智能电网中虚假数据注入攻击的定位检测

提出了一种基于数据驱动的稀疏虚假数据注入攻击策略。攻击策略分为3个阶段：第一阶段，基于稀疏优化技术对窃听的数据进行预处理以剔除异常值；第二阶段，基于平行因子分解算法推断不完整的系统信息矩阵；第三阶段，根据推断的系统矩阵，使用凸优化的方法求解稀疏攻击向量。仿真实验结果表明，当存在异常值时，传统的攻击策略无法成功实施，而所提攻击策略仍能成功地实施稀疏虚假数据注入攻击。

智能电网的虚假数据注入攻击识别

随着智能电网的发展及智能设备不断引入电力信息物理融合系统(CPPS)中，CPPS面临一种新的攻击方式——网络-物理协同攻击(CCPAS)。这种攻击方式既隐蔽又可引发连锁故障，易造成大规模停电事故。首先，阐述CPPS遭受CCPAS的基本形式，在直流潮流模型下构建考虑状态估计约束的CCPAS模型。然后，探讨CCPAS的机理，以攻击者的角度分析规避状态估计监测后最大范围的攻击，分析CCPAS情景下CPPS的脆弱线路。最后，以IEEE 14、118节点系统为例，通过仿真计算验证模型的有效性、适用性，对比分析考虑状态估计约束后物理攻击的限制。

基于深度学习的位置检测架构 (DLLD) 智能电网中虚假数据注入攻击的定位检测：一种多标签分类方法，被 IEEE 物联网杂志接受。 引用此作品 S. Wang，S。Bi和YA Zhang，“”，在IEEE物联网杂志上，第1卷。 7，没有。 9，第 8218-8227 页，2020 年 9 月。 介绍 这是我们论文“智能电网中虚假数据注入攻击的位置检测：多标签分类方法”的代码和数据。 网络设计 卷积网络旨在处理以多个数组形式出现的数据。 许多数据模态采用多个阵列的形式：信号和序列的一维，包括测量向量； 2D 图像或音频频谱图； 和 3D 视频或立体图像。 卷积网络架构的原因是双重的。 首先，在数组数据中，局部值组通常高度相关，形成易于检测的独特局部图案。 其次，图像和其他信号的局部统计量对于位置是不变的。 换句话说，如果一个主题可以出现在数组的一部分中，它就可以出现在任何地方。 因此，不同

针对电力系统状态估计的虚假数据注入攻击（FIDA）是传统方法无法有效解决的问题。 本文使用IEEE14仿真平台中机器学习领域的四种离群点检测方法，即一类SVM，鲁棒协方差，隔离林和局部离群因子方法进行测试和比较。 通过仿真估计准确性和准确性，以观察分类效果。

随着电网信息层与物理层的耦合程度越来越高，配合良好的信息物理协同攻击将对电网造成巨大的威胁。为了更好地保障电网的安全稳定运行，在信息物理高度融合的背景下，提出了一种考虑负荷数据虚假注入的双层协同攻击模型。以广泛应用的基于残差分析的不良数据检测原理为基础，制定网络攻击与物理攻击资源分配约束；以考虑权重的负荷削减期望为损失度量指标，给出了上层攻击者最大化损失和下层防御者最小化损失的具体模型及求解方案；基于修改的IEEE 14节点系统进行了定量分析，得到了不同状态下攻击者的最优攻击方案，为电网防御者在信息物理协同攻击威胁下制定新的防御方案提供参考。

智能电网中基于残留预增白的虚假数据注入攻击实时检测

包含了电力系统虚假数据注入攻击MATLAB源代码及介绍。鲁棒电力系统状态估计器在监控应用中具有重要意义。根据我们的经验，我们发现使用投影统计的鲁棒广义极大似然（GM）估计是文献中最好的方法之一。它对多个交互和一致的坏数据、坏杠杆点、坏零注入以及某些类型的网络攻击具有鲁棒性。另外，它的计算效率高，适合于在线应用。GM估计器除了具有良好的击穿点外，在高斯或其他厚尾非高斯测量噪声下也具有较高的统计效率。使用SCADA测量的GM估计器的原始版本是由Mili和他的同事在1996年提出的。使用Givens旋转增强了其数值稳定性。将GM估计器推广到同时估计变压器抽头位置和系统状态。糟糕的零注入也得到了解决。