.png){kind=icon}
返回
Guaranteed False Data Injection Attack Without Physical Model
.png){kind=icon}
OA
AI
DOI：10.1109/OAJPE.2025.3580108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能电网由于日益依赖互联的数字系统，正变得日益容易受到虚假数据注入攻击（FDIAs）的影响。许多现有的FDIA技术假设能够获取关键物理模型信息，例如电网拓扑，以成功绕过坏数据检测（BDD）。然而，这一假设通常不切实际，因为电力公司可能会限制对这类数据的访问，或者配电网的动态特性——特别是随着可再生能源的集成——可能导致此类信息无法获取。当前处理物理模型缺失的方法缺乏对BDD规避的正式保证。为弥补这一差距，我们提出了一种新颖的无物理模型FDIA框架，该框架1）能够以正式保证绕过BDD，2）在不依赖显式物理模型的情况下最大化攻击影响。我们的方法利用带有正则化潜在空间的自动编码器（AE）来强制执行物理一致性，通过历史测量数据复制残差误差分布，以确保绕过BDD。此外，我们整合了生成对抗网络（GAN）来探索测量流形并诱导最显著的状态变化，从而增强攻击效果。关键创新在于AE-GAN混合模型能够在复制残差误差分布的同时最大化攻击效能，提供现有方法所缺乏的性能保证。我们在11个代表性电网系统上验证了该方法，使用MATPOWER模拟的实际功率曲线，并展示了其通过保持残差误差分布来持续绕过BDD的能力。结果表明了所提出的FDIA框架的鲁棒性和泛化能力。
Keyword:
False data injection attack
state estimation
bad data detector
no physical model
auto-encoder
generative adversarial network
期刊
I
IF:
3.2
论文数:
391
被引数:
826
机构
引用论文
Limitations, challenges, and solution approaches in grid-connected renewable energy systems并网可再生能源系统的限制、挑战和解决方案
OAAI
OAAI分享收藏Anomaly Detection in Power System State Estimation: Review and New Directions电力系统状态估计中的异常检测：综述与新方向.png)
EnergiesOAAI
EnergiesIF0
OAAI分享收藏Vulnerability Assessment of AC State Estimation With Respect to False Data Injection Cyber-Attacks虚假数据注入网络攻击下交流状态估计的脆弱性评估OAAI
OAAI分享收藏
查看更多内容