基于图神经网络的电力系统电压稳定性虚假数据注入攻击检测方法

《IEEE Open Access Journal of Power and Energy》：Graph Neural Network-Based Approach for Detecting False Data Injection Attacks on Voltage Stability

　　本文针对智能电网中针对电压稳定的虚假数据注入攻击（FDIA）检测难题，提出了一种基于图自编码器（GAE）的新型检测器。该研究通过结合Chebyshev图卷积与长短期记忆（LSTM）网络，有效捕捉电力系统数据的时空特征，并利用双层优化框架生成更具挑战性的攻击场景以验证模型鲁棒性。在包含486个节点的伊比利亚电力系统拓扑上的仿真结果表明，所提方法平均检测准确率达98.11%，较现有先进检测器提升10-25%，为保障电力系统电压稳定提供了有效的网络安全防护方案。

　　

随着信息通信技术（ICT）深度融入现代电力系统，电网运行效率与控制能力显著提升的同时，也面临着日益严峻的网络安全威胁。其中，虚假数据注入攻击（False Data Injection Attack， FDIA）通过恶意篡改传感器测量数据，可误导控制系统决策，进而引发电压失稳、大规模停电等严重后果。传统FDIA检测方法存在明显局限：一方面往往忽视针对电压调节的特定攻击，另一方面主要依赖静态阈值和简单异常检测技术，难以捕捉电压稳定、网络攻击与防御措施之间的复杂相互作用。

为解决上述挑战，发表于《IEEE Open Access Journal of Power and Energy》的研究论文“Graph Neural Network-Based Approach for Detecting False Data Injection Attacks on Voltage Stability”提出了一种创新的检测框架。该研究聚焦于电压稳定这一关键问题，开发了能够识别针对电压调节的网络攻击的检测器，并显著提升了电压稳定指数的评估准确性。

为开展研究，团队首先构建了电力系统的图结构模型，将电网组件转换为节点（母线）和边（输电线路）的加权无向图。在此基础上，研究人员设计了基于图自编码器（Graph Autoencoder， GAE）的检测模型架构，该模型包含图编码器、潜在层和图解码器。通过Chebyshev卷积运算捕捉空间拓扑特征，并结合LSTM单元学习时间序列依赖关系。模型训练目标是最小化输入数据与重构输出之间的均方误差（MSE），使模型能够从正常操作数据中学习特征模式，从而在测试阶段通过重构误差识别异常。

攻击建模方面，研究考虑了三种典型FDIA场景：加法攻击（抬高电压测量值）、减法攻击（降低电压测量值）以及混合攻击（同时包含加减操作）。攻击策略包括随机节点攻击和针对脆弱节点的针对性攻击。通过双层优化框架同步优化攻击者和防御者的目标，生成了更具隐蔽性和破坏性的攻击样本用于模型验证。

实验结果证实了所提方法的优越性。在伊比利亚电力系统（486母线）的测试中，GAE检测器对随机母线攻击的平均检测准确率（ACC）达98.11%，检测率（DR）为98.76%，误报率（FAR）为8.13%。即使在20%攻击注入水平的高难度场景下，对加法攻击的检测准确率仍保持在95.80%。针对脆弱节点攻击和分布式发电机（DG）攻击的测试中，模型表现虽略有下降，但准确率均超过93%，展现了良好的泛化能力。

与现有先进检测器的对比分析进一步凸显了GAE模型的优势。在相同测试条件下（20%攻击注入水平），GAE检测器在准确率和检测率指标上均显著优于图卷积神经网络（GCNN）、长短期记忆网络（LSTM）、卷积神经网络（CNN）等基准方法，而自回归积分滑动平均模型（ARIMA）表现最差。这表明图神经网络在捕捉电力系统复杂时空关联方面具有独特优势。

研究还考察了模型在噪声环境下的鲁棒性。通过向测试数据添加信噪比（SNR）10-20dB的加性高斯白噪声（AWGN），模拟实际电网中的测量干扰。结果表明，在10dB SNR的强噪声条件下，检测性能仅下降约2%，证明该方法具备实际应用潜力。

本研究的主要技术方法包括：1）建立电力系统图结构模型，将电网拓扑与测量数据结合；2）设计GAE检测架构，集成Chebyshev图卷积与LSTM网络；3）采用双层优化生成多样化攻击场景；4）定义电压稳定指数（Δ_Bⁱ和Δ_L^kj）作为安全评估指标；5）利用MATPOWER工具箱生成正常与攻击条件下的时空数据集。

电压稳定性分析

通过计算母线电压稳定指数Δ_Bⁱ和线路电压稳定指数Δ_L^kj，研究团队建立了系统的电压稳定性评估框架。结果表明，FDIA会显著扭曲这些指数，导致对系统稳定状态的误判。最终整体电压稳定指数Δ_o取两者最大值，增强了系统对网络攻击的韧性。

攻击检测性能

在不同攻击类型和注入水平下的系统测试显示，GAE检测器对加法攻击的检测效果最佳（20%注入水平下准确率95.80%），混合攻击最具挑战性。针对脆弱节点的攻击检测难度高于随机攻击，而DG攻击检测性能相对稳定，验证了模型对多种攻击场景的适应性。

对比评估

与六种基准检测器的对比实验表明，GAE检测器在准确率、检测率和误报率指标上全面领先。特别是相较于传统机器学习方法（如SVM和FNN），图神经网络方法显示出10-25%的性能提升，凸显了其处理电网复杂结构的优势。

本研究成功开发了一种针对电力系统电压稳定的FDIA检测新方法，通过融合图神经网络与深度学习技术，有效解决了传统检测方法在复杂电网环境中的局限性。提出的GAE模型能够同时捕捉电力系统的空间拓扑特征和时间动态行为，在多种攻击场景下均表现出优异的检测性能和鲁棒性。双层优化框架的引入为生成更真实的攻击样本提供了有效途径，增强了模型的实际应用价值。

该研究的创新点在于首次将图自编码器专门应用于电压稳定相关的FDIA检测，并系统评估了攻击对电压稳定指数的直接影响。实验结果表明，所提方法不仅显著提升了检测准确率，还具备良好的噪声免疫能力和泛化性能，为智能电网网络安全防护提供了可靠的技术支持。

未来研究方向包括开发更具通用性的网络攻击检测方案，以及探索在更大规模、更复杂电网拓扑中的应用潜力。随着电力系统数字化程度不断提高，此类基于人工智能的安全检测技术将在保障电网稳定运行方面发挥越来越重要的作用。