跟着电池储能体系与电网的日益交融(BESSs)，BESSs正面临日益增长的网络要挟，尤其是序列型虚伪数据注入进犯(FDIAs)。此类进犯可在不被不良数据检测(BDD)机制发现的情况下篡改BESS丈量数据，然后影响荷电状况 (SOC)估量。为提高并网型电池储能体系的安全性和稳定性，本文提出一种包括进犯检测与数据康复的数据驱动防护结构。针对时序型虚伪数据注入进犯的检测，咱们选用GPformer算法——一种能高效提取时空特征的办法经过选用两个增强型Transformer编码器与门控机制，从丈量数据中完成进犯检测。在完成进犯检测后，使用TACN算法进行数据康复。该办法将时序卷积网络（TCN）与注意力机制相结合，用于猜测未来丈量数据。经过将受进犯数据替换为这些猜测值，TACN算法可有用使体系康复正常运转状况。所提出的防护结构彻底根据数据驱动，不依靠于体系特定的拓扑参数。在集成BESS的IEEE 14节点和IEEE 57节点体系上展开的模拟实验验证了该结构的有用性。成果表明：该结构可以准确高效地检测不同强度的序列FDIAs，准确率超越97%，一起明显缩短训练时刻。此外，该结构支持受进犯数据的康复，数据康复后的SOC预算差错可控制在1%以内，然后为BESS和电网提供了更高的安全性保障。

导言

跟着全球气候变化加重，各国正积极寻求降低温室气体排放与提升动力功率的措施。分布式动力资源（DERs）因其灵活性与高效性而遭到广泛关注[[1], [2], [3]]。尽管分布式动力资源展现出巨大潜力，但其固有的随机动摇性与出力不确定性对电力体系稳定运转提出了新挑战。例如，太阳能发电在阴地利明显降低，而风力发电输出在风速不稳守时经验值会出现大幅动摇[4,5]。为解决这些问题，储能技能应运而生。以超级电容器为例，其经过电场贮存能量，能在极短时刻内完成快速充放电。但是其能量密度相对较低，一般更适用于需求瞬时高功率输出而非长期储能的场景。相比之下，电池储能体系（BESSs）一般选用锂离子电池等能量密度更高的储能技能，这意味着它们可以存储更多能量以满意更长时刻或更大规模的动力需求[[6], [7], [8]]。此外，BESSs技能相对更为老练，并已广泛应用于电动汽车、智能电网和分布式动力体系等多个领域。
在电池储能体系运转过程中，荷电状况(SOC)是关键参数[[9], [10], [11]]。SOC估量一般在电池办理体系(BMS)内完成。但是传统BMS常受核算才能限制，难以监测大规模电池组。所幸信息与通讯技能的进步已将BMS发展为杂乱的信息物理体系，可经过先进物联网与云核算技能与外部体系交互[12,13]。但是，这种转型也添加了电池储能体系（BESSs）面临网络进犯的脆弱性[14,15]。具体而言，当接入电网时，BESSs有必要经过通讯网络与电网交流实时丈量数据[16,17]。分布式拒绝服务进犯、虚伪数据注入进犯（FDIAs）以及中间人进犯等网络进犯或许会篡改BESS丈量数据，对其安全运转构成要挟[18,19]。
在这些网络进犯中，虚伪数据注入进犯（FDIAs）具有特别严重的破坏性。最初，这类进犯首要经过篡改量测数据来影响电力体系状况估量（PSSE）成果，然后误导电网控制决策。此外，FDIAs具备极强的隐蔽性，可以坚持进犯前后体系量测残差的一致性，然后躲避现有的不良数据检测（BDD）机制[[20], [21], [22]]。跟着电池储能体系（BESSs）在电网中的日益遍及，其量测数据也参与到PSSE过程中[23,24]。在并网形式下，电池储能体系(BESS)作为电力体系中的节点运转，提供关键的辅助服务。遗憾的是，这种集成方式加重了针对BESS的虚伪数据注入进犯(FDIA)危险。进犯者可在不触发坏数据检测(BDD)警报的情况下篡改BESS丈量数据，导致荷电状况(SOC)预算差错[25]。作为BESS的中心参数，错误的SOC或许引发灾难性后果。例如，研讨表明进犯者可操纵电池办理体系(BMS)替换上报低SOC值，迫使电池在超出安全参数范围下运转[26]。2019年，韩国数套锂离子电池储能体系（BESS）因办理体系缺陷发生爆炸。查询显示，继续超越400 mV的电压差导致荷电状况（SOC）超出安全限值，然后引发电池过热与爆炸[27,28]。此外，在集成分布式动力资源（DERs）的电网中，BESS的稳定性对能量存储与开释具有关键作用，将明显影响电网整体稳定性。
学者们针对针对BESS SOC估量的FDIAs展开了广泛研讨，并提出了多种防护战略。例如，V. Obrien等学者将先验丈量残差（表征BESS电压先验估量值与实践丈量值之间的差异）引进累积和（CUSUM）检测器以完成FDIAs检测[29]。考虑到实践场景中丈量噪声的影响，V. Obrien团队进一步主张选用对输入噪声灵敏的扩展卡尔曼滤波器（EKF）进行SOC估量。结合CUSUM检测器使用时，该滤波器明显提升了区分噪声与虚伪数据注入进犯（FDIAs）的才能[30]。此外，陈伟等人提出了一种降阶学习观测器办法，旨在同步检测并评价FDIAs。当估量的FDIA信号超越预设阈值时，即可判定存在虚伪数据注入进犯[31]。庄鹏等学者则依据电池储能体系（BESS）电压的时刻相关性，提出了一种根据新息检验的检测办法。该办法经过核算BESS电压先验估量值与实践丈量值的平方差，并将其与预设阈值进行比较以完成FDIAs检测[25]。文献[32]针对BESS荷电状况（SOC）估量构建了不同强度的虚伪数据注入进犯，并提出了一种根据T2V-Transformer的检测算法。
上述研讨首要集中于检测虚伪数据注入进犯（FDIAs），而对进犯前预防战略与进犯后康复措施的探索较为有限。针对这一不足，Z. Liu等人提出了一种改进型移动目标防护技能[33]。该办法经过扰动电池储能体系（BESS）交流侧电抗与电网侧电感，添加进犯者获取完好体系拓扑信息的难度，然后有用抵御FDIAs。文献[34]提出了一种名为TSCW-GAN的防护办法，其使用判别器与生成器将被FDIAs篡改的丈量值康复至原始状况。但是，当时针对FDIAs的预防与康复措施首要集中于单一时刻片段，存在必定局限性。时序性FDIAs或许继续篡改BESS丈量数据，导致荷电状况（SOC）预算值与实践值发生明显误差。
因而，咱们提出一个专门针对并网形式下电池储能体系（BESS）荷电状况（SOC）估量中序列化虚伪数据注入进犯（FDIAs）的数据驱动防护结构。该结构包括两个中心组件：进犯检测与数据康复。在进犯检测方面，引进了一种名为GPformer的算法。GPformer选用两个Transformer编码器分别从丈量数据中提取时序特征与空间特征，并经过门控机制自适应学习各编码器的权重，完成特征交融。为提高功率，该算法还选用了ProbSparse自注意力机制，明显降低了训练耗时。在数据康复方面，使用了一种名为TACN的算法。TACN使用前史丈量数据猜测未来丈量值，并用这些猜测值替换受进犯数据，然后保证SOC估量的准确性。
本文的首要奉献体现在以下两个方面：

• i.
  提出一个能高精度实时检测序列化FDIAs、有用康复受损丈量数据，并保证BESS荷电状况（SOC）估量准确性的归纳防护结构。
• ii.
  所提出的防护结构彻底根据数据驱动，摆脱了对并网体系特定拓扑参数的依靠。