只改被攻陷的传感器也能骗过检测器：PCGAN在IEEE 300节点电网把隐身-影响综合分做到18.69%
核心概要
在只能改写部分已部署传感器通道、且不知道电网拓扑与检测器参数的条件下，PCGAN从历史量测中学出有功-电压相角、无功-电压幅值的近似解耦关系，并用对抗训练生成贴近正常运行的数据注入扰动。在IEEE 300节点系统、PJM一年小时负荷与10%至100%被攻陷传感器的四种场景中，它对十种机器学习检测器的平均规避率为84.28%，平均空间负荷误判为22.31%，隐身-影响综合分平均18.69%，而最强对比攻击为5.61%。
深度剖析
数据注入攻击现在可以在只掌握部分传感器、且不了解电网内部模型的情况下，同时保持隐蔽并造成可测的状态估计偏差。 此前的攻击方法要么以隐蔽换影响、要么以影响换隐蔽，并且常假设攻击者能读写全部母线量测或掌握检测器模型。 在IEEE 300节点系统上，PCGAN对十种机器学习检测器的平均规避率为84.28%，高于次高的BIM的57.08%；其隐身-影响综合分平均为18.69%，最强对比攻击RL-iGAN为5.61%。
攻击的构造方式是先学出近似的潮流灵敏度，再让生成器只在可写通道内产生与这些关系一致的扰动。 这些灵敏度由岭回归从被攻陷传感器的良性历史量测中拟合得到，不需要导纳矩阵、状态估计器或检测器参数。 生成器以历史观测和噪声为输入，通过白化一致性损失约束有功-相角与无功-幅值关系，并由Wasserstein判别器推动扰动在统计与时间上接近正常运行；评估覆盖10%、30%、60%、100%四档传感器攻陷比例。
启示与展望
评估在IEEE 300节点系统上进行，使用PJM Interconnection一年小时需求和合成母线级负荷曲线，传感器布点为87个PMU/RTU对，攻陷比例取10%、30%、60%、100%四档。结果针对十种机器学习检测器与卡方、LNR两类BDD，物理影响以非线性交流加权最小二乘状态估计下的空间负荷误判衡量。
综合分是空间负荷误判与检测器规避率按种子配对的乘积，不代表同一小时同时隐蔽并造成影响的概率；潜在的下一次经济调度偏差是估计量，未模拟下游调度。作者指出后续将考察其他电网、未见过的负荷模式与下游调度后果。