基于KPCA-GWO-CatBoost的虚假数据注入攻击检测方法

作     者：高正中 赵恒进 柴新斌 

作者机构：山东科技大学电气与自动化工程学院 汶上义桥煤矿 

出 版 物：《计算机应用与软件》 (Computer Applications and Software)

年 卷 期：2024年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 0839[工学-网络空间安全] 

主　　题：虚假数据注入攻击 电力信息物理系统 核主成分分析法 Catboost 灰狼优化算法 

摘      要：针对电力信息物理系统中虚假数据注入攻击（False Data Injection Attacks， FDIA）检测存在数据特征复杂、检测精度低的问题，提出了一种基于KPCA-GWO-CatBoost的FDIA检测模型。为消除数据冗余特征和减少计算的复杂程度，采用核主成分分析法（Kernel Principal Component Analysis，KPCA）实现对高维特征量测数据的降维和降噪，并保留了其原始数据的完整信息。为防止随机超参数导致类别型特征提升算法（CatBoost）检测结果和泛化能力不稳定问题，采用灰狼优化算法（Grey Wolf Optimizer， GWO）对CatBoost模型超参数进行优化。结合攻击强度和环境噪声对该模型性能的影响，通过在IEEE14总线系统上的实验，所提方法检测准确率达96.85%、精确率97.14%、召回率94.92%和F1值96.02%，验证了该模型具有较高的优越性和鲁棒性。