一种用于检测和防御针对电池电量估计的虚假数据注入攻击的混沌时频跳变信号编码方法

《Journal of Energy Storage》：A chaotic time/frequency hopping signal coding approach for detecting and defending false data injection attacks on battery state of charge estimation

针对电池储能系统（BESS）状态荷量（SOC）估计面临的False Data Injection（FDI）攻击问题，提出基于混沌时分频跳（TH/FH）信号编码的检测与防御方案。通过实验验证，该方法能有效检测低幅度攻击并实时防御，维持SOC估计性能，优于传统阈值检测方法。

　　

黄宇|马博阳|杨家豪|齐帅仁|孙莉

华北电力大学自动化系，中国河北省保定市北永华街619号，071003

摘要

针对电池储能系统（BESS）的虚假数据注入（FDI）攻击会篡改传感器收集的电池测量信息，从而影响电池的荷电状态（SOC）估计，威胁到BESS的安全稳定运行。为了解决BESS中SOC估计的FDI攻击问题，本文开发了电池的等效电路模型。采用扩展卡尔曼滤波器（EKF）算法进行SOC估计，并构建了不同强度的FDI攻击场景。进一步提出了一种基于混沌时频跳变（TH/FH）信号编码的攻击检测与防御方案。该方案通过量化超混沌序列生成不可预测的TH/FH信号，用于调制和解调测量数据。通过分析解调后的信号来检测攻击，通过过滤攻击信号来实现防御。最后，搭建了一个实验平台验证了所提方法的有效性，结果表明SOC估计性能未受到影响。与卡方检测器相比，所提方法能够检测到幅度较小的FDI攻击，并能实时防御和还原攻击信号。

引言

电池储能系统（BESS）已广泛应用于电力移动解决方案和现代电力系统运行等领域[1]、[2]。电池的效率和循环寿命在很大程度上依赖于精确的状态监测和控制，尤其是荷电状态（SOC）的实时评估[3]、[4]。传统上，BESS的SOC估计是在电池管理系统（BMS）内部进行的，该系统与外部没有实时数据交互[5]。随着云计算的快速发展以及物联网技术的广泛应用，基于云的电池管理系统（CBMS）已成为当代能源管理框架的核心组成部分。通过将大量传感器测量数据上传到云端进行处理和分析，CBMS实现了更创新、更高效的电池管理[6]。然而，企业对CBMS的依赖引入了新的安全风险，特别是在开放网络环境中，数据传输容易受到各种形式的网络攻击[7]、[8]。

近年来，全球电力网络发生了多起严重的网络事件，其中包括一些通过数据篡改机制进行的攻击案例。例如，在2015年对乌克兰电网的网络攻击中，攻击者向监控控制和数据采集系统注入了虚假数据，篡改了现有测量信息，导致操作员和控制设备无法准确获取系统的真实运行状态，最终引发了大规模停电[9]。这表明，虚假数据注入（FDI）攻击不仅会破坏信息层的数据完整性，还会对能源系统的物理运行安全构成实际威胁。随着BESS及其基于云的管理架构的广泛部署，类似的FDI攻击也可能威胁到储能系统的安全运行。

FDI攻击通过篡改或伪造传感器数据来干扰电池SOC的正确估计，使CBMS接收到不准确的测量信息[10]。SOC估计的偏差可能导致电池过充或过放，直接影响电池的性能和服务寿命。此类攻击可能导致严重的安全事件，包括热失控或爆炸[11]。此外，攻击者可以精心设计注入信号，使FDI攻击在不触发传统检测器的情况下影响系统状态，从而具有隐蔽性[12]、[13]。因此，针对BESS中SOC估计的FDI攻击实施强大的检测和防御机制对于确保系统的可靠运行至关重要。

关于BESS中SOC估计的FDI攻击，现有研究大致可分为两类：攻击检测方法和鲁棒估计策略。

在攻击检测方面，现有研究提出了多种检测FDI攻击的方法。参考文献[14]使用${\chi }^2检测器来分析可检测攻击的上限；参考文献[15]结合扩展卡尔曼滤波器（EKF）和累积和算法来检测小幅度电压攻击；参考文献[16]提出了一种分布式攻击检测方法，利用抗干扰估计器和残差分析进行有效检测；参考文献[17]将基于机器学习的加权最小二乘法与EKF状态估计相结合，用于识别广域测量系统中的FDI攻击。这些方法主要依赖于测量值和估计值之间的残差，并使用固定阈值来判断攻击的存在。然而，在实际应用中，温度波动和电池老化等因素会引入选择固定阈值的不确定性，从而影响检测的可靠性。为了提高检测性能，还提出了基于机器学习或深度学习的方法。参考文献[18]提出了一种基于双图像卷积自编码器和生成对抗网络的无监督检测方法，通过动态阈值自适应优化检测性能。参考文献[19]为直流-微电网（DC-MG）系统提出了数据驱动的攻击检测和定位框架，实现检测阈值的自适应调整。尽管如此，现有方法主要关注攻击识别或阈值优化，难以有效整合检测和防御，因此未能实现统一的检测-防御解决方案。$

在鲁棒状态估计方面，研究人员旨在通过减少攻击对系统性能的影响来进行防御。参考文献[20]基于实时${\chi }^2检测设计了一种安全估计器，以提高SOC估计的鲁棒性；参考文献[21]基于李雅普诺夫稳定性理论开发了一种非线性观测器，用于在不同温度条件下的安全估计；参考文献[22]提出了一种抗攻击的分数阶EKF算法，以适应复杂的运行条件；参考文献[23]应用协方差交集融合技术来减轻混合攻击和重尾噪声的综合影响。虽然这些方法可以在一定程度上减少攻击的影响，但它们大多是被动防御策略，即在攻击发生后进行补偿，这不可避免地会导致状态估计性能的下降。为了避免传统被动防御策略带来的性能损失，参考文献[24]提出了一种双时变编码FDI攻击检测方案。通过在传输前对测量信号进行加密，实现了对攻击的主动防御，并有效减少了系统状态估计性能的下降。$

受上述研究的启发，本文提出了一种基于TH/FH信号编码的FDI攻击检测和防御方法。为了进一步阐明所提方法的优势，表1系统地比较了其在FDI攻击检测和防御方面的性能。所提方法保持了高实时效率，能够检测到低幅度的FDI攻击，并通过攻击信号过滤实现防御。

本工作的主要贡献总结如下。

• 1.
  通过结合考虑温度的储能电池模型、SOC估计算法、FDI攻击模型以及基于TH/FH信号的检测和防御方案，构建了受到FDI攻击的BESS模型。与参考文献[11]中的电池模型相比，本研究采用的电池模型能够更真实地反映电池在不同温度条件下的运行行为。
• 2.
  提出了一种混沌TH/FH信号编码方法，通过调制和解调测量数据来有效且迅速地检测和减轻FDI攻击。与现有的检测和防御方案相比，所提方法不需要预定义的固定阈值，能够检测到低幅度的FDI攻击，并且可以通过过滤恶意信号来减轻攻击，而不会降低系统性能。

本文的其余部分结构如下：第2节介绍了锂离子电池的等效电路模型以及与SOC估计算法相关的攻击模型。第3节给出了混沌TH/FH信号的生成方法，并设计了针对FDI攻击的检测和防御方案。第4节通过在专用实验平台上进行的实验验证了所提出的框架。最后，第5节提供了研究的结论。

章节摘录

问题表述与准备

构建了一个受到FDI攻击的BESS模型，其中包含考虑温度的储能电池模型、SOC估计算法和FDI攻击模型。这一建模框架为后续针对系统内FDI攻击的检测和防御策略的研究奠定了坚实的理论基础。

攻击检测与防御方案

本节提出了一种使用TH/FH信号的攻击检测与防御框架。如图4所示，发送端和接收端都预编程了信号生成器，以产生不可预测的混沌TH/FH信号。传感器侧测量数据在传输前被调制，在接收端解调后使用。这一过程在调制和解调过程中暴露并过滤掉FDI攻击，从而实现有效的检测和防御。

设计和实现

实验设置与环境

为了评估所提出的检测和防御方案的性能，搭建了一个实验平台，如图6所示。具体的硬件和软件配置如下：

• 1.
  硬件配置：① 控温柜，② LANHECT3002K电池测试系统，③ 主计算机，④ 温度传感器，以及⑤ 电池。
• 2.
  软件环境：FDI攻击模拟、混沌信号编码和SOC估计算法在MATLAB/Simulink中实现。

结论

本研究提出了一种利用混沌TH/FH信号的检测和防御策略，以解决BESS在FDI攻击下的SOC估计问题，其有效性通过理论分析和实验评估得到了验证。具体细节如下：

• 1.
  通过理论推导频率跳变率对系统信号的影响，证明了用于调制和解调的混沌TH/FH信号不会影响系统的正常运行

CRediT作者贡献声明

黄宇：软件设计，概念构思。马博阳：撰写——初稿。杨家豪：撰写——初稿。齐帅仁：撰写——初稿。孙莉：数据整理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。