[论文解读] An Energy Management System Approach for Power System Cyber-Physical Resilience

Katherine Davis|arXiv (Cornell University)|Oct 7, 2021

Smart Grid Security and Resilience参考文献 10被引用 4

一句话总结

本文提出了一种下一代网络物理能源管理系统（CYPRES），通过融合网络与物理模型、数据及分析技术，提升电力系统在面对高级多阶段网络物理攻击时的弹性。通过融合网络与物理拓扑结构，利用机器学习实现实时状态估计，并支持自适应风险分析与响应，CYPRES 实现了主动威胁检测、情境感知以及闭环学习，从而提升电网安全性和运行弹性。

ABSTRACT

Power systems are large scale cyber-physical critical infrastructure that form the basis of modern society. The reliability and resilience of the grid is dependent on the correct functioning of related subsystems, including computing, communications, and control. The integration is widespread and has a profound impact on the operation, reliability, and efficiency of the grid. Technologies comprising these infrastructure can expose new sources of threats. Mapping these threats to their grid resilience impacts to stop them early requires a timely and detailed view of the entire cyber-physical system. Grid resilience must therefore be seen and addressed as a cyber-physical systems problem. This short position paper presents several key preliminaries, supported with evidence from experience, to enable cyber-physical situational awareness and intrusion response through a cyber-physical energy management system.

研究动机与目标

• 解决电力系统日益暴露于高级多阶段网络物理攻击所带来的脆弱性问题，此类攻击利用网络与物理子系统之间的相互依赖性。
• 开发一个全面的网络物理情境感知框架，整合网络拓扑、电力系统拓扑与威胁建模。
• 通过融合的网络物理数据与模型驱动分析，实现主动风险分析与自适应响应。
• 通过闭环威胁事件处理，支持从规划、检测到响应与学习的完整弹性生命周期。
• 提供一种可扩展、模块化且可扩展的能源管理系统架构，以增强关键基础设施中的运行弹性。

提出的方法

• 融合网络与物理系统拓扑，构建统一的网络物理系统表示，包括控制网络与电网组件。
• 基于威胁模型与系统拓扑，生成嵌入物理影响指标与运行可靠性指标的状态空间模型。
• 实施基于流的数据监控方法，实现实时收集、关联与分析来自网络与物理组件的数据。
• 应用机器学习技术并结合特征提取，融合网络与物理传感器数据，以增强入侵检测与状态估计能力。
• 利用融合模型与历史数据进行预防性风险分析，识别易受攻击的组件并推荐预置缓解措施。
• 通过持续基于实时系统状态与威胁演化更新模型与响应建议，实现在线决策支持的自适应风险分析。

实验结果

研究问题

• RQ1 网络物理模型融合在提升电力系统运行情境感知方面有何作用？
• RQ2 来自网络与物理网络的数据融合在提升入侵检测准确性方面发挥什么作用？
• RQ3 机器学习增强的状态估计如何提升系统在面对不断演变的网络物理威胁时的弹性？
• RQ4 风险分析可通过何种方式实现对实时系统变化的自适应与响应？
• RQ5 闭环学习机制如何随时间提升系统弹性？

主要发现

• 网络与物理拓扑的整合实现了对系统相互依赖关系的全面视图，对威胁影响评估至关重要。
• 融合了物理影响指标的状态空间模型能够更准确地量化威胁情景下的弹性水平。
• 基于流的数据监控实现了网络与物理数据的实时关联，提升了异常行为的检测能力。
• 基于机器学习的数据融合显著提升了跨领域特征利用效率，从而大幅提高网络物理入侵检测的准确性。
• 基于融合模型的预防性风险分析可在攻击发生前识别出高风险组件，支持主动防御规划。
• 自适应风险分析支持动态响应建议，显著提升了威胁事件发生期间及之后的系统弹性。