基于自编码器与多层感知机的智能电网虚假数据注入攻击异常检测框架研究

为解决智能电网中高级量测架构(AMI)面临的虚假数据注入(FDI)攻击威胁，研究人员开展了一项结合自编码器(AE)特征变换与多层感知机(MLP)分类的异常识别框架(AIF)研究。该研究通过合成特征提取与混合机器学习方法，实现了对七类FDI攻击的高精度检测，准确率达92%，AUC达97%。这项研究显著提升了智能电网网络安全防护能力，为电力系统安全稳定运行提供了创新性解决方案。

　　

随着现代电力分配网络逐渐演变为信息物理系统(CPS)，高级量测架构(AMI)的广泛应用在提升电网智能化水平的同时，也带来了新的网络安全漏洞。虚假数据注入(FDI)攻击通过篡改电力消费数据，导致巨额经济损失、运行效率低下和电网不稳定。全球能源行业因非技术性损失每年高达约893亿美元，这使得开发有效的异常检测技术成为当务之急。

传统基于规则的技术和机器学习模型存在明显局限性：误报率高、难以适应新的攻击模式，且在大规模部署中表现不佳。面对这一挑战，研究人员在《ARTIFICIAL INTELLIGENCE REVIEW》上发表了一项创新研究，提出了一种强大的异常识别框架(AIF)，该框架结合了自编码器(AE)的特征变换能力和多层感知机(MLP)的分类优势，能够有效检测智能电网中的多种FDI攻击类型。

本研究采用了多项关键技术方法：首先从爱尔兰CER智能电表数据集中获取商业用户能耗数据；接着创建了七种FDI攻击向量并生成12种合成特征；利用去噪自编码器进行特征变换；最后采用MLP和SVM两种分类器进行异常检测。研究使用包含485个商业用户60天能耗记录的数据集，通过故意注入攻击数据来模拟真实攻击场景。

研究结果方面，论文通过多个维度验证了所提框架的有效性：

系统设计与理论基础部分详细阐述了AMI网络架构和七种FDI攻击类型的数学模型，为检测算法提供了理论支撑。

合成特征创建部分创新性地开发了12种统计和电气特征，包括最小/最大能耗、标准差、偏度、峰均比等，这些特征基于现代智能电表实际功能设计，显著提升了对异常模式的敏感性。

自编码器性能部分展示了去噪自编码器在特征变换中的卓越表现，训练损失曲线显示模型在40个周期内快速收敛，MSE降低至0.0793，证明了其特征提取能力。

多层感知机分类结果部分显示，AE-MLP组合在所有评估指标上均表现优异，对FDI6和FDI7攻击达到100%的检测精度，对混合攻击的检测准确率也达到88.32%。

与传统方法的对比分析部分通过大量实验证明，提出的AIF框架在AUC和MAP指标上显著优于HDBSCAN、FCM-DWT、LOF等基线方法，最高提升达25%。

消融研究表明，AE-MLP组合相比AE-SVM具有明显优势，特别是在处理复杂攻击场景时表现更加稳定和准确。

敏感性分析验证了框架在不同攻击强度下的鲁棒性，即使在20%-40%的攻击数据比例变化下仍保持90%以上的准确率。

该研究的结论部分强调，所提出的AIF框架成功解决了现有方法在检测精度、泛化能力和实用性方面的局限。通过融合无监督特征变换与有监督分类，该框架不仅实现了对多种FDI攻击的高精度检测，还显著降低了误报率。特别值得关注的是，该框架在处理混合攻击类型时展现出的强大泛化能力，使其能够适应不断演变的网络威胁环境。

这项研究的重要意义在于为智能电网网络安全提供了切实可行的解决方案，其提出的合成特征工程方法和混合机器学习架构为未来网络安全研究提供了新思路。研究成果不仅适用于电力系统，其核心方法也可扩展到其他关键基础设施的网络安全防护中，为构建安全可靠的信息物理系统提供了重要技术支撑。随着智能电网规模的不断扩大和攻击手段的日益复杂，这种基于人工智能的异常检测框架将在保障能源安全方面发挥越来越重要的作用。