用于配电网信息物理异常检测的物理信息卷积自编码器
系统与控制
2023-12-11 v1 密码学与安全
机器学习
系统与控制
摘要
配电系统现代化的日益增长的趋势促进了先进测量单元的安装和通信系统的推广。然而，这些基础设施仍然容易受到隐蔽的网络攻击。现有的数据驱动异常检测方法存在缺乏系统物理知识、可解释性差和可扩展性问题，阻碍了它们在实际场景中的应用。为了解决这些问题，物理信息神经网络（PINN）被引入。本文提出了一种多元物理信息卷积自编码器（PIConvAE）来检测配电网中的隐蔽网络攻击。所提出的模型通过应用基尔霍夫定律将物理原理集成到神经网络的损失函数中。使用OpenDSS软件在修改后的IEEE 13节点和123节点系统上进行仿真，以验证所提模型对隐蔽攻击的有效性。数值结果证明了所提出的PIConvAE在三个方面的优越性能：a）与数据驱动的ConvAE模型相比，它提供了更准确的结果；b）它需要更少的训练时间即可收敛；c）该模型在有效检测广泛范围的攻击强度方面表现出色，使其在检测隐蔽攻击方面功能强大。
引用
@article{arxiv.2312.04758,
title = {Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids},
author = {Mehdi Jabbari Zideh and Sarika Khushalani Solanki},
journal= {arXiv preprint arXiv:2312.04758},
year = {2023}
}