[论文解读] Detection and Locating Cyber and Physical Stresses in Smart Grids using Graph Signal Processing

Md Abul Hasnat, Mahshid Rahnamay‐Naeini|arXiv (Cornell University)|Jun 10, 2020

Smart Grid Security and Resilience被引用 13

一句话总结

本文提出一种基于图信号处理（GSP）的框架，通过将电网测量值建模为图信号，以检测和定位智能电网中的网络与物理应力。该方法结合顶点域、图频域及顶点-频域分析——利用图傅里叶变换、局部平滑性及能量分布——识别来自虚假数据注入、重放攻击、拒绝服务（DoS）攻击及线路故障的异常，实现最高91%的定位准确率与93%的检测准确率，且误报率极低。

ABSTRACT

Smart grids are large and complex cyber physical infrastructures that require real-time monitoring for ensuring the security and reliability of the system. Monitoring the smart grid involves analyzing continuous data-stream from various measurement devices deployed throughout the system, which are topologically distributed and structurally interrelated. In this paper, graph signal processing (GSP) has been used to represent and analyze the power grid measurement data. It is shown that GSP can enable various analyses for the power grid's structured data and dynamics of its interconnected components. Particularly, the effects of various cyber and physical stresses in the power grid are evaluated and discussed both in the vertex and the graph-frequency domains of the signals. Several techniques for detecting and locating cyber and physical stresses based on GSP techniques have been presented and their performances have been evaluated and compared. The presented study shows that GSP can be a promising approach for analyzing the power grid's data.

研究动机与目标

• 解决在大规模、拓扑结构复杂的智能电网中实时检测和定位网络与物理应力的挑战。
• 克服经典信号处理在捕捉电网元件之间结构依赖关系方面的局限性。
• 利用电网的物理拓扑结构，将测量值建模为图信号以实现更优的分析。
• 开发并评估基于GSP的技术，以识别来自虚假数据注入、重放攻击、DoS攻击及线路故障的异常。
• 展示GSP在通过顶点域、频域及联合顶点-频域分析检测和定位应力方面的有效性。

提出的方法

• 将智能电网建模为图，其中母线和输电线路为顶点，物理连接为边。
• 将电网测量值（如电压相角、线路电流）表示为电网图上的图信号。
• 应用图傅里叶变换（GFT）在图频域分析信号，并通过频谱变化检测异常。
• 使用图信号的局部平滑性作为检测指标——突变表明存在应力事件。
• 采用顶点-频域能量分布，在空间（顶点）和频域中联合定位应力影响。
• 利用历史数据进行统计似然检验，检测信号能量的偏离，从而标记受损或故障的元件。

实验结果

研究问题

• RQ1 图信号处理如何有效表示和分析具有拓扑分布特性的结构化电网测量数据？
• RQ2 网络攻击（如虚假数据注入、重放攻击、DoS）与物理故障（如线路跳闸）在顶点域与图频域中对图信号有何不同影响？
• RQ3 局部平滑性、图傅里叶变换及顶点-频域能量分布能否作为智能电网中检测与定位应力的可靠指标？
• RQ4 所提出的基于GSP的检测与定位技术在准确率、误报率及定位精度方面表现如何？
• RQ5 GSP技术在多大程度上能基于信号特征区分网络应力与物理应力？

主要发现

• 局部平滑性方法在单条线路故障检测中达到最高检测准确率（93%），且误报率极低（0.03%）。
• 在网络攻击检测中，局部平滑性方法在检测准确率方面优于其他两种技术，尤其在攻击幅值较大时（α=4）表现更优。
• 在α=4时，顶点-频域能量分布方法对网络攻击的定位率达到91%，优于局部平滑性方法（85%的定位率）。
• 在线路故障检测中，顶点-频域能量分布方法实现80%的检测准确率，误报率为25%；而局部平滑性方法实现93%的检测准确率，误报率仅为3%。
• 对于线路故障，局部平滑性方法在2跳范围内实现55%的定位率，在3跳范围内实现65%的定位率，表明其具备中等空间定位能力。
• 本研究证实，GSP能够通过捕捉互联元件之间的结构与动态关系，为智能电网数据分析提供稳健框架。