基于wk-GDNN模型的虚假数据注入攻击检测研究

曾洋; 李秀芹

doi:10.16543/j.2095-641x.electric.power.ict.2026.01.08

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于wk-GDNN模型的虚假数据注入攻击检测研究

网络安全 | 更新时间：2026-09-26

- 基于wk-GDNN模型的虚假数据注入攻击检测研究
- 基于wk-GDNN模型的虚假数据注入攻击检测研究
- 电力信息与通信技术 2026年24卷第1期页码：72-78
- 作者机构：
  
  华北水利水电大学信息工程学院
- 作者简介：
- 基金信息：
  
  河南省科技攻关计划项目“水下无线传感器网络覆盖保持与三维覆盖空洞修复方法研究”（242102210213）
- DOI：10.16543/j.2095-641x.electric.power.ict.2026.01.08
  中图分类号： TM73;TP393.08
- 纸质出版：2026
- 稿件说明：
移动端阅览
曾洋, 李秀芹. 基于wk-GDNN模型的虚假数据注入攻击检测研究[J]. 电力信息与通信技术, 2026,24(1):72-78.

曾洋, 李秀芹. 基于wk-GDNN模型的虚假数据注入攻击检测研究[J]. 2026, 24(1): 72-78.
曾洋, 李秀芹. 基于wk-GDNN模型的虚假数据注入攻击检测研究[J]. 电力信息与通信技术, 2026,24(1):72-78. DOI： 10.16543/j.2095-641x.electric.power.ict.2026.01.08.

曾洋, 李秀芹. 基于wk-GDNN模型的虚假数据注入攻击检测研究[J]. 2026, 24(1): 72-78. DOI： 10.16543/j.2095-641x.electric.power.ict.2026.01.08.

摘要

虚假数据注入攻击(false data injection attack

FDIA)对电网系统安全具有重要影响，当下深度学习在面对电网拓扑结构信息数据处理及长期依赖关系捕捉方面仍有不足。为进一步提高当前智能电网虚假数据注入攻击检测模型的准确性和鲁棒性，文章引用了Wiener-Khinchin(wk)定理对数据做频域信息处理，并创新性地提出了基于Decoder优化的图频域卷积神经网络(Wiene-Khinchin guided dual-domain neural network

wk-GDNN)检测模型。wk-GDNN模型将隐藏在数据中的时间特征信息转化为频域信息，结合了图卷积网络(graph convolutional networks

GCN)的电网拓扑感知能力，并通过Decoder的上下文信息提取能力优化时空特征提取，提升了检测精度并基于IEEE-14/118节点系统仿真验证有效性。实验结果显示，该模型的F1分数分别为0.9798和0.9761，相较于对比模型F1分数平均有6.67%的提升。结果表明，基于wk定理的频域预处理与后续的频域图卷积协同解码，为FDIA检测提供了一种从时域到频域、从节点到系统的多尺度联合建模新范式。

Abstract

关键词

Keywords

references

Vincent Edeh,Korki Mehdi,Seyedmahmoudian Mehdi,Stojcevski Alex,Mekhilef Saad.Detection of false data injection attacks in cyber–physical systems using graph convolutional network[J].Electric Power Systems Research,2023.

Wang Shuoyao,Bi Suzhi,Zhang Ying Jun Angela.Locational Detection of False Data Injection Attack in Smart Grid: a Multi-label Classification Approach[J].IEEE Internet of Things Journal,2020.

Ying Zhang,Jianhui Wang,Bo Chen.Detecting False Data Injection Attacks in Smart Grids: A Semi-supervised Deep Learning Approach[J].IEEE Transactions on Smart Grid,2020.

Wang Huaizhi,Ruan Jiaqi,Wang Guibin,Zhou Bin,Liu Yitao,Fu Xueqian,Peng Jianchun.Deep Learning-Based Interval State Estimation of AC Smart Grids Against Sparse Cyber Attacks[J].IEEE Transactions on Industrial Informatics,2018.

Jiang Jing,Qian Yi.Defense Mechanisms against Data Injection Attacks in Smart Grid Networks[J].IEEE Communications Magazine,2017.

He Youbiao,Mendis Gihan J.,Wei Jin.Real-Time Detection of False Data Injection Attacks in Smart Grid: A Deep Learning-Based Intelligent Mechanism[J].IEEE Transactions on Smart Grid,2017.

郭松,党建,王勇,吕挺,赵宁波,李昳溦,韦江瑶,霍浩伟.基于图计算的电力变压器状态评估及溯源研究[J].电力信息与通信技术,2025(04).

王新宇,王相杰,罗小元.基于自适应生成对抗网络的智能电网状态重构的虚假数据攻击检测[J].电力信息与通信技术,2024(09).

田鹏,刘玉娇,李国亮,林煜清,单媛媛.基于自注意力的GIS缺陷文本关系抽取方法[J].电力信息与通信技术,2024(09).

陶磊,罗萍萍,林济铿.基于深度学习的直流微电网虚假数据注入攻击二阶段检测方法[J].中国电力,2024(09).

苏向敬,邓超,栗风永,符杨,萧士渠.基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法[J].电力系统自动化,2024(02).

杨家俊,余涛,余盛灿,陈鑫沛,吴毓峰,卢冠华.基于图数据分割的子图集成学习方法及在电价预测领域的应用[J].电力信息与通信技术,2023(08).

杨玉泽,刘文霞,李承泽,刘耕铭,张帅,张艺伟.面向电力SCADA系统的FDIA检测方法综述[J].中国电机工程学报,2023(22).

陈冰,唐永旺.基于Transformer编码器的智能电网虚假数据注入攻击检测[J].计算机应用与软件,2022(07).

陈冰,唐永旺.基于Bi-GRU和自注意力的智能电网虚假数据注入攻击检测[J].计算机应用与软件,2021(07).

黄冬梅,何立昂,孙锦中,胡安铎.基于边缘计算的电网假数据攻击分布式检测方法[J].电力系统保护与控制,2021(13).

何耀,张维锡,粟秋成,周聪,李发均.智能电网虚假数据攻击的非线性稀疏建模研究[J].电力信息与通信技术,2017(10).

何耀,周聪,郑凌月,张维锡,谢育轩.基于扩展卡尔曼滤波的虚假数据攻击检测方法[J].中国电力,2017(10).

郭庆来,辛蜀骏,孙宏斌,王剑辉.电力系统信息物理融合建模与综合安全评估:驱动力与研究构想[J].中国电机工程学报,2016(06).

浏览量

151

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于磁电耦合原理的异型双端弯曲结构特征电流传感器

考虑潮流和拓扑约束的电力系统虚拟数据注入攻击生成方法

基于PINN的智能电网虚假数据攻击检测研究

基于TransGAIN的电力系统虚假数据恢复算法

基于VMD-PCA和CNN-BiLSTM的光伏发电功率预测方法