Shahid Tufail · Hasan Iqbal · Mohd Tariq · Arif I. Sarwat · IEEE Access · 2025年1月

随着智能电网日益互联，网络攻击特别是数据注入攻击变得更加普遍。此外，模型训练需要准确无偏的高质量数据。我们从现实世界收集的大多数数据稀疏、不完整、不一致和倾斜。为解决这些问题，本研究提出检测此类攻击的框架。使用堆叠自编码器架构生成少数类数据的合成实例。生成的类别解决数据不平衡以增强模型泛化能力并应对多样化攻击场景。评估各种机器学习算法，随机森林RF模型始终达到卓越准确率，范围从99.32%到95.89%。特别是，逻辑回归LR等传统算法对降维表现出敏感性，当主成分从全部降至10时经历16.96%准...

解读: 该数据注入攻击检测技术对阳光电源智能电网安全至关重要。阳光iSolarCloud平台和ST储能系统接入电网SCADA系统，面临虚假数据注入攻击威胁。该研究的堆叠自编码器和随机森林混合方法可集成到阳光网络安全防护体系，检测异常数据和攻击行为。在电网侧储能场景下，数据注入攻击可能导致储能系统误动作，影响...