Admittance-Guided Inverter Dispatch Command Manipulation Attack: A Grid Stability-Oriented Approach
作者: Hongwei Zhen, Ze Yu, Xin Xiang, Mingyang Sun, Wuhua Li
分类: eess.SY
发布日期: 2026-05-14
💡 一句话要点
提出基于导纳指导的逆变器调度命令操控攻击以增强电网稳定性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)
关键词: 电网稳定性 逆变器控制 网络攻击 导纳测量 物理信息神经网络 调度命令优化 智能微电网
📋 核心要点
- 现有网络攻击研究通常需要详细的系统信息或频繁的在线交互，导致实际应用中的可行性受限。
- 本文提出了一种导纳指导的框架，通过识别脆弱逆变器和最坏调度命令来增强电网的稳定性。
- 实验结果表明，识别的命令能够在名义调度范围内引发严重的亚同步振荡，显示出该方法的有效性。
📝 摘要（中文）
现代智能微电网中电压源逆变器的高渗透性提升了操作灵活性，但同时引入了复杂的网络物理脆弱性。现有的网络攻击研究通常需要详细的系统拓扑和控制器动态知识，或依赖于重复的在线交互，这可能导致操作上不可行或违反限制的命令。本文研究了一种调度命令操控攻击，开发了一个导纳指导框架，以识别脆弱的逆变器及其最严重降低系统稳定性的最坏调度命令。通过受损逆变器注入受控谐波扰动进行稀疏导纳测量，利用物理信息神经网络重构目标逆变器的操作点依赖导纳，并基于重构的导纳制定稳定性边际优化，定位最脆弱的逆变器及相应的最坏调度命令。实验表明，识别的命令能够在保持名义调度范围内的情况下驱动系统进入严重的亚同步振荡，强调了超越静态限制检查的稳定性意识命令筛选的必要性。
🔬 方法详解
问题定义：本文解决的是在现代智能微电网中，如何有效识别和利用脆弱逆变器进行调度命令操控攻击的问题。现有方法往往依赖于系统拓扑和动态知识，导致实际应用中存在可行性问题。
核心思路：论文提出了一种导纳指导的框架，利用受损逆变器注入谐波扰动进行稀疏导纳测量，从而重构目标逆变器的导纳特性，并通过优化算法识别最脆弱的逆变器及其最坏调度命令。
技术框架：整体流程包括三个主要模块：1) 受损逆变器的谐波扰动注入；2) 物理信息神经网络重构导纳；3) 基于重构导纳的稳定性边际优化。
关键创新：本研究的主要创新在于结合物理信息神经网络与导纳测量，能够在不需要全面系统知识的情况下，识别出最脆弱的逆变器及其最坏调度命令，显著提升了攻击的实用性和有效性。
关键设计：在设计中，采用了稀疏导纳测量技术，损失函数结合了物理模型与神经网络输出，网络结构则基于深度学习框架，确保了导纳重构的准确性和稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，识别的调度命令能够在保持名义调度范围内的情况下，导致系统出现严重的亚同步振荡，验证了该方法的有效性。与传统方法相比，本研究在识别脆弱逆变器和优化调度命令方面表现出显著的提升，增强了电网的稳定性意识。
🎯 应用场景
该研究的潜在应用领域包括智能电网安全防护、逆变器控制策略优化以及电力系统的稳定性分析。通过识别和防范调度命令操控攻击，可以有效提升电网的抗干扰能力，确保电力供应的可靠性与安全性。
📄 摘要（原文）
The high penetration of voltage source converters in modern smart microgrids enhances operational flexibility while introducing complex cyber-physical vulnerabilities. Existing cyber-attack studies either require detailed knowledge of system topology and controller dynamics or depend on repeated online interactions, which may compromise practicality by generating operationally infeasible or limit-violating commands. This article investigates a dispatch command manipulation attack and develops an admittance-guided framework to identify the vulnerable inverter and the worst-case dispatch command that most severely degrades system stability. A compromised inverter is utilized to inject controlled harmonic perturbations for sparse admittance measurement, and a physics-informed neural network is then employed to reconstruct the operating-point-dependent admittance of target inverters over the feasible dispatch region. Based on the reconstructed admittance, a stability-margin-oriented optimization is formulated to locate the most vulnerable inverter and the corresponding worst-case dispatch command. Controller hardware-in-the-loop experiments on a five-inverter microgrid demonstrate that the identified command can drive the system into severe sub-synchronous oscillations while remaining within nominal dispatch bounds, highlighting the need for stability-aware command screening beyond static limit checking.