基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

新型电力系统背景下，快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息，影响了模型的检测性能；同时，深度神经网络的“黑盒”属性降低了检测模型的可解释性，导致检测结果缺乏可信度。针对上述问题，提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先，考虑电网拓扑连接关系与量测数据的空间相关性，引入空间拓扑感知注意力机制，建立多头图注意力网络(MGAT)提取量测数据的空间特征；接着，利用时间卷积网络(TCN)并行提取量测数据的时序特征；最后，在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明，所提模型相比于现有检测模型具有更高的检测准确率和效率，且通过拓扑热力图对注意力权值可视化，实现了模型在空间维度的可解释性。