[论文解读] Dynamic State Estimation under Cyber Attacks: A Comparative Study of Kalman Filters and Observers

Ahmad F. Taha, Junjian Qi+2 more|arXiv (Cornell University)|Aug 28, 2015

Smart Grid Security and Resilience参考文献 28被引用 8

一句话总结

本文提出并比较了立方球卡尔曼滤波器（CKF）与两种非线性动态观测器，在电力系统遭受网络攻击和未知输入条件下的动态状态估计（DSE）性能。观测器在收敛性、对初始条件误差的鲁棒性、攻击检测能力以及计算效率方面均优于CKF及其他卡尔曼滤波器，SMIB系统中估计运行时间缩短至0.76秒。

ABSTRACT

Utilizing highly synchronized measurements from synchrophasors, dynamic state estimation (DSE) can be applied for real-time monitoring of smart grids. Concurrent DSE studies for power systems are intolerant to unknown inputs and potential attack vectors --- a research gap we will fill in this work. Particularly, we (a) present an overview of concurrent estimation techniques, highlighting key deficiencies, (b) develop DSE methods based on cubature Kalman filter and dynamic observers, (c) rigorously examine the strengths and weaknesses of the proposed methods under attack-vectors and unknown inputs, and (d) provide comprehensive recommendations for DSE. Numerical results and in-depth remarks are also presented.

研究动机与目标

• 解决现有DSE方法对未知输入、网络攻击及参数不确定性的敏感性问题。
• 识别基于卡尔曼滤波的DSE方法在当前应用中的关键局限，特别是对初始条件和未知输入的敏感性。
• 开发并评估先进的DSE技术——具体为CKF与两种非线性动态观测器——以应对非线性动态与攻击向量的影响。
• 为在实时、安全的DSE应用中选择观测器而非卡尔曼滤波器提供理论与实证依据。
• 基于在攻击与不确定性下的性能表现，为智能电网中DSE的最优实现提供实用建议。

提出的方法

• 采用球面-径向立方规则实现立方球卡尔曼滤波器（CKF）的数值积分，相比UKF在非线性系统中具备更高的数值稳定性。
• 为电力系统设计两种非线性动态观测器：一种基于未知输入观测器（UIO）原理，另一种采用改进的创新函数以解耦未知输入。
• 将观测器增益设计建模为包含线性矩阵不等式（LMIs）的可行性问题，确保估计误差的渐近稳定与收敛。
• 通过离线计算观测器增益矩阵，降低在线计算负载，从而实现比耗时的卡尔曼滤波更新更快的实时估计。
• 将CKF与观测器应用于具有非线性动态的单机无穷大系统（SMIB）模型，集成网络攻击向量与未知输入。
• 通过估计误差、收敛速度、对初始条件失配的鲁棒性以及计算运行时间等指标对比性能表现。

实验结果

研究问题

• RQ1 在电力系统中，CKF与动态观测器在未知输入与网络攻击条件下估计动态状态的表现如何比较？
• RQ2 初始状态条件错误对CKF与动态观测器收敛性与准确性的影响有何差异？
• RQ3 动态观测器能否在保持状态估计精度的同时，检测并估计PMU测量中的网络攻击信号？
• RQ4 在实时DSE应用中，CKF与观测器的计算复杂度与运行时间如何比较？
• RQ5 观测器在处理参数不确定性及过程/测量噪声方面，相较于卡尔曼滤波器具有哪些理论与实际优势？

主要发现

• 所提出的非线性动态观测器在遭受网络攻击时，其状态估计精度优于CKF、UKF与EKF，且具备更优的攻击向量估计能力。
• 在SMIB系统中，观测器的估计仅耗时0.76秒，显著快于CKF（3.28秒）与UKF（6.30秒），且在相同条件下表现一致。
• 与CKF不同，当初始状态估计不匹配时（如x̂(0) = [3 ω₀ 0 0]ᵀ），CKF出现发散，而观测器仍保持稳定且准确的收敛。
• 观测器通过基于LMI的增益设计提供理论上的收敛保证，而卡尔曼滤波器在未知输入条件下缺乏严格的收敛性证明。
• CKF存在因误差协方差矩阵可能非半正定而导致的数值不稳定性风险，而观测器框架可有效避免该问题。
• 观测器对过程噪声与测量噪声均表现出鲁棒性，并通过将参数不确定性纳入未知输入向量，有效处理了参数不确定性。