【目的】针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题。【方法】文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN⁃CBAM模型)对虚假数据注入攻击(FDIA)位置进行检测。将F...【目的】针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题。【方法】文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN⁃CBAM模型)对虚假数据注入攻击(FDIA)位置进行检测。将FDIA的攻击辨识问题建模为一种多标签分类问题,CNN用于提取数据的空间特征,CBAM直接融合到CNN模块的卷积操作后,不仅能从空间域的角度关注重要的参数信息,同时还考虑了通道域上的特征关系,从两个维度对输入数据进行注意力分配,以提升模型的性能。【结果】在电气和电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE)14和IEEE118节点系统上对所提出的CNN⁃CBAM模型FDIA位置检测的性能进行验证,实验结果表明,CNN⁃CBAM在IEEE14和IEEE118节点系统上的FDIA位置检测率分别为98.25%和96.72%。【结论】与其他方法相比,文章所提出的CNN⁃CBAM模型能够有效地提取数据间的时空特性,提高FDIA存在性和攻击位置辨识精度,并具有更好的鲁棒性。展开更多
文摘【目的】针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题。【方法】文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN⁃CBAM模型)对虚假数据注入攻击(FDIA)位置进行检测。将FDIA的攻击辨识问题建模为一种多标签分类问题,CNN用于提取数据的空间特征,CBAM直接融合到CNN模块的卷积操作后,不仅能从空间域的角度关注重要的参数信息,同时还考虑了通道域上的特征关系,从两个维度对输入数据进行注意力分配,以提升模型的性能。【结果】在电气和电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE)14和IEEE118节点系统上对所提出的CNN⁃CBAM模型FDIA位置检测的性能进行验证,实验结果表明,CNN⁃CBAM在IEEE14和IEEE118节点系统上的FDIA位置检测率分别为98.25%和96.72%。【结论】与其他方法相比,文章所提出的CNN⁃CBAM模型能够有效地提取数据间的时空特性,提高FDIA存在性和攻击位置辨识精度,并具有更好的鲁棒性。
