基于协议的协同直流微电网网络攻击检测与信号重构：一种结合立方卡尔曼滤波与未知输入非线性观测器的方法

《Computers and Electrical Engineering》：Protocol-based cyber-attack detection and signal reconstruction in cooperative dc microgrids using a cubature kalman filter with an unknown-input nonlinear observer

　　赛义德·穆罕默德·霍塞伊尼·罗斯塔米|马赫迪·普尔戈利|哈迪·阿沙里乌恩，沙希德·贝赫什蒂大学电气工程系，地址：伊朗德黑兰，邮政信箱1658953571

摘要
本文针对分布式直流微电网中日益严重的网络安全威胁，提出了一种基于新协议的网络攻击检测与信号重建算法。该方法结合了未知输入观测器与立方卡尔曼滤波器，前者用于将攻击信号视为未知输入进行分离，后者则能在非线性和非高斯噪声环境下实现精确的状态估计。此外，通过轮询协议和加权一次丢弃协议等通信机制，该框架还能有效应对带宽限制。与滑模观测器相比，该算法在噪声环境下的收敛速度更快、精度更高。蒙特卡洛仿真结果表明，在带宽受限的情况下，该算法仍能保持信号重建的无偏性。通过均方误差和归一化均方根误差的定量评估可知，该算法的性能显著优于滑模观测器，其电流信号的均方误差为5.61×10??，而滑模观测器的相应值为6.54×10??。所提出的方法显著提升了直流微电网对各类复杂网络攻击的抵御能力，包括协同多点数据注入攻击和重放攻击，同时在不同类型的噪声环境下都能保持良好的稳定性。

引言
随着分布式发电单元越来越多地被集成到微电网中，现代电力系统的格局发生了变化，效率和可靠性都得到了提升[1]。然而，这种去中心化结构也带来了诸多安全隐患，尤其是网络安全方面的问题[2]。针对微电网的网络攻击可能破坏系统完整性，从而影响系统的稳定性、能源供应以及整体运行性能[3]。鉴于通信网络与物理电力系统之间的相互依赖关系，这些网络攻击可能带来严重后果，因此亟需有效的检测和防御策略。

目前用于网络攻击检测的方法往往难以应对各种干扰和环境噪声，这些因素会掩盖系统的真实运行状态，增加状态估计的难度[4]。传统的基于观测器的技术，如滑模观测器，虽然具有潜力，但依赖于精确的参数调优，且对测量噪声较为敏感。这些局限性凸显出需要创新方法来提升系统对已知和未知网络攻击的抵御能力[5]。

本研究提出了一种新的网络攻击检测与重建算法，该算法将未知输入观测器与立方卡尔曼滤波器相结合，并充分利用微电网各组件间的通信协议。通过整合这些先进技术，该算法提升了状态估计的稳定性，即便在存在环境不确定性的情况下，也能准确识别和重建网络攻击信号。此外，通过引入通信协议，该算法还能有效利用有限的带宽，优化数据传输并降低延迟。

近年来，由于对分布式发电的依赖日益增加，以及电力系统与通信网络之间的紧密联系，微电网的安全问题，尤其是在信息物理系统背景下的安全问题，受到了高度重视。这些系统存在的漏洞促使人们加大研究力度，致力于强化网络安全措施，开发有效的攻击检测算法[6]。目前，微电网中的网络攻击检测方法多采用基于观测器的技术，包括卡尔曼滤波器和滑模观测器[7]。各种形式的卡尔曼滤波器被广泛用于控制系统的状态估计和噪声抑制，但其难以处理非线性问题，也无法有效应对系统干扰，而这在动态环境中对于精确的状态估计至关重要[8]。为了解决这些问题，人们提出了立方卡尔曼滤波器，它通过更准确地近似状态分布，提升了在非线性系统中的性能。除了状态估计问题外，环境噪声对测量精度的影响也是一个重要问题[9]。研究表明，传感器噪声会严重影响状态观测器的性能，进而增加网络攻击的诊断和重建难度[10]。例如，滑模观测器虽对某些干扰具有较强抵抗力，但在噪声环境中可能会因参数调优问题而影响其效果。研究人员提出了多种滤波技术来减轻噪声影响，但这些方法往往会增加系统复杂性，降低响应速度[11]。在微电网系统中引入通信协议，成为提升网络攻击检测机制抵御能力的一种有效途径[12]。诸如轮询协议和时间分复用协议之类的基于协议的方法，能够实现微电网各组件之间的高效数据传输，优化带宽使用，减少传输延迟。最新研究还表明，通信调度方式会影响状态估计算法的准确性[14]。

尽管取得了这些进展，但在将未知输入观测器与立方卡尔曼滤波器结合使用的领域，尤其是在涉及通信协议的场景中，仍存在较大研究空白。本研究旨在填补这一空白，提出一种新的未知输入观测器-立方卡尔曼滤波器算法，利用通信协议提升微电网中网络攻击的检测和重建能力。通过解决环境噪声和带宽限制这两大挑战，该算法旨在提升微电网在动态环境中的攻击检测能力和准确性。通过全面的仿真分析，本研究将为加强微电网抵御不断演变的网络威胁的能力做出贡献。

在[15]中，通过对所提控制方法的全面仿真评估，证明了其在减轻多台微电网单元同时遭受网络攻击时的影响方面的有效性。该方法采用协作控制框架，通过实现单元间通信与决策协调，提升了系统的抵御能力。通过微电网集群之间的实时数据共享和协作控制机制，该策略具有诸多优势，即使在面对复杂网络攻击时，也能保持系统稳定性和运行完整性。此外，该方法还能提高系统的容错能力，使微电网能够在检测到异常时及时调整资源配置。不过，这种方法也存在一些缺点：过度依赖单元间的持续通信可能在网络拥堵或通信链路受损时带来安全风险。此外，协作决策所带来的计算复杂性也可能导致响应延迟，尤其是在运行条件快速变化的动态场景中。

在[16]中，提出了一种用于识别针对直流微电网运行完整性的隐蔽网络攻击的强大框架。该框架利用机器学习等先进的数据驱动技术，对系统数据进行分析，以检测那些能够逃避传统安全措施的隐蔽攻击迹象。这种方法的一个显著优势在于其适应性，它能够不断从新数据中学习，从而逐步提升检测精度，更有效地应对不断变化的网络攻击。此外，由于该方法依赖于实时数据分析，因此能够及时发现并应对攻击，从而最大程度减少对微电网运行的损害。不过，该方法也存在一些不足之处：训练数据的数量和质量会直接影响检测效果，有偏差或不足的数据可能导致漏检或误报。此外，在实时环境中实现机器学习模型也可能面临操作集成和计算资源方面的挑战。尽管存在这些限制，这种数据驱动的检测框架仍为提升直流微电网抵御隐蔽网络攻击的能力做出了重要贡献。

在[17]中，提出了一种用于识别和防范直流微电网系统中虚假数据注入攻击的综合性策略。该方法通过将自适应立方卡尔曼滤波器与融合技术相结合，提升了状态估计和异常检测的准确性。性能测试表明，与传统方法相比，融合技术显著提高了检测率，减少了误报，从而提升了微电网在面对复杂网络攻击时的抵御能力。该方法的一个主要优势在于其适应性，自适应立方卡尔曼滤波器能够根据实时数据动态调整参数，从而在不同的运行条件下保持更好的性能。此外，通过整合多种数据源，该方法能够利用互补信息，进一步提升检测的可靠性。不过，该方法也存在一些缺点：自适应立方卡尔曼滤波器的复杂性以及其对精确系统模型的依赖，可能在系统动态性极高或变化较大的情况下给实施带来困难。此外，其较高的计算需求也可能导致实时应用中出现延迟，如果不能妥善处理的话。总体而言，虽然基于融合的自适应立方卡尔曼滤波器方法在检测虚假数据注入攻击方面取得了显著进步，但在实际应用中仍需充分考虑其实施难题。

在[18]中，提出了一种利用立方卡尔曼滤波器提升非线性直流微电网稳定性的新方法。性能测试表明，当微电网系统中存在非线性动态和不确定性时，立方卡尔曼滤波器能够显著提升状态估计的准确性。由于具备了更精准的状态估计能力，该算法使得控制策略更加高效，从而提升了系统的性能和稳定性。立方卡尔曼滤波器在处理非线性问题方面的优势是其核心特点，这使其非常适合用于复杂的微电网应用。此外，该滤波器能够高效处理来自多个来源的数据，从而实现实时监控和决策，进一步提升系统的运行韧性。不过，该方法也存在一些缺点：实施立方卡尔曼滤波器可能需要较高的计算成本，这可能限制其在对实时性要求极高的系统中的应用。此外，该方法的性能在很大程度上取决于系统模型的准确性，模型不准确可能会导致估计和控制结果不佳。总体而言，尽管立方卡尔曼滤波器方法在提升非线性直流微电网稳定性方面取得了显著成效，但在实际应用中仍需充分考虑其较高的计算需求和对模型准确性的依赖。

在[19]中，研究了如何利用立方卡尔曼滤波器提升直流微电网中功率估计的准确性，尤其是针对非理想恒功率负载的情况。性能测试表明，尽管存在负载变化和测量噪声等挑战，立方卡尔曼滤波器依然能够准确估计功率需求。该方法的优点在于其具有较强的抗不确定性能力，以及出色的非线性处理能力，而这些特性对于维持直流微电网的稳定性和效率至关重要。此外，立方卡尔曼滤波器能够提供更准确、更及时的功率消耗数据，从而有助于优化电网管理及控制决策。不过，该方法也存在一些缺点：立方卡尔曼滤波器需要精细的参数调优，这会增加实施难度，同时也要求对系统动态有更深入的了解。此外，虽然该滤波器能够提升估计精度，但其较高的计算复杂性可能限制其在实时应用中的使用，尤其是在存在多个非理想负载或处理资源受限的系统中。总体而言，尽管立方卡尔曼滤波器是直流微电网功率估计的一种很有前景的方法，但其复杂性以及对精确参数设置的要求，仍是实际应用中需要重点考虑的因素。

在[20]中，提出了一种用于检测和防范集成电力与信息网络的微电网系统中网络攻击的先进方法。性能测试表明，该方法能够成功检测并隔离网络攻击，从而迅速采取措施，减少攻击对微电网运行的干扰。该方法的一个主要优势在于其对未知输入和干扰的强鲁棒性，这提升了系统对网络攻击的抵御能力。该技术通过采用分布式滑模观测器，实现了准确的监控和状态估计，从而能够及时、可靠地检测异常。此外，观测器的分布式架构还具备了良好的灵活性和可扩展性，能够适应不同配置的微电网。不过，该策略也存在一些缺点：对系统模型准确性的依赖可能成为一个限制，因为模型不准确可能会影响观测器的性能。此外，实现分布式观测器也可能面临诸多挑战，尤其是在确保各组件之间协调与通信方面。总体而言，该文章认为所提出的方法是提升微电网中集成电力与信息系统安全性的有效方案，同时强调了在实际应用中需要充分考虑其局限性。

在[21]中，提出了一种将基于物理特性的水印技术融入未知输入观测器中的新方法，用以提升信息物理微电网的安全性。性能测试表明，该技术能够利用微电网系统的物理特性，有效区分恶意数据与合法数据，从而显著提升对虚假数据注入攻击的检测能力。该方法的一个主要优势在于，它不仅能够保障系统的运行完整性，还能提供强大的数据篡改防护能力，因为其所设计的水印机制能够抵御各种形式的网络攻击。此外，通过融入基于物理原理的技术，该方法能够实现更准确的监控和状态估计，从而进一步提升整个系统的可靠性。然而，这种方法也存在一些缺陷。在观测器架构中嵌入水印的复杂性可能会增加计算负担，从而影响实时系统的性能。此外，由于水印方法依赖于精确的物理模型，模型与实际系统行为之间的偏差可能会降低其效果。尽管存在这些挑战，该方法仍为提升微电网中的网络攻击检测与防御策略带来了重大进展，也在网络物理系统安全领域取得了显著进步。文献[22]提出了一种利用分布式UIO识别微电网系统中串联直流电弧故障的创新方法。性能测试表明，该方法能够通过及时识别并隔离故障组件，有效提升对电弧故障的检测能力，而电弧故障对于确保直流微电网的安全性与可靠性至关重要。该方法的优点在于其分布式特性，便于对不同微电网区域进行局部监控与故障检测，从而减少对整体系统性能的影响。此外，UIO还能区分正常的运行波动与真正的故障状态，进而降低误报率，提高检测精度。不过，该方法也存在一些缺点：其对精确系统模型的依赖可能带来问题，模型与实际系统动态之间的差异可能会削弱观测器的性能。另外，分布式架构会增加实现难度，还需更先进的通信协议来支持观测器间的有效数据交换。尽管存在这些挑战，所提出的故障检测策略仍为保障直流微电网的安全性与可靠性提供了重要手段，尤其在应对电弧故障相关风险方面作用显著。文献[23]提出了一种利用UIO技术识别直流微电网系统中传感器故障的强大框架。正如性能报告所指出的，保持微电网的运行完整性取决于该方法能否准确识别传感器读数中的异常情况。通过运用UIO，该方法能够区分系统行为的正常波动与真正的传感器故障，从而提升故障检测的可靠性。该方法的显著优势在于无需太多关于故障的先验知识即可运行，因此能够适应各种不同的运行条件。此外，UIO具备将未知干扰与可测量输出区分开来的能力，提升了故障检测的精度，有助于及时采取干预措施以避免系统故障。不过，该方法也有局限性：UIO的性能可能对模型精度较为敏感，假设的模型与实际系统动态之间的差异可能导致检测延迟或误报。另外，在去中心化架构中部署UIO可能会增加微电网各组件之间的通信与数据交换难度。尽管存在这些挑战，该方法仍为提升直流微电网中的传感器故障检测能力提供了实用方案，进而增强了系统的可靠性与抗干扰性。文献[24]提出了一种利用集中式SMO重建直流微电网系统中传感器故障的创新方法。根据性能总结，该技术能够有效识别并重建传感器故障，从而确保微电网运行的可靠性与连续性。SMO的集中式结构使得能够汇集来自多个传感器的数据，借助全局系统信息优化故障重建过程。该方法的一个关键优势在于其具备对不确定性与干扰的强鲁棒性——这是滑模控制的特点——使得观测器即便在微电网工况不断变化的情况下仍能保持良好性能。不过，集中式架构也带来了一些弊端：它可能存在单点故障风险，一旦中央观测器出现故障，整个重建过程就会受到影响。此外，高通信带宽的需求可能在大规模微电网部署中构成限制，因为此时可能会出现延迟或带宽不足的问题。总体而言，虽然SMO是用于传感器故障重建的强大工具，但其集中式结构及通信需求在实际应用中需要仔细考量。文献[25]提出了一种利用优化后的SMO检测电力系统网络攻击的强大框架。性能总结显示，该方法能够精准识别由网络攻击引发的异常，从而保障电力系统运行的可靠性与安全性。优化后的SMO设计提升了其对系统行为突发变化的响应速度，有助于有效区分正常波动与潜在的网络入侵。该方法的显著优势在于其对干扰与不确定性的强鲁棒性，这使得它在存在外部因素影响系统测量的现实环境中仍能保持稳定性能。此外，滑模控制本身的固有鲁棒性也有助于在网络攻击发生时维持系统稳定性，同时减少误报。不过，该方法也存在一些缺陷：优化后的SMO计算复杂度较高，尤其是在具有众多变量的大规模电力系统中，这可能会增加处理时间，而实时应用往往要求快速检测。此外，尽管该方法对多数干扰具有较强抵抗力，但在面对那些利用观测器无法检测到的漏洞的复杂网络攻击时，其性能可能会下降。总体而言，优化后的SMO为电力系统的网络攻击检测提供了有效解决方案，但其较高的计算需求及潜在局限仍需持续评估与谨慎实施。文献[26]提出了一种创新的控制策略，该策略将干扰观测器与有限时间滑模控制器相结合，用以有效应对动态系统中的未建模不确定性。性能分析表明，该方法提升了控制系统的鲁棒性与响应速度，即使在存在严重干扰与模型不确定性的情况下，也能快速收敛到期望状态。通过采用改进的CKF算法，该方法能够实现精确的状态估计，这对于在不确定的运行条件下实现可靠且有效的控制至关重要。该方法的一个核心优势在于，即便在存在未建模不确定性的情况下，它仍能保持较高的性能与稳定性，因此非常适合那些传统控制技术难以应用的复杂动态系统。滑模控制器的有限时间收敛特性确保系统能在预定时间内达到期望状态，这对于需要精确且快速控制的场景而言极为重要。不过，该方法也存在一些缺点：由于使用了干扰观测器与CKF，计算复杂度会增加，这可能给实时应用带来挑战，尤其是那些处理能力有限的系统。此外，尽管滑模控制器具有很强的鲁棒性，但其不连续的特性可能会引发抖振现象，从而导致机械磨损或控制信号中出现不必要的振荡。总体而言，虽然该方法在处理不确定性与干扰方面展现出巨大潜力，但需重视其计算需求以及如何减轻抖振效应，才能确保其在实际应用中的可行性。文献[27]提出了一种利用UIO识别智能电网系统中网络攻击的强大框架。性能总结指出，该方法能够有效区分正常系统运行与恶意干扰，对各类网络攻击的检测准确率很高。使用UIO的一个显著优势在于，它无需事先了解攻击信号的特征，就能实时检测电网运行中的异常情况。这一特性提升了智能电网抵御网络攻击的能力，让运维人员能够及时掌握潜在的漏洞信息。此外，该方法无需对现有的智能电网架构进行大规模修改即可集成，因此是一种实用的增强安全性的方案。不过，该方法也存在一些缺点：在噪声较大的环境中，UIO的性能可能会下降，因为严重的测量噪声可能导致误报或漏检。此外，随着系统规模的扩大，观测器的计算复杂度也可能上升，进而影响智能电网动态运行所需的实时处理能力。最后，虽然UIO在检测网络攻击方面效果不错，但它可能无法提供有关攻击性质或来源的详细信息，而这些信息对于制定全面的应对策略而言可能非常重要。总体而言，尽管该策略为加强智能电网的网络攻击防护提供了一种可行方案，但计算限制与环境因素仍可能影响其整体效果。文献[28]提出了一种利用UIO检测直流微电网中串联直流电弧故障的方法。性能总结表明，该方法能够在噪声与干扰程度不同的条件下，依然准确检测故障，同时保持系统的稳定性与性能。该方法的一个显著优势在于其强鲁棒性：UIO无需事先了解故障特征即可检测故障，因此适用于多种微电网应用场景。此外，该方法还支持实时监控，便于快速识别故障并采取干预措施，这对于确保系统可靠性至关重要。不过，一个缺点是UIO的性能可能取决于其参数的恰当调整，而这可能既复杂又耗时，从而可能影响实际应用中的检测速度。此外，虽然该方法在故障检测方面表现优异，但由于它依赖于精确的系统模型，因此在模型不确定性较大的场景中可能会面临挑战。表1中的对比分析总结了现有研究中各种方法的优缺点。尽管通过多种网络攻击检测方法，微电网的安全性得到了提升，但目前的研究仍存在诸多不足，阻碍了这些系统的有效应用。其中一个突出的研究空白在于，诸如UIO和CKF这类先进观测器技术的整合程度还不够。虽然UIO和CKF分别被用于状态估计与干扰抑制研究，但它们在网络攻击检测领域的联合应用尚有待深入探索。此外，大多数现有方法未能充分解决环境噪声与通信带宽受限这两大问题，而这些因素会严重削弱检测算法的效果。另外，尽管RRP和TDM等通信协议在优化数据传输方面展现出潜力，但它们对网络攻击检测系统性能的影响尚未得到充分分析。通信协议与基于观测器的估计技术之间的相互作用是一个亟待研究的重点领域，尤其需要关注它们对检测精度与系统鲁棒性的影响。本研究旨在填补这些空白，提出一种新的方法，将UIO与CKF相结合，并融入通信协议，以进一步提升微电网中的网络攻击检测与故障重建能力。与那些仅专注于网络攻击检测、假设通信始终可用或忽视非线性问题的现有方法不同，所提出的框架提供了一种统一解决方案，能够同时应对未知干扰、非线性动态以及通信约束。这项研究的创新之处在于同时整合了三个关键要素：•UIO与CKF的统一整合用于网络攻击重建：与以往通常仅将UIO用于故障隔离或仅将CKF用于非线性滤波的研究不同，本研究提出了一种将非线性UIO与CKF相结合的新方法，以实现网络攻击的同步检测与重建。UIO负责隔离未知的恶意输入，而CKF则负责处理系统非线性特性与环境噪声，从而即便在噪声环境下也能实现无偏的网络攻击重建。•协议感知型估计框架（新的概念层）：本研究的一个关键创新在于在UIO–CKF框架中引入了协议感知型测量模型。该方法没有假设理想的通信条件，而是将RRP和加权一次尝试丢弃协议（TODP）直接嵌入到估计器设计中。通过这种嵌入方式，CKF被转化为基于协议的分布式CKF（PBDCKF），使其能够在带宽受限及异步传输的条件下正常工作——这一功能在之前的UIO–CKF相关研究中并未涉及。•通信协议（RRP与TODP）：本研究明确地将这些协议纳入状态估计框架中，并对其影响进行了分析，这在直流微电网网络安全领域首次提出了协议感知型观测器，展示了所提方法如何在带宽与通信约束受限的情况下仍能保持良好性能。这种集成化的方法提升了检测精度、加快了收敛速度，并提高了系统对网络攻击、环境噪声及通信限制的综合抵御能力——而这正是当前研究中的一个重要空白。通过解决这些关键问题，这项研究为微电网的网络物理安全领域做出了重要贡献，为开发出能够适应日益复杂的网络攻击形势的更可靠、更高效的检测策略奠定了基础。本文提出了一种基于协议的协同直流微电网网络攻击检测与信号重建方案。表2总结了与现有替代方法相比的关键创新点及差异，具体内容如下：

**整体集成**：与通常仅单独处理一两个问题的先前研究不同，我们的方法同时整合了三个关键组件：用于识别未知输入的非线性UIO、用于非线性状态估计的CKF，以及用于带宽管理的通信协议（RRP、TODP）。这种集成形成了一个协同防御机制，能够有效应对复合型的网络物理威胁。

**超越SMO和无迹卡尔曼滤波器（UKF）**：虽然SMO具有鲁棒性，但它们对噪声较为敏感，且在网络攻击重建时需要仔细调整参数。我们的UIOCKF方法具备内置的噪声过滤功能，能实现更平滑、更准确的估计结果。与UKF相比，CKF为非线性估计提供了更为原理性的解决方案，对于直流微电网模型中存在的特定非线性特征，具有更好的一致性和精度。不同于那些不利用噪声统计特性、仅追求最坏情况估计误差最小化的通用H∞或鲁棒观测器，我们的基于CKF的方法利用已知的噪声特性，在高斯假设下实现统计上最优的性能，从而降低均方误差（MSE）。

**考虑协议的估计**：一个重要创新在于PBDCKF的明确设计。现有的观测器往往假设数据可以理想地同时传输。我们的工作将RRP和TODP的调度行为正式纳入CKF的测量更新过程中，即使在带宽受限的情况下也能确保信号重建的无偏性，而这一点是SMO等替代方法所忽视的。由此可实现：
- 在异步且测量稀疏的情况下仍保持稳定性；
- 在通信受限条件下实现无偏的网络攻击重建；
- 通过选择性测量更新降低计算负担。

本文系统地探讨了直流微电网系统中协作控制的复杂性，尤其关注网络攻击和通信限制带来的影响。第二部分致力于构建协作型直流微电网模型并明确相关问题，这一基础框架有助于理解此类系统所面临的动态特性与挑战。第三部分重点介绍观测器系统的设计，包含多个关键小节：首先阐述非线性UIO的开发，这对于在存在未知输入的情况下有效估计状态至关重要；随后介绍直流微电网之间的通信协议设计，其中介绍了两种不同的调度方法——RRP调度方法和加权TOD，这两种方法对于分布式系统中的高效通信极为重要。该部分的第三部分将非线性UIO与PBCKF相结合，进一步提升系统抵御网络攻击的能力，这一整合通过两个子主题进行说明：非线性UIO算法与传统CKF的结合，以及非线性UIO算法与RR-PBCKF的结合。第四部分展示仿真结果，对比了UIOCKF方法与SMO方法的性能，结果表明所提方法能够在考虑干扰和环境噪声的情况下重建网络攻击特征。此外，该部分还比较了UIO、基于协议的分布式CKF（UIO-PBDCKF）以及SMO方法在直流微电网网络攻击重建方面的表现，同时分析了通信协议和环境干扰的影响。最后，第五部分总结了本文的主要发现，讨论了其意义，并提出了未来研究的方向。这种结构化的分析方式确保了直流微电网中网络攻击检测与缓解问题的复杂性得到全面深入的探讨。

**部分内容摘录**
**构建协作型直流微电网框架及问题定义**：所研究的微电网由多个作为直流电压源并通过电阻性电力线相互连接的DGU组成。每个DGU需为附近的恒阻直流负载供电，同时还会连接到位于DGU与电力线交汇处的CPL[29]。图1展示了DGU的示意图。
$$LiI˙i=?Vi+ui$$
$$C_iV˙i=I_i?∑j∈\epsilon_iI_{ij}^{-1}R_i$$
$$V_i?Pi=1$$
$$L_{ij}I˙_{ij}=(V_i?V_j)?R_{ij}I_{ij}\quad ?j∈\epsilon_i$$
其中，$ui$和$\epsilon_i$分别表示转换器的平均输出电压和……

**提出的网络攻击信号检测与重建算法设计**：本节利用UIO和UIO-PBDCKF方法来实现攻击信号的重建，以及在非线性系统中生成具有抗干扰能力的残差信号。与集中式估计方法相比，分布式估计具有可扩展性、较低的通信带宽需求，且更能抵抗传感器损坏和网络攻击。本节的目的是基于相关理论，开发一种算法，用于估算第$i$个DGU中的$V˙,I_{ij}$（$j∈E_i$）以及$Pi$。

**仿真结果**：本节旨在评估基于通信协议的分布式CKF与非线性UIO组合方法在消除网络攻击对电力微电网影响方面的有效性。为得出更全面的分析结果，将该方法与文献[40]中描述的基于滑模的非线性观测器方法进行了性能对比。因此，为了实现这些算法，需要构建一个由……组成的直流微电网。

**结论**：本研究提出了一种基于协议的综合性框架，用于协作型直流微电网中的网络攻击检测与信号重建。整合了UIO-PBDCKF的方法成功解决了未知输入分离与非线性状态估计这两大难题，同时还能在通信受限条件下保持良好性能。仿真结果显示，与传统SMO方法相比，所提算法的均方误差值仅为$5.61 × 10^{-5}$。

**资金支持**：作者们在本项研究、文章的撰写及发表过程中未获得任何财政支持。

**伦理声明**：适用。
**出版同意声明**：不适用。
**参与同意声明**：不适用。
**利益冲突**：作者声明没有利益冲突。
**数据可用性**：本研究中生成和/或分析的数据并未公开，但经合理请求可向相应作者获取。