面向逆变器主导电网的时延感知深度学习基准测试框架：用于实时网络安全攻击与故障分类
系统与控制
2026-05-19 v1 人工智能
机器学习
系统与控制
摘要
本工作引入了一个时延感知的基准测试框架，用于评估基于高保真时域信号的电力系统异常检测深度学习模型。该框架使用来自行业级电磁瞬态模拟器生成的信号，系统评估了八种神经网络架构（从多层感知机到Transformer）在代表逆变器主导网络中物理故障和网络攻击的流式数据集上的性能。所有模型均能在亚循环响应时间（小于15 ms）内成功分类两个具有代表性的多事件序列。然而，尽管分类决策在单个循环内完成，端到端推理时延始终超过三个循环，范围为50至90 ms。这些结果揭示了算法能力与保护级部署之间的关键差距，指向需要进一步优化和硬件加速的方向。本研究建立了一个可复现的亚循环异常检测基准，为将机器学习方法从研究原型迈向实际保护应用提供了指导。
引用
@article{arxiv.2605.17256,
title = {Latency-Aware Deep Learning Benchmark for Real-Time Cyber-Physical Attack and Fault Classification in Inverter-Dominated Power Grids},
author = {Emad Abukhousa and Saman Zonouz and A. P. Sakis Meliopoulos},
journal= {arXiv preprint arXiv:2605.17256},
year = {2026}
}