基于自注意力机制的条件GAN与梯度惩罚的智能电网虚假数据注入攻击数据驱动检测方法

《IEEE Latin America Transactions》：Data-Driven Detection of False Data Injection Attacks in Smart Grids using Self-Attention Enabled Conditional GAN with Gradient Penalty

　　

摘要：

随着先进信息通信技术在电力系统中的日益融合，这些系统面临的网络攻击风险也在上升。虚假数据注入攻击是一种令人担忧且常见的网络攻击方式。这类攻击通过篡改测量数据，对现代电力系统的安全与可靠性构成严重威胁。传统的状态估计方法往往无法检测到隐蔽的虚假数据注入攻击，尤其是在大规模电网中。本文提出了一种基于自注意力机制的条件生成对抗网络结合梯度惩罚的方法（SACGAN-GP），用于有效检测此类攻击。该框架利用自注意力机制捕捉状态变量之间的长距离依赖关系，从而提升特征表示能力并改善检测性能。梯度惩罚项则有助于保证训练稳定性，避免标准生成对抗网络中常见的模式崩溃问题。SACGAN-GP无需像传统监督学习模型那样依赖大量标注过的攻击数据，就能有效利用有限的标注数据，学习正常与异常模式的稳健特征表示。在IEEE 14节点和118节点测试系统上的实验结果表明，该模型的性能优于其他方法。在IEEE 14节点系统中，其准确率为97.06%，F1值为98.28%，AUC值为100%；在IEEE 118节点系统中，准确率为95.59%，F1值为97.39%，AUC值仍为100%。检测时间均在0.52秒以内，表明该方法适用于实时监测场景。此外，该模型生成的注意力热图能够直观显示虚假数据注入攻击的局部影响，为构建智能、安全的电网监控系统提供了有益思路。