Mitigation of Cyber-Attacks on Wide-Area Under-Frequency Load-Shedding Schemes
Notice bibliographique
Résumé
This paper investigates the problem of cyber-attacks on Wide-Area Under-Frequency Load Shedding (WAUFLS), as these schemes are critical to maintaining power systems stability. First, we perform a detailed analysis on existing WAUFLS schemes and show that an adversary can launch a False Data Injection (FDI) cyberattack by manipulating the frequency measurements or Power Flow Measurements (PFMs), which may lead to system losses, unnecessary shedding of important loads, and system-wide blackout. Second, to address this vulnerability, we propose a novelReliableStates WAUFLS(RSLS) scheme to protect against FDI cyber-attacks. The disturbance calculation and load shedding process in RSLS are based on reliable system states, obtained using a proposed data-classification method on the PFMs that secures the state estimation operation. These reliable states are then used to perform the power flow in order to calculate the power mismatch. The calculated magnitude of disturbance, as well as the obtained system states, are used to decide on the amount and locations of the loadshedding. We validate the effectiveness and accuracy of RSLS by conducting extensive simulation on the IEEE-39 bus New England system using PSCAD/EMTDC. The results confirm the proposed scheme’s capabilities in evaluating system disturbance and performing load-shedding, thus protecting the system during under-frequency conditions, and demonstrate its robustness against FDI attacks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».