基于过采样和级联机器学习的电网虚假数据注入攻击识别

摘要

虚假数据注入攻击(FDIA)因其高隐蔽性和破坏性,对电网的安全稳定运行构成严重威胁。攻击样本与正常样本的不平衡特性会影响模型的攻击检测精度,同时多类型FDIA的出现使得现有算法在识别攻击种类上具有局限性。针对上述问题,文中提出基于过采样和级联机器学习的电网多类型FDIA识别方法。首先,探究了电网耦合交互过程中的FDIA攻击路径,分析了多类型攻击行为;然后,通过聚类、过滤和线性插值过程生成攻击伪样本,设计基于K均值合成少数类过采样技术(K-means-Smote)的量测数据平衡算法;最后,结合细粒度特征扫描和多个分类器的集成学习策略,构建基于改进级联机器学习的多类型FDIA识别模型。仿真实验表明,所提识别方法可有效辨识多种FDIA类型,且辨识精度高、误报率较低、性能稳定,在小样本下性能仍然出色。