基于图神经网络的电力系统网络物理保险定价与安全投资框架

《Scientific Reports》：Graph neural network-based tail-risk pricing for cyber insurance against cyber-physical attacks in power systems

　　

摘要

网络保险转移的是在实施技术控制措施后仍存在的剩余网络风险，然而传统定价模型很少依据电网拓扑、运行状态、通信依赖性和物理后果对损失进行条件化评估。我们开发了一个图神经网络（GNN）框架，用于为电力系统中的虚假数据注入、拒绝服务、继电器欺骗和协同网络物理攻击定价。本研究的具体贡献结合了四个要素：攻击与无攻击后果配对仿真；用于条件索赔分布的带属性时空图模型；明确的预期损失、在险价值、条件在险价值、不确定性和资本加载；以及一项将经过验证的控制措施与保费减免联系起来的安全筛选投资政策。评估使用了公开的 IEEE 30 节点和 IEEE 118 节点系统的分钟级虚假数据注入记录和电网数据，以及模拟的通信和继电器攻击。货币结果以 2026 年美元报告。时空 GNN 将相对 VaR95 和 CVaR95 误差分别降低至 10% 和 13%。其尾部风险保费相对于 100% 的充足性目标产生了 102% 的损失率。将定价与安全强化学习相结合，将协同攻击下的预期未服务能量从每年 85 MWh 降低到 38 MWh。这些结果表明，基于拓扑条件的网络物理损失如何能够支持可审计的保险价格和预防性投资决策。