《Results in Engineering》：XGBoost-Enabled Cyber-Resilient Smart Energy Systems: Reconstructing False-Data-Injection Attacks on Hydrogen and Electrical Loads
编辑推荐：
随着智能能源系统（SES）部署的日益增加，网络安全漏洞，尤其是虚假数据注入（FDI）攻击，对综合能源基础设施的可靠性和安全运行构成了重大风险。本研究通过一个三步框架，调查了集成电力、热力和氢能载体的SES的韧性。首先，设计了隐蔽的FDI攻击，以操纵电力和氢需求
随着智能能源系统（SES）部署的日益增加，网络安全漏洞，尤其是虚假数据注入（FDI）攻击，对综合能源基础设施的可靠性和安全运行构成了重大风险。本研究通过一个三步框架，调查了集成电力、热力和氢能载体的SES的韧性。首先，设计了隐蔽的FDI攻击，以操纵电力和氢需求测量值，同时使其难以通过常规方法识别。其次，采用一种基于极限梯度提升（XGBoost）的机器学习框架，并使用GridSearchCV进行优化，以重构受损的需求数据。第三，使用重构、运行、经济和统计指标评估防御后的性能。结果表明，所调查的攻击可引入高达25.76%的需求偏差，而即使是所调查的最小偏差（氢为12.24%，电力为20.72%）也会导致系统优化运行出现可测量的变化。具体而言，攻击场景分别对电力和氢负荷产生了6.05%和1.50%的人为成本偏差，并扰乱了储能系统的荷电状态和能量流行为。经过基于XGBoost的重构后，相应的成本偏差分别降至4.92%和0.41%，且防御后的运行行为更接近基线状态。所提出的框架在需求重构方面也取得了显著改进。对于氢需求，平均绝对百分比误差（MAPE）从校正前的25.20%降至校正后的5.22%，均方根误差（RMSE）从30.67降至6.75，决定系数（R2）从0.4848增至0.9750。对于电力需求，MAPE从25.55%降至15.12%，RMSE从221.18降至131.04，R2从0.4716增至0.8146。统计检验证实这些改进具有显著性（p < 0.001）。结果表明，所提出的基于XGBoost的框架能够有效重构受损的需求测量值，并减轻其不利的运行后果，从而增强综合SES的网络韧性和可靠性。
**基于XGBoost的智能能源系统网络韧性研究——虚假数据注入攻击下的氢与电力负荷数据重构**
**一、研究背景与问题**
随着智能能源系统（SES）的快速发展，电力、热力与氢能等多种能源载体的深度耦合已成为提升能源利用效率与系统灵活性的重要趋势。然而，系统智能化与互联化程度的提高，也使其暴露于日益严峻的网络安全威胁之下。其中，虚假数据注入（FDI）攻击因其隐蔽性强、难以被传统基于阈值的检测方法识别，对能源系统的安全稳定运行构成了显著威胁。现有研究虽已在攻击检测方面取得进展，但多聚焦于单一能源载体，且往往止步于攻击识别，对于攻击发生后受损需求数据的主动重构与校正关注不足。特别是针对同时包含电力与氢负荷的多载体智能能源枢纽，相关数据恢复研究尚属空白。氢能作为重要的清洁能源载体，其需求数据的完整性直接关系到电解槽运行、储能调度及多能协同优化的准确性。一旦氢负荷数据遭篡改，错误信息将沿互联的电力、氢气和储能子系统传播，导致运行决策偏差与经济损失。因此，开展面向FDI攻击的电力与氢负荷数据重构研究，对于增强SES的网络韧性与运行可靠性具有重要意义。
**二、研究内容与方法概述**
研究人员构建了一个集成电力、热力与氢能载体，并包含风电、电储能（ESS）、热储能（TS）与氢储能（HS）的智能能源系统模型。研究设计了三阶段分析框架：首先，设计隐蔽性FDI攻击以操纵电力与氢需求测量数据；其次，采用经GridSearchCV超参数优化的极限梯度提升（XGBoost）算法重构受损数据；最后，通过重构精度、运行状态、经济成本及统计检验等多维度指标评估防御效果。模型以最小化系统总运行成本为目标函数，采用混合整数线性规划（MILP）方法，通过CPLEX求解器对能源枢纽的24小时优化调度进行求解，并将XGBoost重构后的数据重新输入GAMS优化模型以评估校正效果。
**三、主要研究结果**
**1. 攻击影响评估（Case 2）**：FDI攻击使氢需求产生12.24%至25.76%的偏差，电力需求产生20.72%至25.76%的偏差。攻击导致电力负荷运行成本人为降低6.05%，氢负荷成本降低1.50%，并显著扰乱了氢储能系统（HS）的荷电状态（SOC）及电解槽的能量输入模式。
**2. 数据重构性能（Case 3）**：基于XGBoost的重构框架显著缩小了重构数据与健康数据之间的差距。氢需求重构的MAPE降至5.22%，电力需求重构的MAPE降至15.12%。配对t检验与Wilcoxon符号秩检验均确认改进具有高度统计显著性（p<0.001），且效应量较大（氢负荷Cohen's d=2.08，电力负荷Cohen's d=1.16）。
**3. 运行与经济恢复**：数据校正后，电力负荷运行成本偏差从6.05%降至4.92%，氢负荷成本偏差从1.50%降至0.41%。HS的SOC曲线在校正后自第3小时起与基线状态（Case 1）高度吻合，电解槽能量输入亦恢复至接近正常水平。
**4. 扩展攻击场景与敏感性分析**：在协调FDI、重放、拒绝服务（DoS）及组合网络-物理攻击场景下，所提框架均保持高重构精度，其中重放攻击最具挑战性（MAPE为8.85%）。敏感性分析表明，攻击幅度变化（5%至50%）对模型性能影响极小，而不确定性水平增加（0%至20%）会较为明显地降低重构精度，但框架仍维持可接受的性能与毫秒级推理时间。
**5. 算法对比分析**：与随机森林（RF）、LightGBM、CatBoost、支持向量回归（SVR）、长短期记忆网络（LSTM）、Transformer回归模型及孤立森林（Isolation Forest）等七种方法的对比显示，XGBoost在重构精度与计算效率间取得了最佳平衡，其电力需求重构MAPE（15.12%）优于所有对比算法。
**四、结论与讨论**
本研究通过构建三步防御框架，系统验证了基于XGBoost的机器学习方法在重构受FDI攻击影响的电力与氢需求数据方面的有效性。研究结果表明，所提框架不仅能显著降低需求数据的重构误差，还能有效缓解攻击引发的运行与经济后果，使系统运行状态快速回归基线水平。该框架在攻击检测之外提供了额外的数据恢复层，有助于防止错误的充放电调度、不当的电解槽运行及多能载体间的能量分配失误，从而增强综合SES的网络韧性。研究同时指出，当前工作基于24小时案例，样本量有限，且未纳入详细的网络-物理测量与通信因素（如延迟、丢包、噪声等）。未来研究应拓展至更大规模、更多样化的数据集，并探索将通信感知机制集成至防御框架中，以区分通信-induced失真与恶意数据操纵，进一步提升框架在实际部署中的鲁棒性与适用性。
