Detection of FDI Attacks on Voltage Regulation of PV-Integrated Distribution Grids Using Machine Learning Methods
Notice bibliographique
Résumé
The integration of photovoltaic (PV) panels in power distribution systems (PDSs) has provided the grid with the capability to regulate voltage through the injection or absorption of reactive power. The deployment of information and communication technologies (ICTs), which is required for this voltage regulation scheme, has made the PDS prone to a variety of cyber attacks, e.g., false data injection (FDI) attacks. To counter these attacks, this paper proposes a data-driven detection framework to identify FDI attacks against voltage regulation of PV-integrated PDS. To regulate the voltage at a desired location, e.g., the point of common coupling (PCC), the voltage measurements are sent to a centralized controller and the calculated control signals are transmitted back to PVs to be added to their internal control schemes. During this transmission of data, an attacker manipulates the measurement data and launches an FDI attack leading to an unacceptable voltage profile and operation of protection systems. To detect these attacks, a machine learning (ML)-based framework based on support vector machine (SVM) is developed in this research. In this regard, a dataset of different operating points, e.g., loading conditions, is collected to train this supervised framework. The performance of the trained framework for attack detection has been compared with other supervised and unsupervised ML-based techniques in the case of FDI attacks against modified IEEE 33-bus PDS. The obtained results demonstrate the superior performance of the proposed framework in detecting 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 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 ».