中國儲能網訊：
摘要
直流微電網是一個網絡物理信息系統(tǒng)，在信息傳遞的過程中容易遭受網絡攻擊的影響。虛假數據注入信息通道會影響微電網的系統(tǒng)安全。檢測并修正虛假數據注入攻擊，能夠提升微電網系統(tǒng)運行的安全性。針對這一問題，提出了一種基于卷積神經網絡（convolutional neural network，CNN）和長短期記憶網絡（long short-term memory，LSTM）聯(lián)合最大互信息系數（maximum information coefficient，MIC）的二階段虛假數據注入攻擊檢測方法。首先，使用CNN從直流微電網運行的時序數列中提取時序特征，運用LSTM模型結合CNN提取的時序特征運行得到直流微電網運行狀態(tài)預測值，與直流微電網運行的實際值對比，初步判斷系統(tǒng)中是否存在虛假數據；其次，考慮到CNN-LSTM模型存在一定的誤報率，構建MIC校驗器，進一步判斷系統(tǒng)中是否存在虛假數據并恢復；最后，通過直流微電網Matlab仿真分析，驗證了所提方法的合理性和可行性。
1 直流微電網控制模型
1.1 直流微電網系統(tǒng)描述
本文考慮的直流微電網包含m個分布式發(fā)電單元（DG）和n個負載，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的一般網絡物理信息系統(tǒng)。
圖1 直流微電網控制模型
Fig.1 Control model of DC microgrid
1.2 直流微電網控制模型
為確保直流微電網的穩(wěn)定運行，通常采用下垂控制實現各個DG間的電流分配。由下垂控制方程得到參考電壓Uref為
1.3 虛假數據對直流微電網的影響
針對直流微電網的攻擊通常是DoS攻擊和FDIA，FDIA相較于DoS攻擊而言有著更高的隱蔽性和破壞性。本文對FDIA進行更深入的討論。在微電網中，當攻擊者通過通信通道對系統(tǒng)注入虛假數據時，會導致信息層發(fā)出錯誤指令，造成控制系統(tǒng)紊亂，對整個微電網網絡的穩(wěn)定造成嚴重影響。
虛假數據信號注入表現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，微電網受攻擊模型可以表示為
2 虛假數據注入攻擊檢測模型
2.1 CNN-LSTM檢測模型
CNN是一種深度學習模型，采用局部連接和共享權值的方式，直接從原始數據中通過卷積層和池化層交替使用來獲取有效表征，自動提取數據的局部特征，并建立特征向量。本文使用CNN模型提取數據特征值。
LSTM在隱藏層中加入記憶單元控制時間序列數據的記憶信息。信息在隱藏層的不同細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據從仿真的微電網運行中獲得，其中負荷在不斷變化，此時收集數據的時間為15 s，采樣的時間為5 ms，可以得到3000組數據，其中80%為訓練集，20%為測試集，所要預測的目標為下一時刻的各DG單元的電流電壓值。本文的CNN-LSTM輸入數據為多元時間序列，采用滑動窗口的方式將多元時間序列依次輸入，滑動窗口的寬度設置為20條記錄，步長設置為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網絡模型輸入數據結構
Fig.2 Input data structure of CNN-LSTM network model
本文所提出的CNN-LSTM網絡模型結構如圖3所示。2個卷積核的數目分別為16和32，池化層池的大小為2×1，dropout大小為0.2。2層LSTM神經元個數為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
直流微電網網絡層遭受虛假數據注入攻擊時，改變了直流微電網電流分配比例和電壓的穩(wěn)定，而直流微電網負荷變化也會同時改變直流微電網電壓和電流的變化。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。MIC是衡量2個變量間關系相關性的一種方法。當系統(tǒng)中存在虛假數據時，系統(tǒng)中的相關變量之間的相關性會在一定程度上解耦，因此可用MIC方法判斷系統(tǒng)中是否存在虛假數據。
2.3 二階段FDIA檢測模型
基于CNN-LSTM聯(lián)合MIC的二階段檢測機制如圖4所示。離線訓練時，選取正常運行狀態(tài)下的微電網歷史運行數據集x?Dtrain，CNN-LSTM檢測模型通過訓練擬合得到準確的預測值；與此同時，該歷史數據集計算MIC校驗器正常運行狀態(tài)下電流與電壓誤差之間的相關性，得到相關性數值，用以后續(xù)FDIA檢驗。測試時，首先將直流微電網運行時的量測值傳輸至CNN-LSTM檢測模型中，當實際運行值與預測值相匹配時，檢測系統(tǒng)正常運轉不動作，輸出為0代表正常狀態(tài)；在二者間存在誤差大于設定閾值時，輸出為1，代表受到網絡攻擊狀態(tài)。由于直流微電網負荷波動會導致系統(tǒng)運行狀態(tài)發(fā)生改變，導致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，但由于數據不是自然變化，此時二者之間的關系受到破壞，導致系統(tǒng)控制紊亂，MIC對于此類數據變化極為敏感。
圖4 基于CNN-LSTM聯(lián)合MIC二階段FDIA檢測機制
Fig.4 Two-stage FDIA detection mechanism based on CNN-LSTM combined with MIC
2.4 FDIA檢測與修正
針對直流微電網受到FDIA時，基于神經網絡模型，將注入的虛假數據值λj剔除，使用正確的傳輸值uj(t)作為二次控制信號的輸入?；谝陨喜呗裕疚氖紫韧ㄟ^神經網絡估計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。修正模型由神經網絡、PI控制器和輸出組成。圖5展現了本文的神經網絡檢測模型的構架。在圖5中，使用神經網絡來估計uj的實際值，使用PI控制器將輸入收斂到神經網絡的輸出。若PI控制器的輸出命名為μ(t)，則PI控制器的輸入為
圖5 虛假數據修正模型
Fig.5 False data correction model
采用神經網絡對直流母線的電壓值進行估計。當檢測模型認為通信通道中存在虛假數據，為了消除虛假數據的影響，使用神經網絡的估計值代替Ui，直到檢測模型確認虛假數據已被系統(tǒng)剔除，微電網恢復正常運行。基于所提出的虛假數據檢測模型，作為估計器的神經網絡模型有重要的作用，需要估計值與系統(tǒng)當前運行狀態(tài)下的Ui誤差很小。
3 算例分析
基于Matlab/Simulink平臺構建了圖1所示的直流微電網模型，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，模型參數為R1=0.4Ω，R2=0.6Ω，R3=0.3Ω，R4=0.5Ω。
本文在模擬微電網遭遇FDIA時，假設攻擊者可以操控傳輸數據對微電網發(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，改變直流微電網的負載，通過比較直流微電網真實運行狀態(tài)和檢測模型估計值，驗證負荷不斷變化情況下，模型預測的準確性。直流微電網在正常狀態(tài)下運行，在t=0s時處于穩(wěn)態(tài)，在t=1.5s時接入負載，仿真結果如圖6所示。由圖6可以看出，在直流微電網正常運行時，預測值和真實值之間的誤差為0，當微電網中存在負荷變化時，出現了極小的估計誤差，此時估計誤差的值小于0.5且經過短暫的時間后，誤差重新收斂為0，結果表明，文中所提出的深度學習檢測模型能夠準確預測出直流微電網正常運行時的電流、電壓值。
圖6 添加負載時的直流微電網電流電壓值
Fig.6 The current and voltage value of DC microgrid with load added
3.2 場景2：虛假數據注入攻擊
在場景2中，對直流微電網信息傳輸通道加入固定值的虛假數據和時變的虛假數據，對比加入檢測模型的直流微電網和不加入模型的直流微電網驗證檢測模型的有效性。直流微電網在正常的狀態(tài)下運行，在t=0s時處于穩(wěn)態(tài)，在t=1s時對直流微電網DG2注入λ=?20的虛假數據，在t=2s時在第一次攻擊的基礎上在DG4注入攻擊為λ=20sin?2πt，結果如圖7所示。由圖7 a)可以看出，在加入虛假數據后，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恢復平穩(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，但是當攻擊信號的幅度和數量增加時，這些攻擊信號不能被完全抑制，導致系統(tǒng)中出現較大的波動。圖7 c)中的母線電壓和電流由于虛假數據的存在，控制系統(tǒng)受到虛假數據的影響最終導致失控。結果表明當直流微電網受攻擊后，檢測模型能夠檢測出虛假數據的存在且能夠快速響應消除存在的虛假數據。
圖7 加入虛假數據后的直流微電網電壓電流值
Fig.7 The voltage and current value of DC microgrid after adding false data
3.3 場景3：負荷變化和虛假數據注入攻擊
場景3是為了證明在負荷不斷變化的情況下，注入虛假數據后，檢測模型能夠快速準確檢測出虛假數據并排除虛假數據的影響。系統(tǒng)開始時穩(wěn)定運行，在t=1s時添加負荷，在t=2.5s時對DG3傳輸通道加入λ=15的虛假數據，在t=4s時將虛假數據改為λ=10sin?2πt?10并減少負荷，結果如表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 直流微電網電壓電流值
Fig.8 The voltage and current value of DC microgrid
如表1所示，當系統(tǒng)正常運行和負荷變化時，MIC值在0.8~1的區(qū)間內，當系統(tǒng)中存在虛假數據時，MIC的值低于0.5。可以看出負荷變化對于MIC校驗器影響很小，而存在虛假數據時，變量間的關系受到破壞，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，當發(fā)生負荷變化時，直流微電網正常運行，檢測模型不動作；當注入了虛假數據后，檢測模型可以迅速響應，使微電網運行不受到虛假數據的影響。
3.4 MIC校驗性能分析
使用MIC方法分別測試在負荷變化時和虛假數據注入攻擊時，線路電流和母線電壓之間的相關性，通過實驗證明MIC模型的鑒別能力。
首先將負荷設置為不斷發(fā)生改變的狀態(tài)，在t=1s時對DG3傳輸通道加入λ=10的虛假數據。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)中存在的虛假數據有著很高的靈敏度，由此可得，當系統(tǒng)中存在虛假數據時，線路電流和母線電壓誤差之間的相關性會受到破壞。
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個指標來評價檢測模型的效果：準確率A表示被正確分類的比例；精確率P表示被預測為異常的樣本中預測正確的比例；召回率R表示異常樣本中預測正確的比例；F值表示精確率與召回率的調和平均值。
式中：σTP、σTN分別表示正確分類的正、負樣本；σFN表示錯誤分類為負的正樣本；σFP表示錯誤分類為正的負樣本。
本文使用文獻[23]中的虛假數據生成方法，模擬了直流微電網不同類型的虛假數據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個虛假數據樣本和1078個正常運行樣本，根據評價指標，不同模型的結果如表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，存在虛假數據時，檢測率更高。
表2 不同模型的檢測結果
Table 2 Test results of different models
4 結語
直流微電網使用信息網絡傳遞控制信號時容易遭受網絡攻擊，為此，本文提出了一種檢測和修正直流微電網FDIA的防御策略。該方法利用CNN-LSTM網絡估計直流微電網中所有發(fā)電單元的直流電壓和直流輸出電流。當直流微電網中不存在FDIA時，檢測模型不動作，但當攻擊者試圖向直流微電網系統(tǒng)中注入虛假數據時，估計器所得到的估計值和系統(tǒng)運行的真實值會產生較大的偏差，此時判定系統(tǒng)中可能存在虛假數據，經過MIC校驗器確認FDIA的存在。本文通過離線數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且能恢復系統(tǒng)的真實運行狀態(tài)。本文的方法可以區(qū)分微電網正常運行下的負荷變化和FDIA，最大限度降低FDIA的影響。
本文所設計的基于直流微電網的虛假數據檢測模型能夠有效抵御直流電網中FDIA，但研究內容尚處于起步階段，應用于未來更復雜的直流微電網中還需要更深入的研究。
注：本文內容呈現略有調整，如需要請查看原文。
