A Deep Convolutional Neural Network-Based Approach to Detect False Data Injection Attacks on PV-Integrated Distribution Systems
Notice bibliographique
Résumé
The integration of photovoltaic (PV) panels has allowed power distribution systems (PDSs) to regulate their voltage through the injection/absorption of reactive power. The deployment of information and communication technologies (ICTs), which is required for this scheme, has made the PDS prone to various cyber threats, e.g., false data injection (FDI) attacks. To counter these attacks, this paper proposes a data-driven framework to detect FDI attacks against voltage regulation of PV-integrated PDS. Initially, an attack-free system is modeled along with its voltage regulation scheme, where the grid measurements are sent to a centralized controller and the control signals are transmitted back to PVs to be used by their local controllers. Then, a convolutional neural network (CNN) framework is proposed to detect FDI attacks. To train this framework—which should be able to distinguish between normal grid behaviors and attacks—a complete and realistic dataset is formed to cover all normal conditions and unpredictable changes of a PDS during a year. Since normal variations and fluctuations in power consumption lead to changes in the voltage profile, this dataset is enriched using features such as season, weekdays, weekends, load conditions, and PV generation power. The performance of the trained framework has been compared with other supervised Machine Learning-based and deep-learning techniques for FDI attacks against modified IEEE 33- and 141-bus PDSs. Simulation 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».