Resilient Model Predictive Adaptive Control of Networked Z-Source Inverters Using GMDH
Notice bibliographique
Résumé
Power grids are increasingly evolving into more efficient smart grids thanks to advancements in information technology. However, these intelligent communication-dependant power systems are becoming more susceptible to cyberattacks than their traditional peers. Power inverters are one of the main network connected devices supporting grid stability, which can potentially be targets for cyber-threats. This article presents an attack-resilient model predictive adaptive controller for a class of inverters, called Z-source inverters, to protect them against deception attacks. The proposed control structure includes a model predictive controller equipped with an unknown input Kalman filter and an estimator for system perturbations. The group method of data handling technique is used to estimate system uncertainties and make the system robust against perturbations. The unknown input Kalman filter is also adopted to estimate the states and unknown inputs in the presence of noisy measurements and cyberattacks on the control signal. We mathematically prove that in the presence of noise and perturbations, the proposed controller guarantees the stability of the system under a deception attack, which causes a delay, less than a sampling time, in control signals. Simulation results reveal the effectiveness of the presented controller in protecting the system against pulse, scaling and random attacks in the presence of system uncertainties, source and load fluctuations and output noises.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».