基于机器学习和元启发式特征优化的物联网-enabled 智能电网网络-物理异常检测
机器学习
2026-05-22 v1 人工智能
摘要
现代智能电网依赖稠密的测量基础设施、通信链路和智能现场设备。虽然这提高了监督和控制能力，但也增加了针对网络-物理干扰的脆弱性。运营商必须区分物理性事件（如故障或线路扰动）与恶意行为（如虚假数据注入或未经授权的命令执行）。本章节使用著名的 MSU/ORNL Power System Attack Dataset 来研究这一问题。所提出的方法结合了机器学习和基于遗传算法的特征选择。目标有两个：准确分类攻击与自然事件，以及确定是否可以支持可靠检测的缩减的 PMU/IED 测量子集。评估了多个基线模型，包括逻辑回归、RBF-SVM、XGBoost、Random Forest 和 Extra Trees。结果表明，树基集成模型在所考虑的数据集上最为有效，Extra Trees 提供了最强的完整特征基线。在特征选择后，GA + Extra Trees 模型将干净 PMU 特征空间从 112 个属性减少到平均 27.4 个属性（进行 5 次运行），同时将宏 F1 从 0.9118 提升到 0.9212，ROC-AUC 从 0.9791 提升到 0.9837。这些结果表明，许多同步电气测量是冗余的，一个紧凑的相位基特征子集仍能提供准确且可解释的智能电网异常检测。
引用
@article{arxiv.2605.22749,
title = {Cyber-Physical Anomaly Detection in IoT-Enabled Smart Grids Using Machine Learning and Metaheuristic Feature Optimization},
author = {Adis Alihodžić and Eva Tuba and Milan Tuba},
journal= {arXiv preprint arXiv:2605.22749},
year = {2026}
}