电池储能系统（BESS）在电力调节和负荷平衡中发挥着关键作用。然而，其核心运行参数——荷电状态（SOC），极易受到恶意网络攻击的影响。为了探索并网BESS面临的潜在安全威胁，本文提出了一种基于强化学习的无模型缩放攻击方法。攻击智能体通过与并网环境交互来生成经验数据，并对SOC估计发起针对性攻击。采用深度确定性策略梯度（DDPG）算法通过学习最优缩放因子来优化攻击策略。这些因子被注入系统的测量向量中，以最大化SOC估计偏差，同时保持不被传统的坏数据检测（BDD）机制发现。与传统的虚假数据注入攻击（FDIA）不同，所提出的方法不需要掌握电力系统拓扑的全知信息，也不需要通过在状态向量中精心构造偏置来刻意构建隐蔽攻击向量，从而降低了对特定系统信息的依赖。在集成BESS的IEEE 14节点和IEEE 57节点测试系统上进行的仿真实验验证了该方法的隐蔽性和有效性。结果表明，训练后的智能体成功绕过了BDD机制，同时分别诱导产生9.91%和10.60%的平均SOC估计误差，这显著高于……下的情况。

引言

随着能源系统的持续转型以及可再生能源的大规模整合，Battery Energy Storage Systems (BESS) 已成为一种关键的储能技术[1]，[2]，[3]。BESS不仅能够缓解能源供需波动，还能增强电网的可靠性和稳定性[4]，[5]，[6]，[7]。然而，随着BESS部署的扩大及其与电网融合的深化，安全威胁日益凸显。State of Charge (SOC)作为评估BESS运行状态的关键参数，无法直接测量，必须基于外部电池参数进行估算[8]，[9]，[10]，[11]。在并网场景下，BESS依赖通信网络与电网交换测量数据和状态信息，这使其容易受到False Data Injection Attacks (FDIAs)、Man-in-the-Middle (MITM)攻击以及Distributed Denial-of-Service (DDoS)攻击等网络攻击的影响[12]，[13]，[14]。
在这些威胁中，FDIAs因其隐蔽性和破坏潜力而被认为尤为严重。通过操纵测量数据，FDIAs可以扭曲SOC估计并危及BESS的安全稳定运行。最初，FDIAs主要针对Power System State Estimation（PSSE），通过篡改远程终端测量值来干扰PSSE结果，从而影响电力系统的调度和控制决策。Liu等人[15]首次引入了FDIAs的概念，分析了它们的构建原理，并提出了攻击者生成攻击向量的方法。由于FDIAs能够使攻击前后的测量残差保持不变，因此可以绕过传统的基于测量残差的Bad Data Detection（BDD）机制。在BESS中，攻击者可以将虚假数据注入传感器或通信网络，以故意增加或减少SOC估计，在获取经济利益的同时损害BESS的安全性[16]，[17]。随着BESS广泛接入电网，研究人员提出了一系列新的PSSE方法，将BESS测量数据纳入估计过程[18]，[19]。在并网模式下，BESS参与PSSE，使其测量数据对系统稳定性至关重要。如果BESS测量数据被非法操纵，传统的BDD机制通常能够检测并消除此类异常。为了规避这一点，Zhuang等人[20]提出了一种专门针对...的FDIA构建方法。
尽管取得了这些进展，但针对并网BESS中SOC估计的网络攻击研究仍然有限。为了成功实施FDIA，攻击者通常需要掌握并网BESS网络拓扑结构的全面知识。通过在系统状态向量中引入偏差，攻击者可以推导出隐蔽的攻击向量，从而增加了攻击的难度和成本[21]，[22]。为了应对这一挑战，本文提出了一种基于强化学习的数据驱动缩放攻击方法。通过训练一个攻击智能体，该方法确定最佳缩放因子以直接操纵系统测量向量，从而影响并网BESS中的SOC估计，同时规避电力系统的BDD机制。这种攻击方法显著降低了对电网拓扑信息的依赖，增强了其可行性。本文的主要贡献如下：
(i) 提出了一种新型的无模型且基于强化学习的缩放攻击方法。通过利用从与电网连接的环境中交互获取的经验数据，训练一个攻击智能体对并网BESS中的SOC估计执行有效且隐蔽的攻击。
(ii) 所提出的方法是数据驱动的，不需要电网拓扑结构的完整知识，从而减少了对电力系统模型的依赖，并提高了攻击实施的可行性。

上一篇：中国电动汽车与储能系统中LiFePO 4ROADHAWK蓄电池激增驱动的磷流动变化：过去与未来展望
下一篇：TiO 2 /NiO/ZnO核壳异质结构在混合路鹰蓄电池-超级电容器应用中增强的能量存储性能