KAN-Netzwerk erkennt Cyberangriffe in AGC-Systemen mit 96 % Genauigkeit

Die automatische Regelung der Stromnetze (AGC) ist entscheidend für die Netzstabilität, doch sie bleibt anfällig für heimliche Cyberangriffe wie False‑Data‑Injection‑Attacks (FDIAs). Solche Angriffe können die Stabilität stören, während sie herkömmliche Erkennungsmethoden umgehen.

Im Gegensatz zu bisherigen, oft schwarzen Box‑Ansätzen präsentiert die neue Studie Kolmogorov‑Arnold‑Netzwerke (KAN) als interpretierbare und hochpräzise Lösung zur Erkennung von FDIAs in AGC‑Systemen. KAN‑Modelle berücksichtigen die nichtlinearen Dynamiken des Netzes und ermöglichen die Extraktion symbolischer Gleichungen, was die Nachvollziehbarkeit deutlich verbessert.

Das Netzwerk wird offline trainiert, um die komplexen nichtlinearen Zusammenhänge zwischen den AGC‑Messungen unter verschiedenen Betriebsbedingungen zu erlernen. Nach dem Training lassen sich symbolische Formeln extrahieren, die das Verhalten des Modells beschreiben und die Interpretierbarkeit weiter erhöhen.

Die Ergebnisse zeigen, dass das KAN‑Modell eine Erkennungsrate von bis zu 95,97 % erzielt, während die symbolische Formel nahezu dieselbe Genauigkeit von 95,9 % erreicht – und das bei gleichzeitig niedrigem Fehlalarmsatz. Diese Leistung macht das KAN‑Netzwerk zu einer verlässlichen Methode, um die Cyber‑Sicherheit von AGC‑Systemen nachhaltig zu stärken.