Detection and Localization of Stealth False Data Injection Attacks in Active Power Distribution Systems Using an Ensemble of Deep CNNs
Notice bibliographique
Résumé
Cyber-physical power systems” reliance on cyberspace makes them vulnerable to cyber-attacks, particularly false data injection attacks (FDIAs), where the aim is to alter the state estimation (SE) results by changing meters” readings. Because of distribution systems” properties such as the lower measurement redundancy and varying loads, existing methods cannot be used to accurately detect and localize an FDIA. To fill these gaps and to deal with the rarity of FDIAs in distribution systems, we propose an ensemble of deep convolutional neural networks (CNNs) to detect and localize FDIAs in active balance, and unbalanced distribution systems. To this end, first, a dataset is created using different attacking scenarios and the possible reconfigurations and renewable generation scenarios in the system. The records are in the form of WLS-generated voltage estimation of PQ buses with different balancing ratios between attacked and normal records. Then, these datasets are used to train different CNNs. These CNNs' outputs are merged using a multilayer perceptron network. Finally, FDIA is detected and localized by the proposed ensemble model in a balanced and unbalanced power distribution system. Results of simulations on IEEE 33-bus and the modified IEEE 13-bus networks verify that the ensemble model can distinguish between normal and attacked records with great accuracy according to the area under the curve (AUC) criteria, thus giving the operators a powerful tool to defend against FDIAs.
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 ».