在电网仿真组做状态估计课题时，遇到一类特别"反直觉"的攻击场景：给SCADA量测数据里叠加一组精心构造的虚假数据，状态估计器算出明显偏离真实工况的结果，但坏数据检测模块全程零报警。最初我以为这只是坏数据检测灵敏度不够的问题，后来才意识到这是两类完全不同的错误——随机坏数据是在跟真实物理方程"打架"，而虚假数据注入攻击（FDIA）是在跟真实物理方程"合谋"。这篇内容围绕FDIA对电力系统状态估计的建模与对策展开，基于直流与交流潮流模型的实验研究，整理我在仿真平台上从攻击构造、实验评估到防御验证的完整过程，希望能给正在做电网信息物理安全研究、或想入门这个方向的同行一些可直接参考的细节。
1. 状态估计的定位：为什么它既是电网安全的基础，又是攻击者的最佳跳板
1.1 状态估计到底在做什么
电力系统里真正可用的"状态"——各母线电压幅值与相角——并不能被直接完整测量。SCADA系统拿到的是分布在电网各处的量测值：线路有功/无功潮流、母线注入功率和电压幅值；这些量测有噪声、有时有偏差、也可能因为通信或终端故障出现坏数据。状态估计（State Estimation）就是利用这批冗余量测，通过加权最小二乘（WLS）等算法，估计出全网最可能的电压幅值与相角。EMSA（能量管理系统）后续的潮流计算、经济调度、安全校核，全部建立在状态估计输出之上。
WLS的核心是让量测残差加权平方和最小：
min J(x) = [z − h(x)]ᵀ R⁻¹ [z − h(x)]
其中z是量测向量，h(x)是量测函数（把状态映射成量测的理论值），R是量测噪声协方差矩阵。量测冗余度越高，估计结果对单一量测误差越不敏感。这套机制处理随机噪声非常漂亮，但它对"系统性的、方向一致的数据偏移"几乎没有免疫力——这正是FDIA做文章的入口。
1.2 坏数据检测只防"不顺势"的错，不防"顺势"的假
传统坏数据检测的思路很直观：估计完成后计算残差 r = z − h(x̂)，再用残差协方差矩阵对每个残差归一化，得到标准化残差；若最大标准化残差超过阈值（比如3.0），就把最可疑的量测剔除后重估。这套流程对付随机错误、通信丢包、个别表计故障都没问题，因为这些异常与物理方程方向不一致，会在残差中暴露自己。
但注意一个本质区别：坏数据检测假设"错误是偶然的、独立的、与真实物理不一致的"。攻击者不受这个约束——他可以把虚假数据设计成恰好落在量测方程的自然子空间里，让新量测与状态之间仍然严格满足物理方程。这时残差不变，检测模块看到的画面和正常运行时一模一样。这就是FDIA与普通坏数据在数学层面的根本分水岭，也是本文实验研究的出发点。
2. 直流潮流模型下的不可观测攻击：一步就能算出"查不出来"的伪数据
2.1 直流模型把问题压缩成线性代数
直流潮流模型做了三个假设：电压幅值恒定为1.0 p.u.、相角差足够小、忽略线路电阻。在这些假设下，支路有功潮流近似为 P_ij = (θ_i − θ_j) / X_ij，母线注入功率为 P_i = Σ B_ij θ_j。量测方程退化为线性形式：
z = Hx + e
H是m×n的雅可比矩阵，行对应量测，列对应当参考母线之外的相角状态。状态估计的闭式解为 x̂ = (HᵀR⁻¹H)⁻¹HᵀR⁻¹z。线性模型最大的好处是把攻击设计变成了纯粹的线性代数问题，便于从原理上验证为什么攻击可以绕过检测。
2.2 攻击向量落在H的列空间里，残差纹丝不动
设攻击者想把真实状态x篡改成x + c，其中c是攻击者希望的状态偏移向量。按照量测方程，新状态对应的合法量测本应变为H(x + c)。攻击者不需要直接从状态下手，只需要保证篡改后的量测为：
z_a = z + a, 且 a = Hc
可以直观验证：把z_a代入WLS，估计结果变成x̂ + c；而残差变成 z_a − H(x̂ + c) = (z + Hc) − H(x̂ + c) = z − Hx̂ = r。残差和原始残差完全一致，标准化残差自然也不变，LNR检测器完全失效。
这个证明的重要性在于它揭示了不可观测攻击的本质条件："攻击向量必须处于H的列空间中"。用人话说，攻击者注入的伪数据必须与该网络拓扑下的物理方程"天然兼容"，就像往一套完整的电量平衡方程里同时加一笔源和加一笔荷，网络看起来依然守恒。只要这一点成立，传统残差检测无论阈值怎么调都拦不住。
2.3 稀疏化：攻击只需要破坏少数量测
现实中攻击者不能随便改所有表计，更关心"最少篡改多少量测就能实现目标"。这是经典的稀疏攻击构造问题：给定目标状态偏移c，选择尽量少的量测行，使得攻击向量a = Hc中除这些行外全部为零。直接求解是组合优化问题，工程上常用贪心算法逼近：
def select_sparse_target(H, c, budget): # a = H @ c，初始攻击向量在全量测上非零 a_current = H @ c remaining = set(range(H.shape[0])) selected = set() while len(selected) < budget: # 评估剔除每个量测后残差的影响，优先保留影响最大的行 scores = [] for i in remaining: a_candidate = a_current.copy() a_candidate[i] = 0.0 # 归一化残差丢失量越小，说明该量测越可放弃 scores.append((评估函数(a_candidate), i)) drop = min(scores)[1] remaining.remove(drop) return selected按我的复现结果，在14节点算例中实现一次有意义的相角偏移（比如让某枢纽母线相角偏差超过0.05 rad），完整攻击需要改动约三分之一量测；但如果配合一定的状态偏移结构，用贪心方法可以把需要篡改的量测压缩到总冗余度的10%左右。这也直接决定了对策设计的核心问题——攻击者并不需要控制全网络，只需要打穿几个关键节点。
3. 交流潮流模型：非线性让攻击构造从"代数题"变成"数值题"
3.1 非线性量测函数带来的三个新麻烦
实际电网中无功、电压和线路损耗不可忽略，必须用完整交流模型。量测函数变成：
P_i = V_i Σ V_j (G_ij cos θ_ij + B_ij sin θ_ij) Q_i = V_i Σ V_j (G_ij sin θ_ij − B_ij cos θ_ij)
状态估计不再有闭式解，WLS通过牛顿法迭代求解，每一步线性化得到增广方程。对于攻击构造，三个新麻烦随之出现：
第一，攻击向量与状态偏移之间不再是简单的线性映射。要构造不可观测攻击，需要求a = h(x̂ + c) − h(x̂)，这是个非线性方程组，必须用数值方法求解。第二，有功和无功不再解耦，篡改有功量测可能影响电压幅值估计，攻击者需要同时管理更宽的攻击面。第三，牛顿法的收敛性对初值敏感，求解大规模系统时容易发散，攻击构造本身变成一项计算任务。
3.2 精确攻击、近似攻击与模型偏差的博弈
如果攻击者拥有完整精确的模型（拓扑、参数、实时负荷），交流模型下依然可以构造严格不可观测攻击：知道当前状态x̂后，选定目标偏移c，直接计算h(x̂ + c) − h(x̂)作为量测篡改向量。我的实验显示这种完全知识攻击在18节点算例中的检测率也只有个位数百分比。
但真实场景更多是"近似攻击"：攻击者用直流模型假设来构造伪数据，注入到交流状态估计器中。这种情况下残留的模型偏差会被检测器捕捉一部分，检测率会上升到20%~50%，与攻击者的模型误差大小强相关。我在仿真中设定线路参数存在±10%偏差、负荷估计存在±5%误差时，近似攻击被检出的概率从DC完美模型的约2%上升到了35%以上。这说明了一个非常重要的结论：攻击者的知识完备度，是决定攻防对抗方向的最关键参数；防御方降低攻击者可获得的模型精度，本身就是有效防御手段。
3.3 拓扑攻击：把"线还在"说成"线断了"
交流模型下还有一种值得单独说的攻击变形——拓扑攻击。攻击者注入一组伪量测，让状态估计器与拓扑处理器误判某条线路处于停运状态。由于交流量测对拓扑非常敏感，这类攻击可能直接导致安全校核结果错误，让调度员在错误的网络图景下做决策。
拓扑攻击的实现比数值攻击更隐蔽：它不需要精确知道目标状态偏移，只需要让量测残差在"移除某条线路的替代模型中"显著变好。我在实验中观察到，针对两节点间重载线路的拓扑攻击，即使量测冗余度较高，检测器也经常把伪拓扑当成真实拓扑来接受，因为统计学上两者的模型拟合程度几乎相同。这类"信息物理耦合"的攻击，已经不是单纯改数据，而是在攻击人对电网运行态势的认知基础。
4. 复现实验的完整链路：从14节点小算例到118节点大算例
4.1 仿真环境与数据准备
我在Python环境里搭了一套状态估计与攻击仿真框架，核心组件包括：标准测试算例读取模块、直流/交流潮流求解、WLS估计器（两种模型）、LNR坏数据检测、攻击构造器（DC精确、AC精确、DC近似三类）以及后处理统计模块。测试对象选了三组标准算例：14节点小系统、30节点中系统、118节点大系统，量测冗余度分别约为2.0倍、2.5倍和3.2倍，噪声标准差统一设为0.01 p.u.。
这套框架的搭建有个容易被低估的细节——量测配置。直接从潮流结果里取"所有母线注入与所有线路潮流"是理想情况，真实系统往往有缺失。我在实验中增加了3%~5%的随机量测缺失场景，结果发现攻击检测率在缺失较多时反而下降：冗余度降低让LNR的统计特性变差，攻击者钻空子的空间更大。
4.2 攻击场景与评估指标
我设计了四类攻击场景，用于对照不同条件下的表现：
场景一，随机状态偏移攻击：随机生成目标状态偏移，构造精确攻击，观察检测率；场景二，关键线路潮流偏移攻击：故意让某条重载线路的潮流估计值降低30%，模拟瞒报过载；场景三，稀疏攻击：用贪心算法限制最多篡改5个或10个量测；场景四，近似攻击：攻击者用直流模型假设构造a，注入交流估计器，模拟模型失配。
评估指标选四类：攻击成功率（检测器未报警的比例）、最大状态估计偏差、调度目标偏移（用最优潮流对比正常态与攻击态下的发电成本偏差）、以及检测器的ROC曲线与漏检率。单一指标评价会非常误导，比如只看检测率不看误警率，或只看状态偏差不看过载风险，都容易得出偏乐观偏保守的错误结论。
4.3 典型结果与横向对照
下表是我复现实验中的一组代表性结果（各算例均值，蒙特卡洛1000次）：
| 攻击场景 | 状态估计模型 | 需要篡改量测数 | 检测率 | 最大状态偏移 |
|---|---|---|---|---|
| 随机偏移+DCAttack | 直流模型 | 全量测28/42 | ~2% | 相角偏差 0.12 rad |
| 关键线路瞒报+DC | 直流模型 | 9/42 | ~3% | 目标线路潮流−30% |
| 稀疏攻击+DC | 直流模型 | 5/42 | ~8% | 相角偏差 0.04 rad |
| DC近似攻击 | 交流模型 | 14/68 | ~38% | 电压偏差 0.02 p.u. |
| AC精确攻击 | 交流模型 | 全量测68/68 | ~9% | 电压偏差 0.03 p.u. |
几个值得注意的规律：直流模型下的完全知识攻击接近绝对隐身；改用交流模型后，精确攻击的检测率依然不高，但近似攻击由于模型失配会暴露；稀疏攻击为了省量测，可观测性会打折扣，检测率略有上升。经济影响方面，关键线路瞒报场景让最优潮流计算的发电成本偏差扩大约4%，调度方案几乎必然改变——攻击的实质危害不是错了一个数，而是让调度员在一张错误的网架图上做决策。
4.4 蒙特卡洛评估的工程细节
做评估时有个容易忽略的工程问题：每次攻击构造都可能导致估计器收敛到不同局部最优解，单次结果波动很大。我的做法是固定随机种子、对每个场景跑1000次蒙特卡洛，并同时记录"检测器是否报警"和"估计结果是否落入目标偏移区间"两个布尔量。这里特别推荐把攻击与检测的对抗过程封装成独立函数，输入输出都统一为量测向量，这样后续换防御算法时可以直接替换模块，不用重写整个框架。
5. 对策思路：单纯加密不够，需要信息与物理分层设防
5.1 第一层：保护关键量测，让攻击者"凑不齐"攻击向量
既然不可观测攻击要求攻击向量落在H的列空间，防御的第一直觉就是让攻击者无法同时篡改构成该攻击所需的全部量测。问题转化为：在有限的保护预算下，选择哪些量测加密（或改用更安全的通信通道），使得任何不超过p个量测的稀疏攻击都无法构造成功。这本质上是图论中的组合覆盖问题，可以用最大冗余集的概念求解。14节点算例中，如果给约四分之一的关键母线注入量测穿上"防篡改外衣"，三量测以内的稀疏攻击成功率会骤降到10%以下。
5.2 第二层：引入同步相量量测，改变检测的统计地基
PMU量测与传统SCADA最本质的差别在于带有精确时标，量测之间有时间一致性；攻击者要伪造PMU数据，必须同时欺骗GPS授时和量测值本身，难度陡增。把PMU数据纳入状态估计后，冗余度上升，更重要的是引入了一类"攻击者难以同时伪造"的独立信息源。实际部署中不必全网铺满，只在高风险枢纽母线附近布置少量PMU，就能显著压缩不可观测攻击的可选子空间。
5.3 第三层：改用抗差估计器，用算法鲁棒性兜底
LNR检测器的前提是坏数据是稀疏且独立的。当攻击者协同篡改多个量测时，可能出现"屏蔽"现象——脏数据把干净数据也拖下水。改用最小绝对值估计（LAV）或稳健M估计，用1范数替代2范数，对离群点的耐受性会好很多。代价是计算量变大，在118节点算例上每次估计时间从几十毫秒升到几百毫秒，但换来的是对多坏数据场景的结构性免疫。我个人的建议是：不要试图用单个算法解决所有问题，WLS检测加抗差估计兜底、再加PMU校验，三种机制配合才是"层防御"的真正含义。
5.4 数据驱动的检测方法：要小心对抗环境下的可靠性
机器学习与图神经网络近年也被引入FDIA检测，思路是把量测的历史时空相关性作为特征，识别偏离正常模式的"不自然"数据流。这种方法在固定攻击策略下表现亮眼，检测率可以达到95%以上。但它有个对抗学习的根本问题：攻击者只要知道检测器的训练方式，就可以在攻击构造过程中加入规避项，把伪数据"微调"到能骗过分类器的形态。我的实验里，对已部署图网络模型的场景做了一轮自适应攻击模拟，检测率直接跌到40%左右。数据驱动方法必须配合物理先验约束与持续重训机制，直接部署到生产环境风险较大。
各层防御的取舍可以简单对照如下：
| 防御手段 | 原理 | 优势 | 主要成本 |
|---|---|---|---|
| 关键量测保护 | 切断攻击向量可达集 | 物理本质抑制攻击 | 通信与加密改造 |
| PMU融合 | 引入独立时间域信息 | 大幅压缩攻击子空间 | 硬件部署成本 |
| 抗差估计（LAV） | 降低离群点影响 | 应对多坏数据屏蔽 | 计算量上升 |
| 数据驱动检测 | 学习时空统计特征 | 对已知攻击检测率高 | 对抗适应性弱 |
6. 复现与研究中最容易翻车的四个细节
6.1 用直流模型的安全结论直接外推到交流系统
这是最危险的误区。直流模型下攻击构造是线性代数闭式解，结论干净漂亮；一旦进入交流模型，非线性耦合、收敛性、量测函数形态都会改变攻防的量化结果。我在初期的教训是：先用DC模型理解原理没问题，但任何"不可检测、必然成功"的强结论，必须回到AC场景重新验证，否则很容易在答辩环节被一句话问住。
6.2 自动假设攻击者全知全能
学术论文为了论证安全边界，常假设攻击者拥有完美模型与全部量测权限。这在理论上是上界分析，但实际评估中要分层考虑：攻击者可能只有局部拓扑参数，可能对真实负荷估计有偏差，甚至只能篡改特定变电站的量测。攻防结论必须标注攻击者知识假设，否则做出来的防御系统可能只对"纸面上的最强敌人"有效，对真实的"有限能力敌人"反而过度防御，成本浪费。
6.3 只盯着LNR，忽略其他统计量
不少复现实验只报告LNR是否超标，但真实状态估计器的坏数据检测还包括目标函数J的χ²检验。我在实验中观察到，某些近似攻击虽然LNR不报，但J值变化明显，两者结合可以将检测率提升10个百分点以上。评估检测算法时，最好同时输出误警率与漏检率的ROC曲线，而不是只给一个"是否检出"的布尔值。
6.4 用单断面结论代表系统整体表现
电网的负荷水平随日夜和季节大幅波动，一条线路在轻载时的量测方程特征与重载时完全不同。只在单个运行点验证攻击与防御，结论的泛化能力非常有限。我后来把实验扩展到了多负荷断面（轻载、基荷、重载、峰荷四类），并在每个断面分别跑蒙特卡洛，发现某些在基荷断面"隐身"的攻击，在重载断面会因为量测饱和与无功分布变化而暴露。评估框架从一开始就应当按断面分层设计，而不是事后补测。
6.5 值得继续深挖的三个方向
就个人观察，这个领域还能往下走的点有三个：一是受限知识攻击者的在线构造，攻击者不知道精确参数时如何用历史量测反推H矩阵，这会直接改变防御方的模型失配红利；二是把FDIA与经济调度、电力市场结算联动评估，单纯看状态偏差讲不清楚实际损失，算到电价与发电成本上才有决策说服力；三是信息物理协同仿真，把通信网络时延、丢包与电力系统动态过程放在同一个平台里模拟，毕竟真实攻击不会只停留在量测篡改这一层。
最后再分享一个实操层面的小技巧：构造攻击向量时，先把目标偏移量归一化到合理量级，避免 h(x̂ + c) − h(x̂) 因为状态偏移过大导致交流迭代发散；另外所有实验固定随机种子，不同算法要在同一批噪声样本上比较，否则指标差异里混入了随机性，结论很难说服人。我自己踩过几次坑之后，现在所有攻防对比实验都是先固化样本库，再在样本库上跑不同方法，这样报告里的每个百分点都能站得住。
