利用异构图神经网络进行配电网分区以实现电压调节,并考虑网络攻击风险

《IEEE/CAA Journal of Automatica Sinica》:Distribution Network Partitioning for Voltage Regulation Using Heterogeneous Graph Neural Networks Considering Cyber-Attacks Risk

【字体: 大 中 小 】 时间:2026年05月06日 来源:IEEE/CAA Journal of Automatica Sinica 19.2

编辑推荐:

  摘要:尊敬的教育编辑,分布式能源资源(DERs)与通信基础设施的整合使得配电网络越来越具有网络物理特性,这要求电压调节具备韧性和实时性。网络划分实现了可扩展的控制,但现有方法往往忽略通信和安全约束,或者依赖于成本高昂的优化算法,在动态和敌对条件下限制了其实用性。本文提出了一种异构

  摘要:尊敬的教育编辑,分布式能源资源(DERs)与通信基础设施的整合使得配电网络越来越具有网络物理特性,这要求电压调节具备韧性和实时性。网络划分实现了可扩展的控制,但现有方法往往忽略通信和安全约束,或者依赖于成本高昂的优化算法,在动态和敌对条件下限制了其实用性。本文提出了一种异构图神经网络(HGNN),用于实现具有网络物理意识的网络划分。该模型联合编码了电气层和通信层,利用优化指导的标签进行训练,并通过边缘丢弃和对抗性扰动来增强鲁棒性。在IEEE 33节点系统上的测试表明,HGNN能够以较低的计算时间产生近乎最优的划分,并对拒绝服务(DoS)和虚假数据注入(FDI)攻击具有很强的抵抗力,突显了其在安全实时电压调节方面的潜力。

配电网络(DNs)正越来越多地与DERs和先进的通信系统集成,以实现实时电压调节[1]、[2],如图1所示。在这样的网络物理系统中,网络划分是分层或自主控制的关键步骤,确保每个簇可以独立可靠地调节电压[3]。然而,传统的划分方法由于两个缺陷而无法适应现代DNs:它们要么仅关注电气拓扑(例如,线阻抗、节点电压),而忽略通信要求(例如,延迟、连通性),要么依赖于计算成本高昂的优化算法,使得实时部署不切实际[4]、[5]。网络攻击(如DoS[6]和FDI[7])的出现进一步威胁了分布式电压控制的可靠性。不考虑网络物理交互的划分可能导致簇之间的断开、簇内部延迟增加,从而降低系统性能,甚至在攻击下失去自主性[8]。因此,对于现代配电网络而言,需要一种具有韧性、实时性和网络物理意识的划分方法。图神经网络(GNNs)的最新进展在网络系统中学习结构相关性方面显示出了强大的潜力[9]、[10]。在电力系统中,GNNs已被应用于功率流近似、瞬态稳定性预测、故障检测和划分。然而,现有的基于GNN的划分方法主要关注电气特征,对通信约束和网络鲁棒性的考虑有限。通过联合编码电气层和通信层,GNNs可以实现更平衡的划分,并通过在线推理快速响应;而对抗性训练或数据增强[11]可以进一步提高在攻击下的鲁棒性。基于这些观察,本文提出了一种用于网络物理耦合条件下配电网络划分的HGNN框架。所提出的方法联合建模电气层和通信层,利用优化导出的标签进行监督训练,并结合了面向鲁棒性的增强措施。本文的主要贡献总结如下:开发了一种用于配电网络划分的新HGNN,它联合建模电气层和通信层,实现了具有网络物理意识的聚类。设计了一种优化引导的训练框架,其中使用光谱解作为监督,并利用可微的软约束来确保连通性、延迟和可控性。通过增加边缘丢弃和对抗性扰动提出了一种鲁棒的学习机制,显著增强了对抗DoS和FDI攻击的韧性。提出了一个用于网络物理耦合条件下弹性配电网络划分的HGNN框架。该流程包括四个阶段:1)网络物理图建模;2)离线标签生成;3)HGNN模型设计和训练;4)带有可行性修复的在线推理。配电系统被建模为一个多层异构图:G=(V,Ee,Ec,Ecross)(1)。

在线训需要近乎最优的划分标签{yi}。采用基于光谱的优化方法,并结合可行性修复流程,将五个性能指标嵌入生成过程中。步骤1:复合拉普拉斯矩阵。定义一个风险感知的复合拉普拉斯矩阵:Lcp=θeL(Ge)+θcL(Gc)+θxL(Gcross)+θrL(ρ)(3),其中L(Ge)、L(Gc)和L(Gcross)分别是电气层、通信层和跨层图的拉普拉斯矩阵,L(ρ)编码了攻击风险。θe、θc、θx、θr是重要性权重。这一步骤最小化了所有边类型的簇间切割成本。步骤2:光谱聚类。通过对Lcp的前K个特征向量进行K均值聚类,得到候选划分。然后评估每个簇的代数连通性λ2。步骤3:可行性修复:修复候选划分以满足以下条件:连通性:保持簇内连通性;延迟约束:最大簇内延迟必须低于阈值;鲁棒性:在对抗性场景(例如DoS、FDI)下验证可行性;仅保留具有韧性的划分。尽管基于光谱分解和混合整数线性规划(MILP)的修复方法成本较高,但它们在测试网络(例如IEEE 33/123节点)上是在离线执行的。得到的标签{yi}作为可靠的真实值。值得注意的是,通过将复杂性离线处理,平均在线计算时间得到了最小化。设计了一个双通道HGNN来整合电气层和通信层:h(l+1)i=σ(αeAgge(h(l)i,{h(l)j}(i,j)∈Ee)+αcAggc(h(l)i,{h(l)j}(i,j)∈Ec)+αxAggcross(h(l)i,{h(l)j}(i,j)∈Ecross)(4),其中Agge、Aggc和Aggcross分别是电气层、通信层和跨层关系的聚合函数,αe、αc和αx控制三种消息传递的相对影响。通过交叉熵损失强制与离线标签对齐:Lsup=∑iCE(pi,yi)(5),其中CE(?)是交叉熵函数,yi表示节点i的离线划分标签。这使预测的概率pi与参考聚类对齐。为了阻止切断关键链接的划分,通过它们的电气、通信和风险成本对切割边缘进行加权:Lcut=∑i,j(θew(e)ij+θcw(c)ij+θxw(x)ij+θrρij)(1?∑kpikpjk)(6),其中w(e)ij、w(c)ij和w(x)ij分别是电气层、通信层和跨层图中的边权重,ρij是边(i,j)的攻击风险系数,θe、θc、θx、θr是它们各自的重要性权重。概率项(1?Σkpikpjk)衡量了i和j被放置在不同簇中的可能性。通过规范它们的代数连通性进一步增强簇的鲁棒性,对不足的λ2值进行惩罚:Lλ2=∑kReLU(γ?λ^(k)(7),其中λ^(k)2是簇k的代数连通性(Fiedler值),γ是预定义的阈值。如果簇的连通性低于γ,则激活惩罚,从而促进结构韧性。为了控制延迟,通过软最大值近似簇内延迟:Ldelay =∑ksoftmaxi,j∈k(Dij)(8)。最后,通过在训练过程中随机丢弃边来模拟DoS、扰动特征以模拟FDI,并在噪声输入下应用一致性正则化来提高对网络攻击的韧性。尽管基于光谱分解和MILP的可行性修复在大规模系统中可能计算密集,但这些步骤在离线阶段只执行一次用于标签生成。因此,它们不影响HGNN推理的实时效率。为了可扩展性,未来的工作可以考虑使用近似光谱方法或并行实现来进一步提高可扩展性。在运行时:1)HGNN根据当前系统状态输出划分概率{pi};2)Gumbel-Softmax采样产生离散分配;3)检查可行性;如果发生违规,执行轻量级修复(节点迁移或备份链接插入)。这确保了最终划分的可行性、鲁棒性和计算效率。

测试系统和设置:在IEEE 33节点配电网络上测试了所提出的基于HGNN的划分框架。电气参数遵循标准情况,并通过将每个节点与其最近的邻居连接(随机延迟10-50毫秒、数据包丢失0-5%和安全系数在[0.8,1.0]范围内采样)来构建通信覆盖。网络攻击包括:1)通过移除10%-30%的通信边来实施DoS;2)通过添加±5%的高斯噪声来扰动节点电压来实施FDI。负载和DER的时间序列轮廓生成了2000个场景,其中1600个用于训练,400个用于测试。图2和图3展示了在通信层受到扰动的不同场景下的划分结果。可以看出,所提出的方法不仅考虑了物理层中的电气相关性,还结合了通信层的耦合信息。因此,具有强通信连通性、高风险和紧密接近性的节点倾向于被分组到同一个簇中。为了进一步证明其优越性,将所提出的HGNN与三个基线进行了比较:1)仅基于电气邻接性的光谱聚类(SC);2)通过混合整数公式强制连通性的MILP优化器(MILP);3)仅处理电气拓扑的电气GNN(E-GNN)。表1显示了400个测试场景的平均性能,统计显著性相对于SC(?p<0.05,??p<0.01,???p<0.001)。考虑了六个指标:1)簇间边的切割成本;2)每个簇的代数连通性λ2(值越高越好);3)最大簇内延迟;4)在攻击下的鲁棒性,以保持可行划分的比例来衡量;5)每个场景的平均计算时间。所提出的HGNN在切割成本和连通性质量方面与MILP优化器相当,同时速度快三个数量级(毫秒对比秒)。与SC和E-GNN相比,它通过联合利用电气和通信信息,一致实现了更低的切割成本和簇内延迟。资源覆盖率达到98.5%,接近于限制严格的MILP,并且远高于启发式基线。在DoS和FDI攻击下,HGNN保持了87.9%的可行划分,优于SC、E-GNN甚至MILP,这归功于其面向韧性的训练。分析其优势的原因如下:1)切割成本:通过学习电气层和通信层之间的相关性,HGNN避免了切断关键的跨层链接,而SC忽略了网络拓扑;2)连通性(λ2):HGNN中的双通道聚合在训练期间直接编码了代数连通性目标,产生了更紧密、更连贯的划分;3)延迟:通信通道中的延迟特征引导聚类朝向低延迟子图,减少了最大簇内延迟;4)鲁棒性:边缘丢弃和对抗性扰动在训练期间模拟了DoS/FDI条件,使HGNN能够在仅使用优化方法失败时维持可行的划分;5)计算时间:一旦训练完成,HGNN通过前向推理在9毫秒内生成划分,而MILP需要几秒钟,确保了接近实时的操作。这些结果表明,HGNN在确保网络物理韧性和实时效率的同时,实现了近乎最优的划分质量,使其成为弹性配电网络划分的强有力候选者。除了这些优势,我们还强调了两个典型应用:1)主动配电网络电压控制,其中弹性划分使得在波动的可再生能源和负载下能够有效地协调局部电压调节;2)虚拟发电厂协调,其中可扩展的聚类支持分布式资源的安全和高效聚合。然而,实际部署可能会面临挑战:大规模系统可能需要分布式训练策略,而依赖全系统测量数据引发了隐私和安全数据共享问题。应对这些挑战将是未来研究中开发保护隐私的学习方法和可扩展训练框架的重要方向。结论:本文提出了一种基于HGNN的分布式网络(DNs)划分方法,该方法考虑了信息物理(cyber-physical)因素。通过联合建模电气层和通信层,并使用优化生成的标签以及面向鲁棒性的增强技术进行训练,所提出的HGNN能够生成紧凑、连接良好、具有延迟感知能力且能够抵抗网络攻击的划分方案。在IEEE 33节点系统上的仿真表明,HGNN在计算时间上减少了三个数量级的同时,实现了接近最优的划分质量,并且与基于MILP和启发式方法的基线相比显著提高了系统的鲁棒性。这些结果凸显了基于学习的、信息物理划分技术在实现未来智能电网安全与实时电压调节方面的潜力。致谢:本项目部分得到了国家自然科学基金(62293500、62293504、62303242)、中国科学技术协会青年科学家资助计划(YESS20240325)、中国航天科技集团公司青年科学家资助计划(JSTJ-2024-443)以及中国博士后科学基金会(2023M731780)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号