基于改进多隐层极限学习机的电网虚假数据注入攻击检测

doi:10.16383/j.aas.c211127

CORC > 自动化研究所 > 中国科学院自动化研究所 > 学术期刊 > 自动化学报

	基于改进多隐层极限学习机的电网虚假数据注入攻击检测
	席磊; 何苗; 周博奇; 李彦营
刊名	自动化学报
	2023
卷号	49 期号:4 页码:881-890
关键词	电力信息物理系统虚假数据注入攻击状态估计灰狼优化多隐层极限学习机
ISSN号	0254-4156
DOI	10.16383/j.aas.c211127
英文摘要	虚假数据注入攻击(False data injection attacks, FDIA)严重威胁了电力信息物理系统(Cyber-physical system,CPS)的状态估计,而目前大多数检测方法侧重于攻击存在性检测,无法获取准确的受攻击位置.故本文提出了一种基于灰狼优化(Gray wolf optimization, GWO)多隐层极限学习机(Multi layer extreme learning machine, ML-ELM)的电力信息物理系统虚假数据注入攻击检测方法.所提方法将攻击检测看作是一个多标签二分类问题,不仅将用于特征提取与分类训练的极限学习机由单隐层变为多隐层,以解决极限学习机特征表达能力有限的问题,且融入了具有强全局搜索能力的灰狼优化算法以提高多隐层极限学习机分类精度和泛化性能.进而自动识别系统各个节点状态量的异常,获取受攻击的精确位置.通过在不同场景下对IEEE-14和57节点测试系统上进行大量实验,验证了所提方法的有效性,且分别与极限学习机、未融入灰狼优化的多隐层极限学习机以及支持向量机(Support vector machine, SVM)相比,所提方法具有更精确的定位检测性能.
内容类型	期刊论文
源URL	[http://ir.ia.ac.cn/handle/173211/56175]
专题	自动化研究所_学术期刊_自动化学报
推荐引用方式 GB/T 7714	席磊,何苗,周博奇,等. 基于改进多隐层极限学习机的电网虚假数据注入攻击检测[J]. 自动化学报,2023,49(4):881-890.
APA	席磊,何苗,周博奇,&李彦营.(2023).基于改进多隐层极限学习机的电网虚假数据注入攻击检测.自动化学报,49(4),881-890.
MLA	席磊,et al."基于改进多隐层极限学习机的电网虚假数据注入攻击检测".自动化学报 49.4(2023):881-890.