The synchrophasor data recorded by Phasor Measurement Units (PMUs) plays an increasingly critical role in the regulation and situational awareness of power systems. However, the widely installed PMUs are vulnerable to multiple malicious attacks from cyber hackers during data transmission and storage. To address this problem, a Modified Ensemble Empirical Mode Decomposition (MEEMD) is proposed first to extract the intrinsic mode functions of each Synchrophasor Data Attacks (SDA). The frequency-based adaptive screening criterion embedded in MEEMD is used to eliminate the false intrinsic mode functions. Next, a Multivariate Convolutional Neural Network (MCNN) is proposed to identify multiple SDA by utilizing the extracted intrinsic mode functions and original SDA as input vectors. A fusion block as the main structure of MCNN is also leveraged to increase the diversity of features and compress the model parameters. Integrating MEEMD and MCNN, a framework with automatic feature extraction and multi-source information fusion capability, referred to as Feature Interactive Network (FIN), is proposed to detect multiple SDA. Based on the proposed FIN framework, six types of SDA are explored for the first time using actual synchrophasor data in FNET/Grideye that was collected from different locations in the U.S. Eastern Interconnection. Finally, a large quantity of experiments with different attack strengths are used to evaluate the adaptability and classification performance of the proposed FIN.

中文翻译：

---

基于特征交互网络的同步相量虚假数据注入攻击检测

相量测量单元（PMU）记录的同步相量数据在电力系统的调节和态势感知中起着越来越重要的作用。但是，安装广泛的PMU在数据传输和存储期间容易受到网络黑客的多种恶意攻击。为了解决这个问题，首先提出了一种改进的集合经验模式分解（MEEMD）以提取每个同步相量数据攻击（SDA）的固有模式函数。嵌入MEEMD中的基于频率的自适应筛选标准用于消除错误的固有模式函数。接下来，提出了一种多变量卷积神经网络（MCNN），以利用提取的固有模式函数和原始SDA作为输入向量来识别多个SDA。融合块作为MCNN的主要结构也被利用来增加特征的多样性并压缩模型参数。提出了将MEEMD和MCNN集成在一起的具有自动特征提取和多源信息融合功能的框架，称为特征交互网络（FIN），以检测多个SDA。基于提议的FIN框架，首次使用FNET / Grideye中实际的同步相量数据（从美国东部互连的不同位置收集的数据）探索了六种SDA。最后，使用具有不同攻击强度的大量实验来评估所提出的FIN的适应性和分类性能。提出了一种具有自动特征提取和多源信息融合能力的框架，称为特征交互网络（FIN），以检测多个SDA。基于提议的FIN框架，首次使用FNET / Grideye中实际的同步相量数据（从美国东部互连的不同位置收集的数据）探索了六种SDA。最后，使用具有不同攻击强度的大量实验来评估所提出的FIN的适应性和分类性能。提出了一种具有自动特征提取和多源信息融合能力的框架，称为特征交互网络（FIN），以检测多个SDA。基于提议的FIN框架，首次使用FNET / Grideye中实际的同步相量数据（从美国东部互连的不同位置收集的数据）探索了六种SDA。最后，使用具有不同攻击强度的大量实验来评估所提出的FIN的适应性和分类性能。首次使用FNET / Grideye中的实际同步相量数据探索了六种SDA类型，这些数据是从美国东部互连的不同位置收集的。最后，使用具有不同攻击强度的大量实验来评估所提出的FIN的适应性和分类性能。首次使用FNET / Grideye中的实际同步相量数据探索了六种SDA类型，这些数据是从美国东部互连的不同位置收集的。最后，使用具有不同攻击强度的大量实验来评估所提出的FIN的适应性和分类性能。