[论文解读] Optimization Algorithms for Catching Data Manipulators in Power System Estimation Loops

Mang Liao, Aranya Chakrabortty|arXiv (Cornell University)|Aug 1, 2016

Smart Grid Security and Resilience参考文献 17被引用 5

一句话总结

该论文提出四种基于ADMM和轮转共识的优化算法，用于在无需系统模型知识的情况下，检测并识别分布式电力系统估计算法中的恶意数据篡改者。通过跟踪估计算法质量与共识演化过程，这些算法能够成功检测大规模攻击和隐蔽攻击，并在模拟的IEEE 68节点系统中恢复准确的振荡模式估计。

ABSTRACT

In this paper we develop a set of algorithms that can detect the identities of malicious data-manipulators in distributed optimization loops for estimating oscillation modes in large power system models. The estimation is posed in terms of a consensus problem among multiple local estimators that jointly solve for the characteristic polynomial of the network model. If any of these local estimates are compromised by a malicious attacker, resulting in an incorrect value of the consensus variable, then the entire estimation loop can be destabilized. We present four iterative algorithms by which this instability can be quickly detected, and the identities of the compromised estimators can be revealed. The algorithms are solely based on the computed values of the estimates, and do not need any information about the model of the power system. Both large and covert attacks are considered. Results are illustrated using simulations of a IEEE 68-bus power system model.

研究动机与目标

• 解决分布式广域监测系统中识别恶意实体的开放性挑战，特别是在电力系统状态估计中的应用。
• 开发不依赖电力系统模型先验知识的检测算法，从而实现在真实环境中的部署。
• 通过基于共识的优化方法，确保在分布式估计算法中对大规模和隐蔽数据篡改攻击具备韧性。
• 在隔离受损估计算法后，仍能保持非恶意参与方的持续运行，即使在遭受攻击的情况下也能维持估计算法的准确性。

提出的方法

• 利用增广拉格朗日乘子交替方向法（ADMM）求解分布式共识问题，以估计电力系统振荡模式的特征多项式。
• 实施双轨跟踪机制，监测标准ADMM与轮转ADMM共识变量之间的差异，以检测估计算法行为中的异常。
• 采用轮转（RR-ADMM）策略，通过顺序通信生成共识值，相比全量平均方法显著降低计算负载。
• 引入基于共识变量和对偶变量演化的检测逻辑，通过偏差模式识别出受损的本地估计算法。
• 通过迭代比较估计算法质量与共识收敛性，实现对恶意PMU（同步相量测量单元）的隔离，而无需依赖系统参数。
• 利用ADMM与RR-ADMM的收敛特性，即使在小幅度或隐蔽攻击下，也能区分良性与恶意行为。

实验结果

研究问题

• RQ1 如何在不依赖系统模型先验知识的情况下，检测分布式电力系统估计算法中的恶意数据篡改者？
• RQ2 与标准ADMM相比，轮转ADMM变体是否能在攻击检测中提升检测鲁棒性并降低计算成本？
• RQ3 所提出的算法在广域监测背景下，对本地估计算法的大规模和隐蔽攻击识别效果如何？
• RQ4 检测并隔离恶意估计算法对整体振荡模式估计算法的收敛性与准确性有何影响？
• RQ5 该检测机制是否可推广至电力系统中除振荡监测外的其他分布式优化问题？

主要发现

• 所提算法在模拟的IEEE 68节点系统中成功检测并识别出恶意PDC（同步相量数据集中器），即使在具有微小偏差的隐蔽攻击下亦有效。
• 基于RR-ADMM的检测方法在参数变化（如惩罚参数ρ）下表现出更强的鲁棒性，检测性能在不同参数设置下均保持稳定。
• 在第7次迭代时检测并隔离了恶意PDC 2和3后，仅使用非恶意PDC的区域间模式实部（σi）估计算法成功收敛至真实值。
• 基于共识演化与对偶变量跟踪的检测机制，可在无需特定模型信息的情况下准确识别受损估计算法。
• 算法在检测后通过仅使用可信的非恶意估计算法继续运行ADMM，维持了估计算法的准确性，确保了长期可靠运行。
• 仿真结果证实，无论是大规模攻击还是小幅度攻击均可被检测到，且在隔离恶意节点后系统能恢复准确的特征值估计算法。