文件大小：1.43M
摘要：虚假数据注入攻击已成为电网面临的巨大威胁，而已有检测方法多侧重于检测虚假数据注入攻击的存在，无法对 受攻击的具体位置进行精准定位。因此，文章提出一种基于对立自适应蛇优化多隐层极限学习机的检测方法，将定位检测视为多标签二分类问题以获取被攻击污染的状态量的具体位置。所提方法利用多隐层极限学习机学习历史量测数据的特征以挖掘虚假数据注入攻击数据的离群特性进而实现定位检测。同时，引入全局寻优能力强的对立自适应蛇优化算法对多隐层极限学习机的超参数进行寻优来提升定位检测性能。通过在IEEE-14、57与118节点系统进行仿真，验证了所提方法的有效性，并与已有的多种检测方法相比，所提方法具有更优的检测精度、准确率、召回率和F1值。
文章目录
0 引言
1 问题描述
1.1 FDIA原理
1.2 混合状态估计FDIA构建
2 OASO-ELMML
2.1 ELMML
2.2 OASO
2.3 OASO-ELMML定位机理及框架
3 实验仿真
3.1攻击数据生成
3.2 评价指标
3.3 OASO算法性能分析
3.4检测算法及分析
3.5 消融实验
4 结论
附录A
附录B
