基于MGAT-TCN模型的可解釋電網虛假數據注入攻擊檢測方法

蘇向敬，鄧 超，栗風永，符 楊，蕭士渠

（1.上海電力大學電氣工程學院，上海市 200090；2.上海電力大學計算機科學與技術學院，上海市 200090）

0 引言

在新型電力系統背景下，虛擬電廠、負荷聚合商、綜合能源系統等新型電力業務不斷涌現。作為電網和海量終端資源的中間橋梁紐帶，新型電力業務不僅可大幅降低終端接入對電力專網的通信和數據交互壓力，而且可使分布式靈活資源呈現出更大的可控效能。然而，新型電力業務的通信和數據平臺普遍基于公用互聯網設計運行，其公網開放性強的特性使得電力系統在信息交互過程中極易受到惡意網絡攻擊，如拒絕服務攻擊、負載重分布攻擊、拓撲篡改攻擊和虛假數據注入攻擊（false data injection attack，FDIA）等［1-5］。其中，FDIA 作為隱蔽性網絡攻擊，通過破壞數據完整性嚴重威脅電網安全運行，故須建立快速有效的FDIA 檢測機制［6］。

針對虛假數據注入攻擊，近年來提出的檢測方法主要分為以下2 類：1）模型驅動的方法［7-8］；2）數據驅動的方法［9-15］。其中，基于模型驅動的方法不需要歷史數據集訓練，僅通過量測數據與系統狀態之間的關系即可建立FDIA 檢測模型。但是，模型檢測的準確度受系統參數影響較大，且電網規模的不斷擴大會導致模型的復雜度增加。而相比之下，基于數據驅動的FDIA 檢測算法不涉及參數設定問題，只與數據量緊密相關，海量的電網數據恰好為其提供了強大的數據支撐［6］，正受到越來越多的關注。例如，為捕捉FDIA 過程中的電網量測數據時序特征，文獻［9］利用長短期記憶（long short-term memory，LSTM）網絡在時間序列預測方面的強大記憶能力來識別潛在的受損測量值。文獻［10］針對LSTM 網絡無法同時處理量測數據前后參數信息和FDIA 關聯的問題，提出了一種基于Transformer的FDIA 檢測框架。同時，為捕獲虛假與正常數據的空間差異，文獻［11］通過多層卷積神經網絡（convolutional neural network，CNN）提取量測數據空間特征，并與不良數據檢測（bad data detection，BDD）結合實現FDIA 檢測。文獻［12］則通過變分模態分解提取量測數據的空間特征，并結合輕量型CNN 實現FDIA 檢測。但是，上述傳統神經網絡沒有考慮不同測量設備在電網部署時的空間關聯，難以對電網拓撲結構進行建模，導致檢測性能不佳［16］。對此，近年來發展迅速的圖神經網絡可很好地捕捉圖網絡的拓撲連接，為上述問題提供了良好的解決方案。文獻［13］提出采用切比雪夫圖卷積網絡 （Chebyshev graph convolution network，ChebGCN）識別FDIA，通過電力系統固有圖拓撲結構提取量測數據的空間特征。文獻［14］通過門控圖神經網絡（gated graph neural network，GGNN）提取電網拓撲連接信息和運行數據的空間特征，實現FDIA 檢測。

總之，上述基于深度學習的FDIA 檢測研究主要僅針對電網量測數據的時序或空間特征進行建模，鮮有同時提取其時空特征。考慮到電力系統發生FDIA 時，其運行狀態會發生顯著變化，數據采集與監控（supervisory control and data acquisition，SCADA）量測數據呈現出時間和空間強關聯的特點［17］。僅用單一空間或時序特征，FDIA 檢測模型會存在攻擊檢測精度不足、抗噪聲能力差等不足。對此，文獻［15］通過卷積神經網絡和長短期記憶網絡（CNN-LSTM）捕獲量測數據的時空特征，實現FDIA 檢測。但該文獻模型把量測數據作為歐氏數據處理，將電網所有節點特征通過長向量拼接，無法有效利用電網固有圖拓撲結構與量測數據空間相關性，導致其時空特征信息挖掘不充分。

更重要的是，基于深度學習的FDIA 檢測方法普遍為“黑盒”模型，其模型透明性低，從而降低了檢測模型的可解釋性和檢測結果的可信度。如何實現神經網絡模型的可解釋性已成為當前研究的熱點［18］。文獻［19］提出了一種基于時空注意力機制的海上風機齒輪箱狀態監測方法，實現了故障診斷的可解釋；文獻［20］在海上風電超短期出力預測中引入特征和時序雙重注意力模塊，在提升模型預測性能的同時，實現了模型特征和時間維度上的可解釋性。

針對上述挑戰并結合已有研究基礎，本文提出了一種基于多頭圖注意力網絡和時間卷積網絡（multi-head graph attention network and time convolution network，MGAT-TCN）模型的可解釋電網FDIA 檢測方法。首先，通過多頭圖注意力網絡（multi-head graph attention network，MGAT）模塊考慮不同測量設備在電網部署中的拓撲結構關聯，以全面提取量測數據的空間特征。同時，MGAT 空間拓撲感知注意力機制通過分配權重量化模型在學習過程中對量測數據的空間關注程度，實現模型的可解釋性；接著，為避免時序信息丟失并提升模型訓練效率，利用時間卷積網絡（time convolution network，TCN）模塊并行提取量測數據的時序特征；最后，在IEEE 14 節點系統和IEEE 39 節點系統對所提MGAT-TCN 模型進行仿真驗證。

1 虛假數據注入攻擊相關問題描述

1.1 狀態估計和不良數據檢測機制

狀態估計是通過SCADA 量測數據估計電力系統運行狀態的一種重要機制［21］。圖1 展示了新型電力系統背景下電網虛假數據注入攻擊的可能場景。海量分布式終端資源借助公用互聯網平臺聚合接入，逐漸成為新型電力系統的重要組成部分。網絡攻擊者可以較低成本攻擊公用互聯網平臺終端設備，進而跨越公用互聯網和電力專網邊界危害電力專網，如入侵測量終端和數據傳輸通道等。基于設計好的虛假量測數據，攻擊者可規避狀態估計不良數據檢測機制，而造成的錯誤狀態估計結果又會導致調度中心對潮流計算、事故分析和調度控制等做出錯誤決策，危害電網運行安全［17］。

圖1 電網FDIA 可能場景Fig.1 Possible scenarios of FDIA in power grid

電力系統狀態估計通常假設電壓幅值為1，忽略電阻和接地支路的影響，僅考慮相位角的狀態變化［14］。具體計算公式如下：

式中：Z∈Rm×1為測量向量，包括傳輸線有功潮流和節點注入有功功率，其中，m為測量向量維數；x∈Rn×1為系統狀態向量，包括節點電壓相位角，其中，n為狀態向量維數；H∈Rm×n為狀態估計的非線性函數，是表示電網物理拓撲信息的矩陣［14］；?∈Rm×1為測量誤差向量。

在此基礎上，采用線性加權最小二乘法得到狀態估計的目標函數F(x)：

式中：R為測量值的誤差協方差矩陣。

接著，利用加權最小二乘法求解式（2）的最小化目標函數，得到系統狀態向量估計值x?：

為確保狀態估計結果的可靠性，基于殘差檢驗原理的不良數據檢測機制得到了廣泛應用［22］。其中，殘差r表示測量向量Z與其估計值Z?=Hx?差值的歐氏范數，如式（4）所示。

將殘差r與殘差閾值τ進行比較：當r＞τ時，檢測機制認為SCADA 量測數據存在壞數據；當r＜τ時，則認為數據正常。

1.2 FDIA 原理

如果攻擊者入侵控制中心并獲得電網物理拓撲信息矩陣H，則可以根據H生成特定的攻擊向量。這種攻擊向量可躲避不良數據檢測機制，并影響電力系統狀態估計結果。

假設攻擊向量為a∈Rm×1，與測量向量Z同維數，則被攻擊的測量向量為Za=Z+a。如果向量a中的第i個元素不為零，則意味著第i個測量值被攻擊。經狀態估計后得到系統狀態值xc=x+c，其中，c∈Rn×1表示系統狀態的攻擊注入向量，xc為被攻擊的狀態向量。不良數據檢測機制通過計算相應的測量殘差來檢測錯誤數據，在受到FDIA 后的殘差rc為：

由式（5）可知，若a=Hc，則攻擊向量可通過不良數據檢測，且測量殘差不會增加［22］。

2 檢測模型構建

本文所構建MGAT-TCN 模型，主要包含MGAT 模塊、TCN 模塊和全連接層。

2.1 MGAT-TCN 模型的輸入和輸出

本文選擇SCADA 量測數據的所有節點注入有功功率和無功功率作為輸入特征，通過滑動時間窗將其轉化為MGAT-TCN 模型所需的時序圖數據V，即V=[v1，v2，…，vN]∈RN×W×2，其中，vi=分別為時間窗內節點i的時序圖數據、時序注入有功功率和無功功率［12］，i=1，2，…，N；W為滑動序列長度；N為測量設備數量。模型輸入滑動時間窗口設置如附錄A 圖A1所示。

鄰接矩陣是圖結構數據的重要組成部分。考慮不同測量設備在電網部署的圖拓撲關聯，本文選取電網鄰接矩陣A作為輸入矩陣，如式（6）所示。

式中：lij為元素，若節點i和j相連，則lij=1，否則lij=0，i=1，2，…，N，j=1，2，…，N。

根據上面定義，該FDIA 檢測模型的輸出表示為：

2.2 提取空間特征的MGAT 模塊

為充分考慮電網圖拓撲結構和量測數據間的空間相關性，MGAT 需對圖中節點間的關系進行建模。假設每個節點的輸入vi由序列向量vi={∈[0，W]}表示，圖注意力層數為3，則對應的MGAT 在附錄A 圖A2 中展示。給定N個節點的圖，即{v1，v2，…，vN}，計算節點的輸出為：

式中：vi，out為節點i的輸出，與輸入vi維數相同；Ωi為與節點i相連接的鄰域節點集合，由Ai決定，Ai為電網鄰接矩陣的第i行向量；σ(·)為sigmoid 激活函數；αij為注意力得分，用于衡量節點j對節點i的貢獻，可由式（9）和式（10）計算。

式中：⊕為表示2 個節點特征拼接的運算符；w∈RF×1為可學習參數的列向量，F為每個節點特征向量的維數；eij和eio分別為節點j和節點o對節點i的注意力系數，其中，節點j和節點o為Ai中與節點i連接的節點之一；LeakyReLU（·）為非線性激活函數。此處通過圖神經網絡實現空間特征提取，并采用多頭注意力機制突出關鍵空間特征表達，進而實現對量測數據空間特征的有效提取。

由于深度學習的“黑盒”屬性，模型對FDIA 的檢測可信度不足。而注意力機制作為一種資源分配機制，可自適應地為輸入變量分配注意力權值，使模型關注重要信息，并可借助熱力圖可視化注意力權重的形式來實現模型的可解釋性［23］。附錄A 圖A3展示了空間拓撲感知注意力機制計算相鄰節點特征向中心節點聚集的過程。

為解決FDIA 檢測模型黑盒、可信度低問題，本文對數據預處理后包含正常樣本和攻擊樣本的時序圖數據V在電網鄰接矩陣A上通過空間拓撲感知注意力機制賦予貢獻權重，并以權重熱力圖實現可視化，提升FDIA 檢測模型對攻擊判別的可解釋性和可靠性。具體而言，采用注意力機制動態計算電網中節點功率注入權重，通過變化的空間注意力系數與輸入變量進行加權，得到的加權注意力權重可用來表達電網各節點量測數據對FDIA 的貢獻度，從而實現模型在空間維度的可解釋性和可信度，降低其“黑盒”屬性。

2.3 提取時序特征的TCN 模塊

在處理電網量測時序數據時，為避免時序信息丟失并提升模型訓練效率，此處采用TCN 模塊進行提取。具體在滑動時間窗口內，基于目標時刻W之前的時序圖數據[v1，v2，…，vW-1]，利用TCN 模塊的擴張因果卷積對上一層的輸出進行擴張采樣，從而提取時序特征，實現W時刻的數據輸出v?W。其中，擴張因果卷積計算公式如下。

式中：G(s)為第s個神經元擴張卷積后的輸出；g(h)為第h個過濾器；vs-dp為s-dh時刻的輸入序列；k為卷積核大小；h為卷積核序號；d為擴張系數；s為擴展因果卷積神經元序號。

為使時序特征輸出能夠考慮更長的歷史序列信息，本文TCN 模塊通過2 層殘差網絡和多層卷積的不同擴張系數來實現。其中，殘差網絡結構見附錄A 圖A4（a），包含擴展因果卷積、權值歸一化、ReLU激活函數和Dropout 隨機丟棄層，4 部分的組合可防止模型過擬合，且通過卷積并行計算捕獲時序特征，可加快模型訓練速度。附錄A 圖A4（b）為擴張因果卷積計算圖，卷積核大小k為3，擴張系數d分別為1、2、4。

2.4 全連接層和損失函數

基于MGAT 模塊提取的空間特征ysp和TCN模塊提取的時序特征ytem，全連接層通過softmax 函數完成輸入特征的非線性映射，具體公式如下。

式中：ypred為模型的預測輸出；λ為映射權重參數；b為偏置誤差向量。

為降低模型訓練損失和提高FDIAs 檢測精度，本文采用交叉熵（cross-entropy，CE）函數作為損失計算函數，并通過adam 優化器自適應調節學習率更新模型參數。其中，損失ψloss如式（13）所示。

式中：M為批尺寸大小；ypred，i為第i個模型預測結果；ui為第i個實際電網運行狀態標簽。

3 基于MGAT-TCN 模型的可解釋FDIA 檢測流程及評估指標

3.1 基于MGAT-TCN 模型的可解釋FDIA 檢測流程

基于MGAT-TCN 模型的可解釋FDIA 檢測流程主要分為3 個部分：數據預處理及電網圖拓撲構建、MGAT-TCN 模型訓練和模型測試評估，如圖2所示。

圖2 基于MGAT-TCN 模型的可解釋FDIA 完整檢測流程Fig.2 Complete interpretable detection process for FDIA based on MGAT-TCN model

可解釋FDIA 檢測具體流程如下。

步驟1：對SCADA 量測數據進行預處理。首先，將包含正常量測數據和受攻擊量測數據通過滑動時間窗處理為MGAT-TCN 模型輸入所需的時序圖數據V，維數為M×N×W×F；接著，在此基礎上，完成相應系統的圖拓撲并構建A，同時，對圖數據V進行最大最小歸一化處理；最后，將預處理后的圖數據V劃分為訓練集和測試集，并結合A作為整個MGAT-TCN 模型的輸入。

步驟2：模型訓練。首先，將訓練集圖數據V和電網鄰接矩陣A輸入到MGAT 層，感知并提取電網拓撲結構和量測數據的空間特征ysp，并將數據V輸入到TCN 層，提取量測數據的時序特征ytem；接著，將提取的時空特征輸入到全連接層，并根據所設訓練輪數（epoch）進行模型參數迭代更新，完成MGAT-TCN 模型訓練；最后，利用訓練集對訓練好的MGAT-TCN 模型進行閾值ε網格搜索，以檢測最大準確率為條件，在［0，1］區間選擇最優閾值ε。

步驟3：模型測試。首先，將測試集的數據V和電網鄰接矩陣A輸入到MGAT-TCN 模型完成目標特征預測，利用預測值與閾值ε實現FDIA 檢測；然后，通過預測攻擊標簽與真實標簽進行對比，完成模型測試評估；同時，為實現模型空間維度可解釋，將MGAT 層的空間拓撲感知注意力權值進行可視化，通過觀察不同節點量測數據對FDIA 檢測的貢獻度，降低所提MGAT-TCN 模型的“黑盒”屬性，提高模型檢測可信度。

實際應用中，本文所提可解釋FDIA 檢測模型可與狀態估計的不良數據檢測配合開展。例如，SCADA 量測數據可借助所提MGAT-TCN 模型進行FDIA 檢測，以剔除攻擊數據；利用狀態估計的不良數據檢測機制，篩除不良量測數據；經過上述處理后的數據，可有效支撐能量管理系統對電網運行狀態的可靠估計和控制決策。

3.2 評估指標

本文采用準確率（accuracy）、精確率（precision）、召回率（recall）和F1 分數等機器學習目標檢測領域通用的評測指標，評價所提模型的檢測性能［24］。評估指標所涉及統計變量定義如下：

1）真負類（true negative）：表示將電網正常量測數據正確識別為正常數據的數量，記為βTN。

2）假正類（false positive）：表示將電網正常量測數據錯誤識別為FDIA 的數量，記為βFP。

3）真正類（true positive）：表示將電網FDIA 數據正確識別為FDIA 的數量，記為βTP。

4）假負類（false negative）：表示將電網FDIA 數據錯誤識別為正常數據的數量，記為βFN。

相應地，給出4 個評估指標的計算表達式如下。1）準確率計算表達式為：

式中：IAcc為所有被正確判斷的樣本所占的比值。準確率越高，表明檢測模型總體效果越好。

2）精確率計算表達式為：

式中：IPre為預測攻擊樣本中真實攻擊樣本所占的比值。精確率越高，表明檢測模型誤報率越低，檢測效果越好。

3）召回率計算表達式為：

式中：IRec為在真實攻擊樣本中預測正確攻擊樣本所占的比值。召回率越高，表明檢測模型漏報率越低，檢測效果越好。

4）F1 分數計算表達式為：

式中：IF1為精確率和召回率的諧波平均值，在選擇精確率或召回率可能導致模型分別給出高誤報和漏報的情況下用做綜合評價指標。F1 分數越高，表明檢測模型總體性能越好。

4 仿真分析

4.1 實驗數據說明

實驗選擇IEEE 14 節點系統和IEEE 39 節點系統作為測試案例，其中，網絡拓撲、節點數據、支路參數等均從MATPOWER 獲得。對于攻擊樣本，本文基于1.1 節和1.2 節的FDIA 原理與構建方法生成。對于IEEE 14 節點系統，攻擊節點設為節點3、5、11；對于IEEE 39 節點系統，攻擊節點設為節點3、5、11、17、26。附錄A 圖A5 展示了IEEE 14 節點系統和IEEE 39 節點系統受攻擊前、后狀態變化情況。同時，考慮到FDIA 的真實性，設置正常樣本數量遠大于攻擊樣本，并結合攻擊強度和量測噪聲來實現檢測模型的性能評估。其中，攻擊強度定義為攻擊節點狀態估計值與真值的比值，并默認取0.1；設定量測噪聲滿足高斯分布N(0，0.25)；設置每次攻擊注入虛假數據的持續時間為15 個步長，每個步長內采用MATPOWER 工具包進行1 次潮流計算，且攻擊后測量殘差小于殘差閾值τ，以規避不良數據檢測。表1 和表2 分別給出了IEEE 14 節點系統和IEEE 39 節點系統的訓練和測試數據集。

表1 IEEE 14 節點系統的訓練數據集和測試數據集Table 1 Training data set and test data set of IEEE 14-bus system

表2 IEEE 39 節點系統的訓練數據集和測試數據集Table 2 Training data set and test data set of IEEE 39-bus system

4.2 不同檢測模型性能對比

為驗證所提MGAT-TCN 模型的優越性，在相同數據集下，本文采用CNN、MGAT、LSTM、TCN，以及同樣提取時空特征的CNN-LSTM 模型作為對比模型，并設置epoch 為15。表3 給出了MGAT-TCN、MGAT、TCN、CNN-LSTM、CNN 和LSTM 模型在IEEE 14 節點系統和IEEE 39 節點系統中的FDIAs 檢測性能。表4 給出了LSTM、TCN、CNN-LSTM 和MGAT-TCN 模型的訓練時間。

表3 不同模型檢測性能對比Table 3 Detection performance comparison of different models

表4 不同模型訓練時間對比Table 4 Comparison of training time with different models

由表3 可知，6 種模型對FDIA 檢測的準確率均不低于95%，說明這些模型對FDIA 和正常數據均能做到有效分辨。但由于真實場景中FDIA 屬于小樣本事件，正常樣本的數量會遠超FDIA 樣本數量，單憑檢測準確率不足以驗證模型的性能。因此，通過對比分析模型的精確率、召回率和F1 分數來進一步驗證檢測方法的性能。表3 給出了以上指標的測試結果。

從表3 可以看到，在IEEE 14 節點系統和IEEE 39 節點系統中，CNN 檢測模型的精確率分別只有0.584 和0.825。由于精確率表征檢測模型的誤報率，故CNN 模型預測的攻擊樣本中，正常數據被預測為攻擊樣本的數量占比高，攻擊樣本被誤判數量過大。相比之下，所提MGAT 模型在2 個測試系統中，檢測精確率分別高達0.855 和0.857，表明正常樣本被預測為攻擊樣本的數量占比較低，攻擊樣本被誤判的數量相對減少。同樣，F1 分數作為精確率和召回率的綜合評價指標，在2 個測試系統中，CNN模型分別為0.635 和0.740，而MGAT 模型則分別為0.767 和0.779，這表明所提MGAT 模型在提取空間特征上更全面，檢測效果也更加穩定。另外，從表4可以看出，無論是單個epoch 模型訓練時間，還是總訓練時間，TCN 模型的訓練時間均優于LSTM 模型。這是因為TCN 模型通過擴張卷積并行計算可捕獲多個序列的時序特征，加快了模型計算速度，并避免時序信息丟失，使得模型具有更優越的時序特征提取能力。

最后，結合表3 和表4 可知，所提模型與CNNLSTM 相比，其F1 分數在2 個測試系統中分別提升了0.048 和0.064，模型訓練時間分別減少了66 s 和112 s。這表明所提MGAT-TCN 模型充分挖掘了電網量測數據的時空特征信息，使得檢測性能進一步得到提升。

4.3 所提檢測模型可解釋性分析

為驗證所提MGAT-TCN 模型可解釋的合理性，對空間拓撲感知注意力的學習權重進行可視化，并結合FDIA 領域知識實現合理性驗證。圖3 分別展示了IEEE 14 節點系統和IEEE 39 節點系統在不同的樣本條件下和模型訓練過程中的空間注意力權重變化情況，其中，顏色越深表示權重越大。

圖3 正常樣本和攻擊樣本的空間拓撲注意力權值可解釋圖Fig.3 Interpretable graph of spatial-topology attention weights for normal samples and attack samples

由4.1 節數據說明可知，對于IEEE 14 節點系統，設計攻擊目標是系統節點3、5、11 的狀態值。同時，依據本文FDIA 原理的領域知識，攻擊向量a是假定攻擊者掌握電網物理拓撲信息矩陣H，通過對H中對應節點5、6、8、13、14 進行虛假量測數據注入，從而改變節點3、5、11 的狀態值來實現FDIA。由圖3（b）可以看到，在IEEE 14 節點系統攻擊樣本下，節點5、6、8、13、14 顏色較深，其空間拓撲注意力權重值穩定在0.375 左右，該結果與上述FDIA 的領域知識基本保持一致。攻擊者通過對H中的節點5、6、8、13、14 進行虛假量測數據注入，從而改變了節點3、5、11 的狀態變量值，且成功躲過了不良數據檢測，故這幾個節點的權重在模型學習過程中也相應地被賦予較高的權重。相比之下，其他節點輸入變量與FDIA 的相關性有限，空間拓撲注意力權重被賦予了較小的數值。由圖3（a）可知，對于正常樣本，由于沒有受到攻擊，電網物理拓撲信息矩陣H的相應節點沒有虛假量測數據注入，故在模型訓練迭代過程中，空間拓撲注意力權重對正常樣本的分配會更趨于平均。

對IEEE 39 節點系統同樣存在上述結論。由圖3（d）可以看到，節點1、2、10、16、21、26、31、36顏色較深，其空間拓撲注意力權重值穩定在0.291～0.375 范圍內，這表明攻擊者通過對電網物理拓撲信息矩陣H中相應節點進行虛假量測數據注入，改變了節點3、5、11、17、26 的狀態值，故所提模型的空間注意力權重在學習過程中對這幾個被虛假數據注入的節點賦予了更高權值。結合圖3（c）可知，對于IEEE 39 節點系統的正常樣本，因沒有受到攻擊，空間拓撲注意力權重對所有節點的權值賦予也趨于平均。

由上述分析可知，本文所提空間拓撲感知注意力機制可以實現模型的可解釋性，提高了檢測結果的可信度，并且針對可解釋圖中經常被攻擊的節點，電網可提前對空間注意力權重較高節點采取相應防御措施［25］。

4.4 所提檢測模型的魯棒性分析

基于IEEE 14 節點系統，進一步對不同環境噪聲下所提模型的魯棒性進行驗證。將環境數據噪聲的方差分別設為0.25、0.30、0.35、0.40、0.45、0.50，并對所提MGAT-TCN 模型和CNN-LSTM 模型在不同環境數據噪聲下的性能進行了測試，測試結果如圖4 所示。由圖4 可以看出，隨著噪聲方差增加，本文所提模型的F1 分數緩慢下降，而CNN-LSTM 模型的F1 分數則快速降低。這是因為當噪聲水平升高時，CNN-LSTM 模型很難區分正常測量值和受到干擾后的正常測量值。但是，所提MGAT-TCN模型的F1 分數始終顯著優于CNN-LSTM 模型，特別是當噪聲方差小于0.4 時，依然可達到0.8 以上。這說明當量測環境噪聲引起的差異小于FDIA 引起的差異時，所提MGAT-TCN 模型的抗噪聲能力更強，檢測性能更具魯棒性。

圖4 不同環境噪聲下的模型魯棒性對比Fig.4 Comparison of model robustness with different environmental noises

4.5 所提檢測模型的消融實驗

為驗證所提模型中不同模塊對FDIA 檢測的有效性，在IEEE 14 節點系統和IEEE 39 節點系統上進行消融實驗。表5 給出了消融實驗結果。由表5可見，在2 個測試系統中，當禁用TCN、僅用MGAT時，所得F1 分數相比MGAT-TCN 分別下降了0.168 和0.138。同樣，當禁用MGAT、僅用TCN時，所得F1 分數相比MGAT-TCN 分別下降了0.067 和0.060。事實上，電網圖拓撲結構和量測數據是高度時空相關的。面向空間特征的MGAT 模塊通過空間拓撲感知注意力機制有助于準確捕捉空間相關性；而面向時序特征的TCN 模塊對所提模型性能也至關重要，擴張因果卷積并行運算在加快模型訓練速度的同時，也防止了早期信息丟失，可更好地挖掘時序依賴關系。

表5 MGAT-TCN 模型中每個模塊的消融實驗結果Table 5 Ablation experiment results of each module in MGAT-TCN model

5 結語

針對電網面臨的FDIA，為充分提取SCADA 量測數據和電網拓撲信息的時空特征，本文提出了一種MGAT 和TCN 結合的可解釋檢測模型，即MGAT-TCN 模型。通過在IEEE 14 節點系統和IEEE 39 節點系統上進行仿真驗證，得到以下結論：

1）MGAT 充分考慮不同測量設備在電網部署中的拓撲結構關聯關系，從而提取更全面的量測數據空間特征；TCN 通過并行卷積提取電網量測數據的時序特征，縮短了模型訓練時間。

2）在不同節點測試系統中，與現有主流模型進行檢測性能對比的結果表明，MGAT-TCN 模型具有更高的檢測準確率和模型訓練效率，驗證了所提方法的有效性和優勢；在不同量測噪聲環境下驗證了所提MGAT-TCN 模型的魯棒性。

3）本文方法展現出良好的可解釋性，空間拓撲感知注意力機制可以引導模型自適應聚焦重點特征，通過權重量化模型在學習過程中計算不同樣本的空間關注程度，實現空間維度上攻擊檢測可解釋性。

本文驗證了所提模型對FDIA 檢測的有效性，未來研究可關注公用互聯網與電力專網互動的新型電力業務系統更加復雜的攻擊行為和場景，拓展可信人工智能在電力網絡安全中的應用。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。