⚡ electrical engineering

Reliability-Gated GRU-Based Secure Control of a Nonlinear Floating Offshore Wind Turbine Under False Data Injection Attacks

本文提出了一种基于可靠性门控 GRU 的安全控制框架，该框架能够有效检测非线性漂浮式海上风力机中的虚假数据注入攻击，并补偿受损的传感器测量值，从而在保持平台稳定性的同时，显著提高转子转速和功率调节的精度。

原作者： Nadir Abbas, Li-Ying Hao, Majid Ayoubi

发布于 2026-09-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Nadir Abbas, Li-Ying Hao, Majid Ayoubi

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

海上风电场是极具前景的清洁能源来源之一，能够利用远海强劲且持续的风力。然而，捕捉这些能量的机器非常复杂。漂浮式风力涡轮机并非坐落在坚实的基座上，而是漂浮在随波浪摇摆和倾斜的平台之上。为了保持涡轮机以正确的转速旋转并产生稳定的功率，控制系统完全依赖于来自传感器的持续信息流。这些传感器测量叶片的转速、发电量以及漂浮平台的运动情况。如果控制系统接收到错误的信息，它可能会做出危险的错误决策，就像一名驾驶员试图在仪表盘损坏的情况下通过观察破碎的速度计来驾驶汽车一样。随着这些系统与互联网和数字网络变得更加紧密相连，它们面临着一种新的威胁：网络攻击，即入侵者秘密篡改传感器数据以欺骗机器。

研究人员开发了一种新方法来保护这些漂浮式涡轮机免受此类欺骗。在一项针对漂浮式海上风力涡轮机非线性模型的的研究中，团队创建了一个安全系统，其作用就像是机器感官的一个智能过滤器。该系统使用一种被称为门控循环单元（GRU）的循环神经网络技术，这是一种经过训练的计算机程序，旨在理解风力涡轮机行为的正常模式。通过学习数小时安全、未受干扰的数据，该程序可以根据风速、波浪条件以及涡轮机正在执行的指令，预测在任何给定时刻传感器“应该”呈现的读数。当实际的传感器数据到达时，系统会将其实际值与这一预测值进行对比。如果数值匹配，系统便信任该传感器；如果两者出现显著偏差，系统则会将其标记为可能受到攻击而导致的数据损坏。

这项工作的创新之处不仅在于检测谎言，更在于如何解决问题。简单地用计算机预测值来替换错误的传感器读数是有风险的，因为计算机在预测每一种类型的运动时可能并不同样出色。例如，系统在预测旋转叶片速度方面可能非常准确，但在预测由复杂的波浪相互作用引起的平台细微倾斜方面可能准确度较低。如果系统盲目地将所有传感器数据替换为其自身的预测值，它可能会在预测能力较弱的领域无意中引入新的误差。为了解决这个问题，研究人员引入了一个“可靠性门控”（reliability gate）。这是一个决定在每个特定测量通道中，应给予计算机预测值与原始传感器读数多少权重的机制。如果计算机对特定通道（如转子速度）的预测非常有信心，系统就会倾向于利用预测值来修正数据。如果计算机对某些部分（如平台的运动）不太确定，系统则会保持保守，更多地依赖原始传感器，从而仔细融合这两种来源，以避免情况变得更糟。

研究人员在一个旨在模拟 5 兆瓦漂浮式风力涡轮机的仿真环境中测试了这一框架。他们让系统遭受了一种特定的网络攻击，即“虚假数据注入”，通过人工在转子速度、平台俯仰角和发电量的读数中加入偏差，持续时间为 90 秒。结果显示，该系统在识别攻击方面非常有效，正确标记入侵的准确率达到了 97.27%。更重要的是，该方法成功恢复了受损数据。在传感器层面，该系统将转子速度读数的误差降低了 85.71%，并将发电量读数的误差降低了 86.33%。平台俯仰角的误差也得到了降低，尽管程度较小，为 50.01%，这反映了预测复杂漂浮平台运动的难度更高。

当这些修正后的信号被反馈回涡轮机的控制系统时，机器能够在攻击发生的情况下保持稳定运行。研究发现，与没有防护的涡轮机相比，受保护的涡轮机能使转子速度和发电量更接近其预定目标。具体而言，与没有任何防护措施的场景相比，该方法使转子速度和发电量的误差降低了 26.96%。研究人员还测试了该系统在不同攻击强度下的表现，并加入了随机噪声以模拟现实世界中的信号干扰。该方法表现得十分稳健，在各种条件下都能保持高水平的检测准确度并持续提升控制性能。

该研究的一个关键部分是将这种新型的“可靠性门控”方法与一种更简单的方法进行对比，后者是指无论计算机预测的效果如何，都会直接用计算机预测值完全替换任何受攻击的传感器数据。简单的这种方法在修复转子速度和发电量数据方面做得很好，但会导致平台运动控制的稳定性下降。这证实了研究人员采取选择性策略——即在强项领域信任计算机，在弱项领域减少对计算机的依赖——对于机器整体安全性至关重要。研究结论指出，虽然该方法并非解决所有问题的完美方案（例如无法减轻漂浮平台本身的物理应力），但它提供了一个至关重要的安全层。它使得漂浮式风力涡轮机即使在传感器正遭受积极欺骗的情况下，也能继续安全且高效地运行，确保向清洁能源的转型能够抵御数字威胁带来的挑战。

技术摘要：基于可靠性门控 GRU 的非线性漂浮式海上风力发电机在虚假数据注入攻击下的安全控制

问题陈述
漂浮式海上风力发电机（FOWT）运行在高度耦合的网络物理环境中，其气动、水动力和结构动力学本质上是相互关联的。这些系统高度依赖准确的传感器反馈（如转子转速、平台俯仰角、发电功率）来进行闭环控制，特别是在 II 区（转矩控制）和 III 区（桨距控制）阶段。然而，FOWT 极易受到虚假数据注入（FDI）攻击，攻击者通过篡改传感器读数而非破坏通信或引起明显的硬件故障来实施攻击。此类攻击会导致对风机状态的误判，从而导致运行效率低下、安全隐患或误导性的监督决策。现有的 FOWT 控制策略主要针对物理扰动（湍流、波浪）进行设计，但通常假设传感器数据是准确的，这在应对网络物理传感器攻击的安全控制方面留下了空白。此外，虽然数据驱动方法（如循环神经网络 RNN）可以预测传感器数值，但直接用神经预测值替换受损测量值可能是不安全的，因为不同传感器通道之间的预测精度差异显著（例如，平台运动比转子转速更难预测）。

方法论
本文提出了一种基于可靠性门控 GRU 的安全控制框架，该框架针对基于 NREL 5-MW 参考风机的非线性降阶 FOWT 模型设计。该框架由四个集成组件组成：

基于 GRU 的安全传感器预测： 使用门控循环单元（GRU）网络，在非受攻击的运行数据上进行离线训练。它利用运行输入（如风速、波浪激励特征、控制指令和运行区域指示器）来预测“安全”的传感器向量 ( $\hat{y}_k$ )。网络权重在在线运行期间保持固定，以防止其适应被篡改的数据。
基于残差的攻击检测： 检测器计算接收到的（可能受攻击的）测量值 ( $y^a_k$ ) 与 GRU 预测值之间的残差 ( $\rho_k$ )。随后计算归一化检测指数 ( $D_k$ )；若 $D_k$ 超过基于验证数据得出的阈值，则触发攻击标志 ( $\delta_k$ )。
可靠性门控补偿： 这是核心创新点。该框架并非盲目地将所有受攻击的测量值替换为 GRU 预测值，而是采用了通道级的可靠性门控机制。
- 根据每个传感器通道的验证均方根误差（RMSE）和信号尺度计算可靠性增益 ( $g_i$ )。
- 补偿后的测量值 ( $y^c_k$ ) 是受攻击测量值与 GRU 预测值的加权混合： $y^c_k = (1-\delta_k)y^a_k + \delta_k [(I_m - G)y^a_k + G\hat{y}_k]$ ，其中 $G$ 是对角可靠性矩阵。
- 具有高预测可靠性的通道（如转子转速、功率）获得强力修正，而可靠性较低的通道（如平台俯仰角）则接受保守修正，以避免引入新的误差。
安全反馈控制： 补偿后的向量被送入基准 II/III 控制器。控制器逻辑保持不变，但其运行在经过安全处理的反馈之上，确保即使在受到攻击时也能维持转子转速和功率的调节。

主要贡献

安全传感器验证框架： 作者开发了一个面向控制的安全传感器验证框架，使用了降阶 FOWT 模型。与高保真气动-水动力-伺服-弹性模型（如 OpenFAST）相比，该模型提供了一个清晰的非线性控制环境，用于测试数据驱动的补偿策略。
物理启发式 GRU 预测器与多通道检测器： 开发了一个 GRU 预测器，用于估计发电机转速、平台俯仰、功率、叶片桨距和转矩的无攻击响应。结合基于残差的检测器，该系统能够识别由 FDI 攻击引起的异常传感器偏差。
检测驱动的可靠性门控补偿律： 本文引入了一种补偿策略，避免了不必要的健康信号替换。该门控仅在检测到攻击时激活，并应用通道特定的权重。这平衡了纠正传感器误差与维持闭环安全性之间的权衡，特别是针对具有高预测不确定性的通道（如平台运动）。
- 注：文中报告称，在主要结果中，所提框架的检测准确率为 97.27%，总传感器级 RMSE 降低率为 85.95%，具体的通道级降低率分别为 85.71%（转子转速）、50.01%（平台俯仰）和 86.33%（发电功率）。

结果
模拟实验在 900 秒的时间段内进行，其中 FDI 攻击在 120 至 210 秒之间作用于转子转速、平台俯仰角和发电功率通道。

传感器级性能： 可靠性门控 GRU 补偿实现了 85.95% 的总传感器级 RMSE 降低。具体而言，转子转速误差降低了 85.71%，发电功率降低了 86.33%，平台俯仰角降低了 50.01%。平台俯仰角降低幅度较低归因于波浪激励和非线性耦合导致的平台动力学预测难度较大。
闭环性能： 安全控制器成功维持了稳定运行。与未受保护的受攻击情况相比，转子转速和发电功率的 RMSE 分别降低了 26.96%。检测准确率为 97.27%。平台俯仰响应保持有界，RMSE 变化极小（约 -0.86%），表明保守的门控机制防止了新不稳定性的引入。
鲁棒性： 该框架在九种不同的攻击幅度和噪声水平场景下进行了测试。平均检测准确率仍保持在高水平，为 95.07%，转子转速和功率的平均 RMSE 降低分别为 24.10%，展示了对扰动条件的韧性。
消融研究： 通过与“无门控”策略（即在受到攻击时将所有测量值完全替换为 GRU 预测值）进行对比发现，虽然“无门控”方法对转子转速和功率提供了激进的修正，但由于该通道的预测误差，会导致平台俯仰角出现更大的偏差。可靠性门控方法提供了更平衡且更安全的闭环响应。

意义与主张
本文声称，所提出的可靠性感知学习补偿提供了一种在攻击抑制与预测不确定性之间的实际折衷方案。研究证明，无需重新设计基准控制器即可实现反馈的安全重建。该方法对于增强转子转速和功率调节具有重要意义，同时能避免因过度依赖弱预测通道（特别是平台运动）而导致的控制性能下降。

作者明确指出，该框架是一个传感器恢复及转子转速/功率控制机制，而非平台载荷降低控制器。作者承认存在局限性，指出该模型是降阶表示，尚未在 OpenFAST 等高保真工具或实验平台上进行验证。该工作被定位为迈向安全、辅助学习型 FOWT 运营的基础性步骤，未来的工作计划涵盖高保理模型、执行器侧攻击以及协调的多通道网络攻击。

技术摘要：基于可靠性门控 GRU 的非线性漂浮式海上风力发电机在虚假数据注入攻击下的安全控制

类似论文