控制与决策

作者：郭方洪,易新伟,徐博文,董辉,张文安

单位：浙江工业大学 信息工程学院,杭州 310014,,浙江工业大学 信息工程学院,杭州 310014,,浙江工业大学 信息工程学院,杭州 310014,,浙江工业大学 信息工程学院,杭州 310014,,浙江工业大学 信息工程学院,杭州 310014,

关键词：智能电网;隐匿虚假数据入侵攻击;深度信念网络;迁移学习; 无监督学习

基金：国家自然科学基金青年基金项目(61903333)；浙江省“钱江人才”特殊急需类项目(QJD1902010).

成功地检测隐匿虚假数据入侵(false data injection,FDI)攻击是确保电力系统安全运行的关键.然而,大多数工作通过建立FDI攻击模型模拟真实的入侵行为,得到的模拟数据往往与真实数据存在一定的差异,导致基于机器学习的检测方法出现较差的学习效果.鉴于此,针对源域中模拟样本数据量大而目标域中真实样本标记少的特点,提出基于深度信念网络(DBN)和迁移学习的检测算法.DBN中的受限玻尔兹曼机(restrict boltzmann machine,RBM)能够对海量目标域无标签样本进行特征自学习,基于模型的迁移学习方法可以克服数据之间的差异性,同时解决有标签真实样本稀缺的问题.最后,在IEEE 14-bus电力系统模型上验证了所提出方法的优点和有效性.

来源：2022年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第4期