新上线今天0 投票
无需对抗训练：物理信息神经网络为电力系统抵御虚假数据注入攻击提供新思路
研究背景：电力系统状态估计的网络安全挑战
随着电网数字化和通信密集化程度加深，电力系统控制中心的核心功能——状态估计——正面临日益严峻的网络安全威胁。其中，虚假数据注入攻击（FDIA） 能够在不被传统坏数据检测机制发现的情况下篡改测量值，导致状态估计结果失真，进而可能引发错误控制决策，甚至造成大面积停电。
传统基于模型的估计方法依赖精确的电网参数，且对攻击鲁棒性不足。近年来，神经网络方法作为替代方案受到关注，但多数方法需要大量标记数据，且面对对抗性攻击时脆弱。
创新方案：物理信息神经网络（PINN）
来自塞浦路斯大学等机构的研究者在 arXiv 预印本中提出了一种基于物理信息神经网络（PINN） 的电力系统状态估计模型。PINN 的核心优势在于将电力潮流一致性作为物理约束嵌入学习目标，使得模型不仅拟合测量数据，还遵循电网的物理定律。
关键创新点在于：
- 无需对抗训练：传统防御方法通常需要生成对抗样本进行训练，这会增加计算开销且可能降低模型泛化能力。该模型通过动态损失加权机制（基于同方差不确定性）自动调节监督数据拟合项与物理残差项的相对权重，避免了繁琐的手动调参。
- 专为交流电力系统设计：针对交流（AC）状态估计中的隐式约束型 FDIA（包括状态失真、负载重分配、线路过载、残差约束型攻击）进行防御。
实验验证与性能表现
研究者在 IEEE 118 节点标准测试系统 上进行了评估，使用电压幅值和相角的平均绝对误差（MAE） 作为指标。结果表明：
- 该 PINN 模型在多种攻击场景下均保持高精度与稳定性，显著优于传统的固定权重 PINN 变体。
- 动态权重学习机制有效避免了过拟合或欠拟合，即使在没有预先见过攻击样本的情况下，也能对未知攻击模式保持鲁棒。
行业意义与未来方向
该工作为电力系统网络安全提供了一个轻量级且可解释的解决方案。相比依赖对抗训练的深度防御方法，PINN 的“物理先验”天然具备对异常输入的抑制能力，降低了训练复杂度和对攻击先验知识的依赖。
未来，研究者计划将模型扩展至分布式能源接入场景，并探索在线自适应更新能力，以应对动态变化的电网拓扑和攻击策略。