基于半监督学习的电力系统虚假数据注入攻击检测与防御设计.docxVIP

PAGE2

基于半监督学习的电力系统虚假数据注入攻击检测与防御设计

摘要

随着电力系统信息化程度不断提高，虚假数据注入攻击（FDIA）已成为威胁电网安全运行的关键隐患。攻击者通过篡改量测数据，可绕过传统坏数据检测机制，误导状态估计结果，引发连锁故障。针对现有检测方法高度依赖大量标记样本、难以应对未知攻击模式等问题，本课题设计了一种基于半监督学习的FDIA检测与防御系统。

系统利用少量标记样本与海量未标记量测数据，构建基于自训练协同的半监督检测模型，有效降低标记成本并提升检测精度。在检测基础上，设计多级阻断防御策略，包括可疑节点隔离、量测数据重构与断面潮流校正，实现攻击的实时阻断与系统快速恢复。论文遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进思路，完成了系统架构设计、功能模块划分、核心算法实现及系统测试。测试结果表明，系统在30%标记样本条件下达到93.8%的检测准确率，攻击阻断响应时间小于200毫秒，满足电力监控系统实时性要求。本设计的核心创新在于将半监督学习与电力系统物理约束融合，提出“检测—溯源—阻断”闭环防御框架，为数据驱动的电力系统安全防护提供了新思路。

第一章绪论

1.1研究背景

电力系统是国家关键基础设施，其安全稳定运行关乎国计民生。近年来，随着智能电网与泛在电力物联网的建设，大量智能终端、通信网络与信息系统深度融合，电网的数字化水平显著提升。然