智能电网中虚假数据注入攻击(False Data Injection Attack, FDIA)的检测与定位——一种基于灰狼优化器(Grey Wolf Optimizer, GWO)的时空特征融合深度学习(Spatiotemporal Feature-Fusion Deep-Learning)方法

《Energies》：Detection and Localization of False Data Injection Attacks in Smart Grids: A Spatiotemporal Feature-Fusion Deep-Learning Method Based on Gray Wolf Optimizer

　　

摘要：虚假数据注入攻击（False Data Injection Attack, FDIA）因其高度隐蔽性对智能电网安全构成严重威胁。针对现有智能电网FDIA检测方法仅能判断攻击是否发生而无法准确定位被攻击电网节点的缺陷，本研究提出一种专门的攻击定位与检测框架。为解决攻击定位中固有的节点级类别不平衡问题，设计了面向多标签分类的节点自适应加权策略。此外，采用基于哈达玛积（Hadamard product）的深度融合机制整合空间与时间特征，与简单拼接不同，该机制可实现更深层次的特征交互。框架采用灰狼优化器（Grey Wolf Optimizer, GWO）进行优化以提升收敛性与稳定性。该方法中，利用图卷积网络（Graph Convolutional Network, GCN）提取电网量测数据的空间拓扑关联特征，采用双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）挖掘时序数据的时间依赖特征，通过哈达玛积实现时空特征的深度融合。同时引入GWO对模型超参数进行全局寻优以优化网络性能，进一步提高检测与定位精度。在IEEE 14?bus与IEEE 118?bus电力系统上的仿真结果表明，GWO?STFFN模型在检测准确率（Accuracy）、F1?Score及AUC值等关键指标上优于现有对比模型，具有更高的节点定位精度和更低的汉明损失（Hamming Loss），且在不同噪声强度下保持良好鲁棒性。

论文解读：智能电网中基于GWO优化时空特征融合深度学习的FDIA检测与定位方法

一、研究背景与意义

智能电网作为典型的信息物理系统（Cyber-Physical System, CPS），深度融合了电力基础设施与信息通信技术，其状态估计依赖远程终端单元采集的量测数据。虚假数据注入攻击（False Data Injection Attack, FDIA）可构造满足a=Hc的攻击向量，使篡改后的量测残差与传统坏数据检测（Bad Data Detection, BDD）基于加权最小二乘（Weighted Least Squares, WLS）状态估计的残差阈值判断一致，从而绕过传统机制并误导调度决策。现有FDIA检测方法多仅输出"攻击/正常"的二分类结果，无法定位具体被攻击节点，不利于后续故障隔离与恢复控制；且多单独使用空间拓扑特征或时间依赖特征，未充分挖掘电网数据的时空耦合特性；深度学习模型超参数常依赖人工试错，难以获得全局最优解。为此，研究人员提出了一种由GCN提取空间特征、BiLSTM提取时间特征、哈达玛积（Hadamard product）深度融合、GWO全局优化超参数的端到端FDIA检测与节点级多标签定位框架GWO-STFFN（Spatiotemporal Feature-Fusion Network optimized by Grey Wolf Optimizer），并在《Energies》发表研究成果。仿真实验表明该模型在IEEE 14-bus与118-bus系统上检测与定位性能均优于对比基线模型，具较高工程参考价值。

二、主要关键技术方法

研究人员以MATPOWER 7.0进行交流（Alternating Current, AC）状态估计与潮流计算生成正常样本，按a=H·c构造可绕过BDD的FDIA攻击向量（仅篡改1~3个随机节点的注入功率与关联支路功率，攻击幅值为额定值5%~20%），叠加2%高斯白噪声，采用NYISO CAPITL地区365天实际负荷数据生成含52560个样本的时序数据集（正常:攻击=9:1），按6:2:2划分训练/验证/测试集，滑动窗口长度T=24。构建电网无向图G(V,E)，邻接矩阵A输入一层GCN提取节点空间拓扑特征，同尺度时序特征矩阵并行输入BiLSTM提取双向时间依赖特征，两分支输出经哈达玛积逐元素相乘实现非线性时空深度融合；将节点定位建模为多标签二分类问题，设计节点自适应加权（权重与训练集各节点被攻击样本数负相关）的加权二元交叉熵损失解决类别不平衡；引入GWO（种群规模P=10，最大迭代T=10）对学习率[10??,10?2]、GCN隐层单元数[16,128]、BiLSTM隐层单元数[16,128]及L?正则化系数[10??,10?3]做全局寻优，离线训练在线推理。

三、研究结果

2. Power-System Knowledge and FDIA Principles

阐述AC状态估计模型z=h(x)+e（z为量测向量，x为节点电压幅值与相角状态变量，e为随机误差），WLS求解及BDD基于残差r=z?h(?x)与阈值τ的判断。给出FDIA原理：攻击者构造a=Ha'（a'为非零状态误差向量），篡改后量测z_a=z+a，攻击后残差与正常一致故可逃避BDD，说明传统方法对FDIA无效，凸显研究必要性。

3. Detection and Localization Method for FDIA Based on GWO-STFFN Model

说明整体框架：GCN分支输入邻接矩阵?=D?^?1/2(A+I)D?^?1/2与节点特征矩阵X∈?^N×d得空间特征F_s=σ(?XW_g+b_g)；BiLSTM分支输入X得时间特征F_t=BiLSTM(X)；融合特征F=W₁F_s⊙W₂F_t（⊙为Hadamard积）。检测任务接全连接层与Sigmoid激活、二元交叉熵损失；定位任务输出N维概率向量，采用节点自适应权重w_n=N_total/N_attacked,n构建加权二元交叉熵损失L_loc=?1/BΣ_i=1^BΣ_n=1^Nw_n[y_i,nlog?p?_i,n+(1?y_i,n)log(1?p?_i,n)]。GWO按α、β、δ狼引导ω狼位置更新完成超参数寻优。结论：并行双分支避免串行GCN-LSTM特征稀释，Hadamard融合较拼接能捕获二阶跨模态关联，节点自适应加权缓解多标签类不平衡。

4. Simulation Results and Analysis

4.1 Data Processing——按前述流程生成并划分数据集，确认数据构建符合AC模型FDIA隐蔽性要求。

4.2 Evaluation Metrics——采用Accuracy、Precision、Recall、F1-Score评价检测；节点定位精度及Hamming Loss评价定位。

4.3 Ablation Experiment——分别移除GWO、GCN、BiLSTM分支，IEEE 14-bus上完整GWO-STFFN的F1-Score=98.55%，移除GWO后降0.78%、移除GCN降0.20%、移除BiLSTM降0.11%；IEEE 118-bus趋势一致（完整95.72%）。说明三模块协同贡献，GWO对复杂系统优化作用更显著。

4.4 Visualization of Spatial-Temporal Features Under FDIA——t-SNE可视化显示正常时段时空特征呈连续周期分布，FDIA注入后在特定时空节点产生跳变与局部畸变，证明模型可捕捉攻击时空印记。

4.5 Model Detection Performance——与GCN、GGNN-GAT、GCN-LSTM对比，IEEE 14-bus上GWO-STFFN达到Accuracy=99.17%、Recall=99.21%、Precision=99.15%、F1-Score=99.18%、AUC=99.95%；IEEE 118-bus上Accuracy=97.57%、F1-Score=97.61%、AUC=98.93%，均优于基线，验证时空融合与GWO优化的有效性。

4.6 Attack Location Performance Analysis of the Detection Model——GWO-STFFN在各节点定位精度最高且波动最小，IEEE 118-bus上Hamming Loss明显低于GCN-LSTM、GGNN-GAT、GCN，说明时空联合训练与节点加权损失提升了多标签定位稳定性与大规模电网泛化能力。

4.7 Preliminary Robustness Analysis——噪声强度0%~20%下，GWO-STFFN准确率平缓下降（IEEE 14-bus噪声20%时仍>90%），波动幅度小于仅用GCN的模型，证明所提方法抗噪性与运行稳定性更强。

4.8 Statistical Significance Tests and Computational Efficiency Analysis——10次不同随机种子重复实验配对t检验p<0.05，McNemar检验χ2>3.84（df=1, p=0.05），性能提升具统计显著性。GWO离线寻优耗时约为单次训练的10倍（IEEE 14-bus约12 h，IEEE 118-bus约28 h），在线推理无额外延迟，满足实时检测需求。

四、讨论与结论总结

研究人员指出当前局限在于未与专用定位算法详尽对比、未给节点级混淆矩阵、定位评估指标可扩充Subset Accuracy与Macro/Micro F1-Score。未来方向包括真实电网多协同攻击场景验证、改进群智能算法提升寻优效率、与近实时防御与弹性控制闭环集成。

论文结论翻译：本文提出一种基于灰狼优化器—时空特征融合网络（GWO-STFFN）的智能电网FDIA检测与定位方法。通过图卷积网络提取空间拓扑关联特征、双向长短期记忆网络捕获时间依赖特征并经哈达玛积深度融合，克服了单维特征表征局限。引入GWO实现超参数自动全局寻优，免除低效人工搜索并提高检测准确率与节点定位精度。在IEEE 14-bus与IEEE 118-bus系统上的大量仿真表明，GWO-STFFN在IEEE 14-bus与IEEE 118-bus上分别取得F1-Score为98.55%与95.72%、AUC值为99.95%与98.93%，且具更低汉明损失与在高达20%噪声强度下更优的鲁棒性，检测性能与定位稳定性均显著优于现有基线模型。