一步扩大。与Crossformer相比，各信噪比下的绝对改进分别为5.4%、6.1%、6.9%、8.5%、9.6%和11.8%。PGTSAGA的性能衰减率为18.4%（Crossformer为26.8%），相对降低31.3%，体现出更强的噪声韧性。

3.6 模态组合与可扩展性分析

单模态模型中PMU数据贡献最大；双模态组合SCADA+PMU较PMU单独使用取得7.4%的相对增益；完整三模态融合模型达到92.6%的Accuracy和92.6%的F1，较SCADA+PMU组合分别相对提升12.8%和13.7%。在39至3000节点规模电网的扩展性测试中，Accuracy和F1随规模增大仅分别相对下降约3.6%和3.8%，但仍保持在90%以上，展现出良好的可扩展性。

3.7 参数敏感性与异构数据评估

增益参数α=1.0、温度参数β=0.5、阈值平滑因子τ=0.01时模型取得最优性能。在纯真实数据子集上PGTSAGA达到94.2%的Accuracy、94.5%的Precision、93.9%的Recall和94.2%的F1；在仿真数据子集上相应指标为91.8%、92.1%、91.5%和91.8%。泛化差距仅为2.4%，显著小于Crossformer的3.2%和BERT的2.9%。

**四、讨论与结论**

讨论部分分析了PGTSAGA在五种典型威胁场景（设备故障、网络攻击、数据篡改、拒绝服务攻击、恶意负荷控制）中的检测性能差异。设备故障因在三种模态中的表现更具可预测性而获得最高检测精度；恶意负荷控制和数据篡改因隐蔽性强而检测难度较大；具有高信噪比特征的威胁（如拒绝服务攻击）检测时间最短。PGTSAGA的连续威胁建模对高级持续性威胁（APT）的多阶段攻击模式具有天然优势，其概率不确定性量化框架能够区分良性运行变化与恶意故障注入。

研究结论指出，PGTSAGA通过三模态交叉注意力机制整合SCADA、PMU和网络流量数据，采用分层Transformer架构进行多尺度特征提取，引入连续威胁评估器与自适应灰度分类方法，在真实数据集上取得了优于现有方法的态势感知与自适应威胁分类性能。具体而言，Accuracy相对提升5.4%，Precision、Recall和F1均提升约6%，误报率相对降低40.74%。该工作增强了电力系统运行人员的实时威胁检测与决策支持能力，有助于构建更具弹性和安全性的智能电网基础设施。未来研究方向包括开发压缩Transformer变体和知识蒸馏技术以实现资源受限环境下的实时检测，以及探索与抗量子密码方案的兼容性以保障模型更新和告警通信的安全性。