中國儲能網(wǎng)訊：
摘要
直流微電網(wǎng)是一個網(wǎng)絡(luò)物理信息系統(tǒng)，在信息傳遞的過程中容易遭受網(wǎng)絡(luò)攻擊的影響。虛假數(shù)據(jù)注入信息通道會影響微電網(wǎng)的系統(tǒng)安全。檢測并修正虛假數(shù)據(jù)注入攻擊，能夠提升微電網(wǎng)系統(tǒng)運行的安全性。針對這一問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）聯(lián)合最大互信息系數(shù)（maximum information coefficient，MIC）的二階段虛假數(shù)據(jù)注入攻擊檢測方法。首先，使用CNN從直流微電網(wǎng)運行的時序數(shù)列中提取時序特征，運用LSTM模型結(jié)合CNN提取的時序特征運行得到直流微電網(wǎng)運行狀態(tài)預(yù)測值，與直流微電網(wǎng)運行的實際值對比，初步判斷系統(tǒng)中是否存在虛假數(shù)據(jù)；其次，考慮到CNN-LSTM模型存在一定的誤報率，構(gòu)建MIC校驗器，進(jìn)一步判斷系統(tǒng)中是否存在虛假數(shù)據(jù)并恢復(fù)；最后，通過直流微電網(wǎng)Matlab仿真分析，驗證了所提方法的合理性和可行性。
1 直流微電網(wǎng)控制模型
1.1 直流微電網(wǎng)系統(tǒng)描述
本文考慮的直流微電網(wǎng)包含m個分布式發(fā)電單元（DG）和n個負(fù)載，它們通過并聯(lián)的方式連接在直流母線上，并且通過下垂控制和二次控制維持系統(tǒng)的穩(wěn)定。圖1展示了本文研究的直流微電網(wǎng)的一般網(wǎng)絡(luò)物理信息系統(tǒng)。
圖1 直流微電網(wǎng)控制模型
Fig.1 Control model of DC microgrid
1.2 直流微電網(wǎng)控制模型
為確保直流微電網(wǎng)的穩(wěn)定運行，通常采用下垂控制實現(xiàn)各個DG間的電流分配。由下垂控制方程得到參考電壓Uref為
1.3 虛假數(shù)據(jù)對直流微電網(wǎng)的影響
針對直流微電網(wǎng)的攻擊通常是DoS攻擊和FDIA，F(xiàn)DIA相較于DoS攻擊而言有著更高的隱蔽性和破壞性。本文對FDIA進(jìn)行更深入的討論。在微電網(wǎng)中，當(dāng)攻擊者通過通信通道對系統(tǒng)注入虛假數(shù)據(jù)時，會導(dǎo)致信息層發(fā)出錯誤指令，造成控制系統(tǒng)紊亂，對整個微電網(wǎng)網(wǎng)絡(luò)的穩(wěn)定造成嚴(yán)重影響。
虛假數(shù)據(jù)信號注入表現(xiàn)形式以疊加的方式注入鄰居間的信息傳輸通道中，因此控制器遭受FDIA時，微電網(wǎng)受攻擊模型可以表示為
2 虛假數(shù)據(jù)注入攻擊檢測模型
2.1 CNN-LSTM檢測模型
CNN是一種深度學(xué)習(xí)模型，采用局部連接和共享權(quán)值的方式，直接從原始數(shù)據(jù)中通過卷積層和池化層交替使用來獲取有效表征，自動提取數(shù)據(jù)的局部特征，并建立特征向量。本文使用CNN模型提取數(shù)據(jù)特征值。
LSTM在隱藏層中加入記憶單元控制時間序列數(shù)據(jù)的記憶信息。信息在隱藏層的不同細(xì)胞之間通過幾個可控的門（遺忘門、輸入門、輸出門）傳遞，從而可以控制前一信息和當(dāng)前信息的記憶和遺忘程度。LSTM具有長期記憶功能，可以避免梯度消失問題。
本文檢測模型所使用的數(shù)據(jù)從仿真的微電網(wǎng)運行中獲得，其中負(fù)荷在不斷變化，此時收集數(shù)據(jù)的時間為15 s，采樣的時間為5 ms，可以得到3000組數(shù)據(jù)，其中80%為訓(xùn)練集，20%為測試集，所要預(yù)測的目標(biāo)為下一時刻的各DG單元的電流電壓值。本文的CNN-LSTM輸入數(shù)據(jù)為多元時間序列，采用滑動窗口的方式將多元時間序列依次輸入，滑動窗口的寬度設(shè)置為20條記錄，步長設(shè)置為1，輸入的特征如圖2所示。圖2中t為時間尺度，T為每5 ms中的采樣時刻，T+n為T時刻后第n個5 ms的時刻。
圖2 CNN-LSTM網(wǎng)絡(luò)模型輸入數(shù)據(jù)結(jié)構(gòu)
Fig.2 Input data structure of CNN-LSTM network model
本文所提出的CNN-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。2個卷積核的數(shù)目分別為16和32，池化層池的大小為2×1，dropout大小為0.2。2層LSTM神經(jīng)元個數(shù)為16、32。最后通過全連接層輸出指定格式向量，即下一時刻的電流和電流值。
圖3 CNN-LSTM檢測模型流程
Fig.3 Flow chart of CNN-LSTM detection model
2.2 MIC校驗器
直流微電網(wǎng)網(wǎng)絡(luò)層遭受虛假數(shù)據(jù)注入攻擊時，改變了直流微電網(wǎng)電流分配比例和電壓的穩(wěn)定，而直流微電網(wǎng)負(fù)荷變化也會同時改變直流微電網(wǎng)電壓和電流的變化。如何區(qū)別是由正常系統(tǒng)變化引起的還是由FDIA引起的電壓電流變化是檢測模塊所需要完成的任務(wù)。MIC是衡量2個變量間關(guān)系相關(guān)性的一種方法。當(dāng)系統(tǒng)中存在虛假數(shù)據(jù)時，系統(tǒng)中的相關(guān)變量之間的相關(guān)性會在一定程度上解耦，因此可用MIC方法判斷系統(tǒng)中是否存在虛假數(shù)據(jù)。
2.3 二階段FDIA檢測模型
基于CNN-LSTM聯(lián)合MIC的二階段檢測機(jī)制如圖4所示。離線訓(xùn)練時，選取正常運行狀態(tài)下的微電網(wǎng)歷史運行數(shù)據(jù)集x?Dtrain，CNN-LSTM檢測模型通過訓(xùn)練擬合得到準(zhǔn)確的預(yù)測值；與此同時，該歷史數(shù)據(jù)集計算MIC校驗器正常運行狀態(tài)下電流與電壓誤差之間的相關(guān)性，得到相關(guān)性數(shù)值，用以后續(xù)FDIA檢驗。測試時，首先將直流微電網(wǎng)運行時的量測值傳輸至CNN-LSTM檢測模型中，當(dāng)實際運行值與預(yù)測值相匹配時，檢測系統(tǒng)正常運轉(zhuǎn)不動作，輸出為0代表正常狀態(tài)；在二者間存在誤差大于設(shè)定閾值時，輸出為1，代表受到網(wǎng)絡(luò)攻擊狀態(tài)。由于直流微電網(wǎng)負(fù)荷波動會導(dǎo)致系統(tǒng)運行狀態(tài)發(fā)生改變，導(dǎo)致CNN-LSTM檢測模型將其錯誤判別為異常值，需要繼續(xù)使用MIC校驗器檢驗是否存在FDIA，此時若存在FDIA，線路電流和母線電壓誤差之間的相關(guān)度會大幅降低，這是因為FDIA篡改了信息傳輸過程中的電壓或者電流，但由于數(shù)據(jù)不是自然變化，此時二者之間的關(guān)系受到破壞，導(dǎo)致系統(tǒng)控制紊亂，MIC對于此類數(shù)據(jù)變化極為敏感。
圖4 基于CNN-LSTM聯(lián)合MIC二階段FDIA檢測機(jī)制
Fig.4 Two-stage FDIA detection mechanism based on CNN-LSTM combined with MIC
2.4 FDIA檢測與修正
針對直流微電網(wǎng)受到FDIA時，基于神經(jīng)網(wǎng)絡(luò)模型，將注入的虛假數(shù)據(jù)值λj剔除，使用正確的傳輸值uj(t)作為二次控制信號的輸入。基于以上策略，本文首先通過神經(jīng)網(wǎng)絡(luò)估計ui(t)的值，并將所得到的估計值作為二次控制收到信號的參考值。修正模型由神經(jīng)網(wǎng)絡(luò)、PI控制器和輸出組成。圖5展現(xiàn)了本文的神經(jīng)網(wǎng)絡(luò)檢測模型的構(gòu)架。在圖5中，使用神經(jīng)網(wǎng)絡(luò)來估計uj的實際值，使用PI控制器將輸入收斂到神經(jīng)網(wǎng)絡(luò)的輸出。若PI控制器的輸出命名為μ(t)，則PI控制器的輸入為
圖5 虛假數(shù)據(jù)修正模型
Fig.5 False data correction model
采用神經(jīng)網(wǎng)絡(luò)對直流母線的電壓值進(jìn)行估計。當(dāng)檢測模型認(rèn)為通信通道中存在虛假數(shù)據(jù)，為了消除虛假數(shù)據(jù)的影響，使用神經(jīng)網(wǎng)絡(luò)的估計值代替Ui，直到檢測模型確認(rèn)虛假數(shù)據(jù)已被系統(tǒng)剔除，微電網(wǎng)恢復(fù)正常運行?；谒岢龅奶摷贁?shù)據(jù)檢測模型，作為估計器的神經(jīng)網(wǎng)絡(luò)模型有重要的作用，需要估計值與系統(tǒng)當(dāng)前運行狀態(tài)下的Ui誤差很小。
3 算例分析
基于Matlab/Simulink平臺構(gòu)建了圖1所示的直流微電網(wǎng)模型，模型由4個DG組成，每個DG都為一個300 V的直流電壓源，直流母線的參考電壓為370 V，模型參數(shù)為R1=0.4Ω，R2=0.6Ω，R3=0.3Ω，R4=0.5Ω。
本文在模擬微電網(wǎng)遭遇FDIA時，假設(shè)攻擊者可以操控傳輸數(shù)據(jù)對微電網(wǎng)發(fā)動攻擊。本文考慮3種測試場景。
3.1 場景1：正常運行狀態(tài)
在場景1中，改變直流微電網(wǎng)的負(fù)載，通過比較直流微電網(wǎng)真實運行狀態(tài)和檢測模型估計值，驗證負(fù)荷不斷變化情況下，模型預(yù)測的準(zhǔn)確性。直流微電網(wǎng)在正常狀態(tài)下運行，在t=0s時處于穩(wěn)態(tài)，在t=1.5s時接入負(fù)載，仿真結(jié)果如圖6所示。由圖6可以看出，在直流微電網(wǎng)正常運行時，預(yù)測值和真實值之間的誤差為0，當(dāng)微電網(wǎng)中存在負(fù)荷變化時，出現(xiàn)了極小的估計誤差，此時估計誤差的值小于0.5且經(jīng)過短暫的時間后，誤差重新收斂為0，結(jié)果表明，文中所提出的深度學(xué)習(xí)檢測模型能夠準(zhǔn)確預(yù)測出直流微電網(wǎng)正常運行時的電流、電壓值。
圖6 添加負(fù)載時的直流微電網(wǎng)電流電壓值
Fig.6 The current and voltage value of DC microgrid with load added
3.2 場景2：虛假數(shù)據(jù)注入攻擊
在場景2中，對直流微電網(wǎng)信息傳輸通道加入固定值的虛假數(shù)據(jù)和時變的虛假數(shù)據(jù)，對比加入檢測模型的直流微電網(wǎng)和不加入模型的直流微電網(wǎng)驗證檢測模型的有效性。直流微電網(wǎng)在正常的狀態(tài)下運行，在t=0s時處于穩(wěn)態(tài)，在t=1s時對直流微電網(wǎng)DG2注入λ=?20的虛假數(shù)據(jù)，在t=2s時在第一次攻擊的基礎(chǔ)上在DG4注入攻擊為λ=20sin?2πt，結(jié)果如圖7所示。由圖7 a)可以看出，在加入虛假數(shù)據(jù)后，母線電壓在二次控制的作用下發(fā)生了改變，但是在很短的時間內(nèi)恢復(fù)平穩(wěn)運行。由圖7 b)可以看出，t=2s時，只有DG2受到攻擊時，可以消除攻擊信號對系統(tǒng)的不利影響，但是當(dāng)攻擊信號的幅度和數(shù)量增加時，這些攻擊信號不能被完全抑制，導(dǎo)致系統(tǒng)中出現(xiàn)較大的波動。圖7 c)中的母線電壓和電流由于虛假數(shù)據(jù)的存在，控制系統(tǒng)受到虛假數(shù)據(jù)的影響最終導(dǎo)致失控。結(jié)果表明當(dāng)直流微電網(wǎng)受攻擊后，檢測模型能夠檢測出虛假數(shù)據(jù)的存在且能夠快速響應(yīng)消除存在的虛假數(shù)據(jù)。
圖7 加入虛假數(shù)據(jù)后的直流微電網(wǎng)電壓電流值
Fig.7 The voltage and current value of DC microgrid after adding false data
3.3 場景3：負(fù)荷變化和虛假數(shù)據(jù)注入攻擊
場景3是為了證明在負(fù)荷不斷變化的情況下，注入虛假數(shù)據(jù)后，檢測模型能夠快速準(zhǔn)確檢測出虛假數(shù)據(jù)并排除虛假數(shù)據(jù)的影響。系統(tǒng)開始時穩(wěn)定運行，在t=1s時添加負(fù)荷，在t=2.5s時對DG3傳輸通道加入λ=15的虛假數(shù)據(jù)，在t=4s時將虛假數(shù)據(jù)改為λ=10sin?2πt?10并減少負(fù)荷，結(jié)果如表1和圖8所示。
表1 攻擊前后的MIC值
Table 1 The MIC value before and after the attack
圖8 直流微電網(wǎng)電壓電流值
Fig.8 The voltage and current value of DC microgrid
如表1所示，當(dāng)系統(tǒng)正常運行和負(fù)荷變化時，MIC值在0.8~1的區(qū)間內(nèi)，當(dāng)系統(tǒng)中存在虛假數(shù)據(jù)時，MIC的值低于0.5?？梢钥闯鲐?fù)荷變化對于MIC校驗器影響很小，而存在虛假數(shù)據(jù)時，變量間的關(guān)系受到破壞，MIC校驗器對于變量間微小的變化極為敏感。
由圖8可以看出，當(dāng)發(fā)生負(fù)荷變化時，直流微電網(wǎng)正常運行，檢測模型不動作；當(dāng)注入了虛假數(shù)據(jù)后，檢測模型可以迅速響應(yīng)，使微電網(wǎng)運行不受到虛假數(shù)據(jù)的影響。
3.4 MIC校驗性能分析
使用MIC方法分別測試在負(fù)荷變化時和虛假數(shù)據(jù)注入攻擊時，線路電流和母線電壓之間的相關(guān)性，通過實驗證明MIC模型的鑒別能力。
首先將負(fù)荷設(shè)置為不斷發(fā)生改變的狀態(tài)，在t=1s時對DG3傳輸通道加入λ=10的虛假數(shù)據(jù)。DG3受到攻擊前后1 s的電流值和母線電壓誤差值如圖9所示。圖9 a)中通過式（15）可以計算得到MIC的值為0.85，圖9 b)中通過式（15）可以計算得到MIC的值為0.08。可見MIC模型對于系統(tǒng)中存在的虛假數(shù)據(jù)有著很高的靈敏度，由此可得，當(dāng)系統(tǒng)中存在虛假數(shù)據(jù)時，線路電流和母線電壓誤差之間的相關(guān)性會受到破壞。
圖9 攻擊前后線路電流和母線電壓誤差
Fig.9 Line current and bus voltage errors before and after the attack
3.5 檢測效果對比分析
使用4個指標(biāo)來評價檢測模型的效果：準(zhǔn)確率A表示被正確分類的比例；精確率P表示被預(yù)測為異常的樣本中預(yù)測正確的比例；召回率R表示異常樣本中預(yù)測正確的比例；F值表示精確率與召回率的調(diào)和平均值。
式中：σTP、σTN分別表示正確分類的正、負(fù)樣本；σFN表示錯誤分類為負(fù)的正樣本；σFP表示錯誤分類為正的負(fù)樣本。
本文使用文獻(xiàn)[23]中的虛假數(shù)據(jù)生成方法，模擬了直流微電網(wǎng)不同類型的虛假數(shù)據(jù)注入攻擊和正常運行狀態(tài)，使用自編碼器生成類似的場景，通過Bootstrap模型分類不同類型的樣本集，并從樣本集中隨機(jī)采樣實例來完成本文的檢測實驗。
為了清晰反映本文所使用的檢測模型的性能，測試集中存在1343個虛假數(shù)據(jù)樣本和1078個正常運行樣本，根據(jù)評價指標(biāo)，不同模型的結(jié)果如表2所示?？梢钥闯霰疚乃褂玫臋z測模型對于正常樣本的誤報率最低，存在虛假數(shù)據(jù)時，檢測率更高。
表2 不同模型的檢測結(jié)果
Table 2 Test results of different models
4 結(jié)語
直流微電網(wǎng)使用信息網(wǎng)絡(luò)傳遞控制信號時容易遭受網(wǎng)絡(luò)攻擊，為此，本文提出了一種檢測和修正直流微電網(wǎng)FDIA的防御策略。該方法利用CNN-LSTM網(wǎng)絡(luò)估計直流微電網(wǎng)中所有發(fā)電單元的直流電壓和直流輸出電流。當(dāng)直流微電網(wǎng)中不存在FDIA時，檢測模型不動作，但當(dāng)攻擊者試圖向直流微電網(wǎng)系統(tǒng)中注入虛假數(shù)據(jù)時，估計器所得到的估計值和系統(tǒng)運行的真實值會產(chǎn)生較大的偏差，此時判定系統(tǒng)中可能存在虛假數(shù)據(jù)，經(jīng)過MIC校驗器確認(rèn)FDIA的存在。本文通過離線數(shù)字時域仿真有效地驗證了所提出的檢測方法可以成功識別出FDIA且能恢復(fù)系統(tǒng)的真實運行狀態(tài)。本文的方法可以區(qū)分微電網(wǎng)正常運行下的負(fù)荷變化和FDIA，最大限度降低FDIA的影響。
本文所設(shè)計的基于直流微電網(wǎng)的虛假數(shù)據(jù)檢測模型能夠有效抵御直流電網(wǎng)中FDIA，但研究內(nèi)容尚處于起步階段，應(yīng)用于未來更復(fù)雜的直流微電網(wǎng)中還需要更深入的研究。
注：本文內(nèi)容呈現(xiàn)略有調(diào)整，如需要請查看原文。
