基于主成分分析与混沌优化径向基神经网络的电力系统虚假数据注入攻击检测方法

《IEEE Potentials》：Localization of false data injection attacks in power grids based on the PCA-RBNNCAIA algorithm

　　

摘要：

针对电力系统的虚假数据注入攻击（FDIA）能够有效规避坏数据检测机制并伪造相关测量数据，从而对整个电网的运行稳定性和安全性构成严重威胁。然而，现有的检测方法存在收敛速度慢和处理高维数据能力不足的问题，无法准确定位具体的受攻击节点。为解决这些问题，我们提出了一种新的 FDIA 定位与检测方法，该方法将主成分分析与径向基神经网络相结合。应用混沌人工免疫算法优化径向基神经网络以分类测量数据，其中将立方混沌映射引入人工免疫算法进行种群初始化，从而实现检测模型更快的收敛速度。同时，计算简单且能保留原始样本中最大信息的主成分分析被用于快速降维高维历史测量数据，从而提高了所提方法的检测精度。为了验证所提方法的有效性，我们在 IEEE 14 节点和 57 节点系统上进行了仿真。与其他检测方法进行了进一步对比分析，以证明其具有更高的分类性能、准确率、精确率、召回率和 F1 值。