基于双分数阶特征分析的智能微电网鲁棒网络攻击诊断单点测量框架

网络攻击危及智能微电网的安全运行。与此同时，现有的诊断方法要么依赖昂贵的多点仪器，要么需要不可在单传感器约束下实现的严格建模假设。本文提出了一种分数阶记忆增强攻击诊断方案（FO-MADS），通过仅使用一个VPQ（电压-功率-无功）传感器实现低延迟故障定位和网络攻击检测。FO-MADS首先通过联合应用卡普图导数和格鲁恩-莱特nikov导数，构建双分数阶特征库，从而放大VPQ信号中的微扰和缓慢漂移。随后，采用两阶段层次分类器确定受影响的逆变器并隔离故障IGBT开关，有效缓解类别不平衡问题。通过渐进式记忆回放对抗训练（PMR-AT）进一步提升鲁棒性，其攻击感知损失通过在线硬例挖掘（OHEM）动态重新加权，以优先处理最具挑战性的样本。实验在由1个正常状态和24个故障类别组成的四逆变器微电网测试平台上进行，分别在偏置、噪声、数据替换和回放四种攻击场景下分别达到96.6%、94.0%、92.8%和95.7%的诊断准确率，而在无攻击情况下保持96.7%的准确率。这些结果表明FO-MADS是一种成本效益高且易于部署的解决方案，显著增强了智能微电网的网络-物理韧性。