统计结构学习：迈向稳健的智能电网

电网的稳健控制与维护依赖于准确的数据。相量测量单元 (PMU) 和状态估计器都容易受到虚假数据注入攻击。因此，必须拥有一种机制来快速准确地检测恶意篡改数据的代理——既用于防止可能导致停电的攻击，也用于当前和未来电网的常规监控与控制任务。我们提出了一种基于母线相位角马尔可夫图的分布式虚假数据注入检测方案。我们利用条件协方差检验 (CCT) 来学习电网结构。使用直流潮流模型，我们表明在正常情况下，由于电网图的可walk-summability 性质，电压角的马尔可夫图可由电力网络图确定。因此，计算出的马尔可夫图与学习到的结构之间的差异应触发警报。局部电网拓扑可从保护系统在线获取，我们利用它来检查不匹配。如果检测到不匹配，我们使用相关性异常分数来检测受攻击节点集。我们的方法可以检测到针对电网的最新隐蔽欺骗攻击，该攻击假设知晓系统的母线 - 支路模型并能够欺骗状态估计器，从而破坏电力网络的观测、控制、监控、需求响应和定价方案。具体而言，在隐蔽欺骗攻击下，相位角的马尔可夫图会发生变化。除了检测攻击状态外，我们的方法还能检测受攻击节点集。据我们所知，我们的补救措施是首个全面检测此类复杂攻击的方法，且无需额外硬件。此外，无论受攻击子集的大小如何，我们的检测方案均能成功。对各种电力网络的仿真证实了我们的主张。