A neural fictitious self‐play anti‐jamming strategy for secondary frequency control in microgrids with imperfect observations
Notice bibliographique
Résumé
Abstract The microgrid secondary control systems are facing increasing threats of cyberattacks, due to the involvement of wireless communication infrastructures between microgrid control center (MGCC) and distributed generators (DGs). While most existing works focused on either the links from DGs to the MGCC (feedback channels) or the links from the MGCC to DGs (forward channels) under perfect observations, the two wireless links could be attacked simultaneously and are subject to non‐malicious environment perturbations besides cyberattacks. In this work, we propose a decentralized cyber‐defense method for securing the microgrid secondary frequency control against rational jamming attacks in both feedback and forward channels that also face imperfect observations. A multi‐player multi‐stage security game is formulated to model the interactions between attackers and defenders. In the formulated game, vulnerability metrics based on the observability Gramians and controllability Gramians of the microgrid are included in the payoff function to count the impact of cyber‐layer actions on microgrid physical performance. A neural fictitious self‐play (NFSP) anti‐jamming approach is developed for this game, simultaneously considering both cyber‐physical characteristics and imperfect observations. In the proposed approach, a deep Q‐learning network (DQN) and a supervised learning network are jointly built to learn the optimal defense policy under the worst‐case. The NFSP‐based solution is proved to be a Nash equilibrium (NE) based solution. Extensive comparisons are made, and the results verify that the proposed defense policy can effectively defend against rational bi‐directional jamming attacks in the microgrid secondary frequency control.
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 ».