Matlab+Matpower实战：手把手教你生成IEEE14节点FDIA攻击数据集（附完整代码）

从零构建电力系统安全研究基石：基于Matlab与Matpower的FDIA攻击数据集实战指南

如果你刚刚踏入电力系统网络安全研究的大门，面对“虚假数据注入攻击”这个听起来有些晦涩的领域，手头却缺少一份高质量、可复现的仿真数据，那种感觉就像厨师没有食材，巧妇难为无米之炊。许多初学者卡在第一步：如何将一个标准的IEEE测试系统，与动态变化的真实负荷数据结合，并在此基础上模拟出隐蔽而精巧的攻击？今天，我们就来彻底解决这个问题。我将带你一步步，用Matlab和Matpower这两个强大的工具，亲手构建一个专属于你的IEEE 14节点FDIA攻击数据集。这不仅是代码的堆砌，更是对电力系统状态估计、攻击原理和仿真方法的一次深度梳理。无论你是准备开展学术研究，还是进行算法验证，这套完整的方法论和代码模板都将是你坚实的起点。

1. 理解战场：FDIA攻击与电力系统状态估计的攻防本质

在深入代码之前，我们必须先厘清我们所要模拟的“战场”究竟是什么样的。虚假数据注入攻击的目标并非电网的物理设备本身，而是支撑电网运行的“大脑”——能量管理系统中的状态估计模块。

想象一下，电力调度中心需要时刻掌握全网每个节点的电压幅值、相角等信息（即系统状态）。但不可能在所有位置都安装测量装置。因此，中心通过收集来自有限测点的数据（如有功/无功功率注入、线路潮流等），利用电网的物理模型（由基尔霍夫定律等描述），去“估算”出全系统的状态。这个过程就是状态估计。为了保证估算结果的可靠性，系统会引入坏数据检测机制，通常基于测量残差的统计分析，来识别并剔除明显错误的量测数据。

FDIA的精妙与危险之处在于，攻击者并非随机篡改数据。他们深谙状态估计的数学模型。通过构造一个精心设计的攻击向量，使其在数学上满足电网的物理约束，从而让篡改后的“虚假”测量数据能够顺利通过坏数据检测，悄无声息地将一个错误的系统状态“植入”调度中心。这可能导致对电网运行状态的误判，进而引发错误的调度指令，其潜在风险不言而喻。

那么，在仿真中构建FDIA数据集的核心任务就明确了：

1. 建立一个真实的“正常”场景基线：即模拟电网在动态负荷下的正常运行，产生大量“干净”的测量数据。
2. 在部分数据中“注入”符合攻击模型的偏差：按照FDIA的数学原理，生成能够绕过检测的篡改数据。
3. 清晰地区分与标记：明确知道哪些数据是正常的，哪些是被攻击的，为后续的检测算法提供训练和测试的“标准答案”。

理解了这层“攻防”逻辑，我们接下来的每一步操作都将有的放矢。

2. 搭建仿真环境：Matpower与动态数据源的准备

工欲善其事，必先利其器。我们的仿真环境基于两大支柱：提供标准电网模型与核心计算能力的Matpower工具包，以及赋予系统动态生命力的外部负荷数据集。

2.1 Matpower的安装与IEEE 14节点模型

Matpower是一个用Matlab编写的开源潮流计算与优化工具包，在学术界和工业界被广泛使用。它的安装极其简单。

1. 获取Matpower：访问Matpower官网，下载最新版本的压缩包。
2. 安装：将压缩包解压到你选择的目录，例如 C:\Matpower 或 ~/Documents/Matpower。
3. 设置Matlab路径：在Matlab中，通过“主页”->“设置路径”，将Matpower的根目录及其下的子文件夹（特别是 lib）添加到Matlab的搜索路径中。你也可以在脚本开头用代码添加：

   addpath('你的Matpower路径');
   addpath(genpath('你的Matpower路径/lib')); % 添加lib下所有子目录
   

4. 验证安装：在命令窗口运行 test_matpower，如果看到一系列测试通过，说明安装成功。

Matpower自带了一系列标准测试案例，其中就包括我们需要的IEEE 14节点系统。通过一个简单的函数即可加载：

mpc = loadcase('case14');

这行代码会将 case14.m 文件中定义的电网结构、参数加载到一个名为 mpc 的结构体变量中。这个结构体是后续所有操作的基础。

提示：花点时间用 disp(mpc) 或在工作区双击 mpc 变量查看其内部结构。理解 bus、gen、branch 这些字段的含义，对于后续自定义修改模型至关重要。

2.2 导入真实负荷时间序列数据

一个静态的、负荷恒定的电网模型对于研究FDIA是远远不够的。攻击往往隐藏在系统的动态变化之中。因此，我们需要为IEEE 14节点系统中的负荷节点注入随时间波动的功率值。

这里，我们可以引入公开的真实家庭用电数据集，例如“个人家庭用电量数据集”。这个数据集记录了超过200万个时间点的有功、无功功率测量值，虽然源自单个家庭，但其随时间波动的特性非常适合用来模拟电网中聚合负荷的变化行为。

操作步骤如下：

1. 下载数据集：从公开数据仓库（如UCI Machine Learning Repository）找到并下载该数据集。
2. 数据预处理：原始数据可能包含缺失值、时间戳等信息。我们需要将其处理成纯数值矩阵，并提取或计算出我们需要的功率序列。假设我们已经处理得到一个CSV文件 load_profile.csv，其中每一行代表一个时间步，每两列分别代表一个测量点的有功和无功功率（共22列，对应11个负荷点）。
3. 导入Matlab：

   % 假设数据文件在当前工作目录的 'data' 文件夹下
   rawDataset = readmatrix('data/load_profile.csv');
   [num_time_steps, num_columns]