Dynamic-Line-Rating-Based Robust Corrective Dispatch Against Load Redistribution Attacks With Unknown Objectives
Notice bibliographique
Résumé
Load redistribution (LR) attacks have proven to be hard-detectable and damaging, which require effective corrective schemes to mitigate the impact on power grid operations. Traditional game-theoretic methods and corrective dispatches employing static line rating (SLR) have been studied for attack mitigation based on specific attack objectives but have high dispatch cost and limited performance of attack mitigation. This is because the power transfer capacity of the existing transmission network is underestimated with SLR, and in practical operations, the specific objective of the adversary is not available to the defender, which would introduce uncertainties to the design of corrective schemes. As such, this article incorporates the dynamic line rating (DLR) technology, which enhances the power transfer capability of the existing network, to develop the cost-effective corrective dispatch for mitigating LR attacks with unknown objectives. Specifically, a DLR-based robust corrective (DRC) dispatch model is presented, which guarantees the system security as well as the economic performance. A methodology utilizing the robust counterpart technique and column constraint generation (CCG) algorithm is proposed to solve the dispatch model in a decomposition framework. Case studies based on the IEEE 14- and 118-bus systems verify the performance of the proposed DRC dispatch in enhancing the cyber–physical security of power grids.
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 | 0,001 |
| 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 ».