电力数据开放共享是支撑电力市场透明运行和能源数字化治理的重要基础，但公开渠道中大量低敏感数据经过多源汇聚与关联分析后，可能间接推断出部分线路参数、潮流信息、拓扑结构等非公开的电力敏感信息，引发电力数据隐性泄露风险。针对上述问题，团队围绕电力数据隐性泄露威胁，形成了覆盖“威胁定义—威胁评估—威胁防护”的研究体系。
在威胁定义方面，团队首次提出推断型数据泄露威胁范式，指出数据泄露不再仅表现为攻击者直接入侵系统、窃取敏感数据，也可能表现为攻击者利用公开数据、业务逻辑和专业知识间接推断敏感数据。相比窃取型泄露，推断型泄露不需要直接接触高安全等级数据，过程更隐蔽，也更容易绕过访问控制、加密传输和边界防护等传统安全机制[1]。进一步，团队从人工智能时代的数据安全变化出发，指出大模型、多模态学习等技术正在削弱传统数据保护所依赖的数据安全壁垒，使低敏感数据组合推断高敏感信息的风险显著上升[2]。
在威胁评估方面，团队分别针对线路参数、线路潮流和拓扑结构三类典型敏感电力数据，研究其在公开数据关联条件下的隐性泄露风险。针对线路参数，团队分析公开节点边际电价、阻塞分量、影子价格和电网拓扑之间的物理约束关系，建立以线路导纳为未知量的线性反推模型，揭示公开电价数据与线路参数之间存在可计算的反向映射关系，并推导不同拓扑条件下达到最大推断威胁所需的最少电价数据量，在IEEE系统上，对线路导纳的推断准确率达到92%以上[3]。针对线路潮流，团队提出数据-机理双驱动的潮流推断方法，将电力系统运行约束嵌入深度图学习模型，验证了多源低敏感数据协同使用对潮流推断精度和泄露风险的放大作用[4]。针对拓扑结构问题，团队构建公开数据-拓扑关联路径，利用电价、线路阻塞和有限节点位置等信息推断完整电网拓扑，说明公开数据关联分析可能导致高敏感拓扑结构泄露。
在威胁防护方面，团队形成了“先评估、再防护”的技术路线。首先，面向推断泄露导致的风险传播问题，提出基于推断图神经网络的敏感度评估方法IGNN，将电力数据字段建模为节点，将物理规律和统计相关性建模为推断边，定量识别最容易引发敏感信息泄露的高风险数据，其识别出的高敏感数据可导致最高91.45%的推断准确率[5]。进一步针对识别出的高风险公开数据，提出基于生成式噪声的跨域推断防护方法DE-VAE，通过对电价等关键公开数据进行加噪扰动，削弱攻击者对负荷和拓扑等敏感信息的推断能力，该方法使敏感负荷数据保护覆盖率达到85.52%，较已有最优方法提升超过45%，同时保持加噪前后数据高度相似，尽量保持数据可用性[6]。
该系列成果形成的专刊报告与政策建议，已被中央办公厅、中央网信办、国家能源局等部门采纳并刊发，获陕西省委和国网公司主要领导批示。国家已发布《能源行业数据安全管理办法（试行）》，明确要求“强化对公开渠道数据汇聚、关联后可能引发能源行业数据安全风险的监测能力”。上述应用和监管要求表明，电力数据隐性泄露风险已引发国家关注，成为能源行业数据安全领域亟待解决的重要问题。
代表性论文：
[1] 刘烃, 王子骏, 刘杨, 周亚东, 吴江, 鲍远义, 吴桐, 管晓宏. 数据推断: 信息物理融合系统数据泄露威胁范式和防御方法[J]. 中国科学: 信息科学, 2023, 53(11): 2152-2179.
[2] Z Wang, T Liu, Y Liu, E Zio, X Guan. Data Inference: Data Security Threats in the AI Era[J]. Engineering, 2025, 52: 29-33.
[3] Z Wang, Y Liu, N Yu, Q Wu, J Wu, Y Zhou, T Liu. Data Inference From Publicly Available Data: Threats and Defense Methods in Power Systems[J]. IEEE Transactions on Power Systems, 2024, 40(1): 1049-1059.
[4] 吴桐, 冯江琳, 杨雨洁, 王子骏, 刘杨, 刘烃, 管晓宏. 基于数据-机理双驱动的电网潮流信息推断与防御方法[J/OL]. 中国电机工程学报, 1-13[2026-06-30].
[5] B Hu, R Nie, Y Zhou, S He, Y Yang, Y Liu, T Liu, X Guan. IGNN: An Inference Graph Neural Network for Data Sensitivity Assessment Considering Data Inference Leakage in Cyber-Physical Power Grid[J]. IEEE Transactions on Smart Grid, 2026.
[6] B Hu, Y Zhou, Y Zhou, J Wu, T Liu, X Guan. Data Protection Method Against Cross-Domain Inference Threat in Cyber–Physical Power Grid[J]. IEEE Transactions on Smart Grid, 2024, 15(4): 4170-4181.