本研究针对分布式能源资源在智能电网中所带来的网络安全威胁,提出了基于 Shapley 值解释和 Ward 最小方差公式动态量化分析攻击风险,实现可靠、公平、透明、可重现、有责任的可信人工智能机制,在最新数据集上验证了该机制的有效性。
Jun, 2023
通过使用人工智能技术,本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法,以阻止监控控制和数据采集系统(SCADA)上接收的负载数据的数据完整性网络攻击(DIAs),并使用回归模型进行负载数据的预测,以及通过无监督学习方法对处理后的数据进行聚类,以实现最佳性能。实验结果表明,EE-BiLSTM 方法比其他两种方法更稳健和准确。
Dec, 2023
利用纽约大学校园建筑中收集的需求响应数据,本文研究了基于人工智能的需求响应学习的漏洞,并设计了一种基于数据的攻击策略,展示了对实时响应激励、发送给响应客户的响应事件数据以及响应客户对响应激励的响应进行恶意篡改的可行性和影响。
Jul, 2023
本研究提出了两种方法进行对电力系统的对抗攻击,并利用对抗训练提高系统的鲁棒性。实验分析表明,相比 FGSM,我们的信号特定攻击方法提供更少的扰动,信号不可知攻击方法可以很高的概率欺骗大多数自然信号。此外,基于通用信号不可知算法的攻击方法具有更高的黑盒传输速率,而不是基于信号特定算法的攻击方法。
Feb, 2022
一个新的零信任框架被提出,用于供电网供应链的早期检测、尾部风险评估和威胁缓解,实现并防御生成式 AI 驱动的攻击。
Mar, 2024
研究探讨了智能电网中机器学习的安全性问题,发现深度神经网络方法易受对抗性扰动影响,并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点,尤其是在故障定位和类型分类方面。
Mar, 2023
提出了基于自监督学习的框架用于检测和识别各种类型的网络攻击,该框架利用大量未标记的感知数据中的隐式模式来学习具有概括性和有效性的表示,同时结合少量标记数据训练特定任务的分类器,以及提出了一种新的损失函数来解决现实世界中训练数据不平衡的问题,实验结果表明该框架在电力网系统中表现出优越的性能。
May, 2024
本研究提出了一种无监督对抗自编码器(AAE)模型,用于检测不平衡电力分配网格中的虚假数据注入攻击(FDIAs),并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。
基于机器学习的智能电网攻击检测模型,通过利用来自相量测量设备(PMUs)的数据和日志,学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型,结果显示随机森林模型在检测电力系统扰动方面表现最佳,准确率达到了 90.56%,有助于操作人员的决策过程。
本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案,利用 Siemens PSS/E 软件模拟电网状况,并采用分类器(SVM、LSTM 等)进行训练和测试,结果证明其能够高精度地检测电网异常,并可扩展应用于更复杂的电网结构。
Nov, 2017