针对直流微电网中虚假数据注入攻击(false data injection attack, FDIA)隐蔽性强、难以精准检测的问题,提出一种基于深度时空特征学习的FDIA检测方法。首先,构建并行双分支检测模型。一支引入Transformer模块,利用自注意力机制提取全...针对直流微电网中虚假数据注入攻击(false data injection attack, FDIA)隐蔽性强、难以精准检测的问题,提出一种基于深度时空特征学习的FDIA检测方法。首先,构建并行双分支检测模型。一支引入Transformer模块,利用自注意力机制提取全局信息与跨节点特征;另一支引入门控循环单元(gated recurrent unit, GRU),捕捉量测数据中的时间依赖性与动态演化模式。其次,通过特征尺度对齐与自适应加权实现空间与时间表征的特征级融合,并配合归一化与残差抑制冗余与噪声。然后,将融合后的特征输入神经网络分类器,实现对多类型攻击的一体化检测。最后,在典型直流微电网场景下构建多类型攻击数据集并开展对比实验。结果表明,该方法各项指标整体优于对比模型,且表现出较强的鲁棒性与泛化能力。展开更多
文摘针对直流微电网中虚假数据注入攻击(false data injection attack, FDIA)隐蔽性强、难以精准检测的问题,提出一种基于深度时空特征学习的FDIA检测方法。首先,构建并行双分支检测模型。一支引入Transformer模块,利用自注意力机制提取全局信息与跨节点特征;另一支引入门控循环单元(gated recurrent unit, GRU),捕捉量测数据中的时间依赖性与动态演化模式。其次,通过特征尺度对齐与自适应加权实现空间与时间表征的特征级融合,并配合归一化与残差抑制冗余与噪声。然后,将融合后的特征输入神经网络分类器,实现对多类型攻击的一体化检测。最后,在典型直流微电网场景下构建多类型攻击数据集并开展对比实验。结果表明,该方法各项指标整体优于对比模型,且表现出较强的鲁棒性与泛化能力。
