Data-Enabled Modeling and PMU-Based Real-Time Localization of EV-Based Load-Altering Attacks
Notice bibliographique
Résumé
Recently, the integration of electric vehicles (EVs) and their associated electric vehicle supply equipment (EVSE) has increased significantly in smart grids. Due to the cyber vulnerabilities of this EV ecosystem, such integration makes the entire grid prone to cyberattacks, which can result in the outage of generators or even blackouts. On this basis, this paper leverages a data-enabled predictive attack model (DeeP-AM) to design an EV-based dynamic load-altering attack (EV-DLAA) that targets the frequency stability of the grid. Subsequently, a robust localization framework for the developed EV-DLAAs is proposed using power system measurements obtained from phasor measurement units (PMUs). First, frequency measurements in the transmission grid are used to develop an optimal EV-DLAA without having perfect knowledge of the grid’s topology. Such an optimal attack model ensures that the targeted frequency deviation is reached by utilizing the least number of EVs and a minimized time of instability (ToI). Then, a PMU-based real-time localization framework is developed based on the sparse identification of nonlinear dynamics (SINDy) method, which simultaneously estimates the magnitude and location of EV-DLAAs. The equations obtained from the SINDy method are effectively solved using a modified basis pursuit de-noising (MBPDN) approach. This approach enhances the accuracy and robustness of the localization framework, particularly when confronted with noise. The attack implications and the localization performance are evaluated using the New England 39-bus and Australian power systems.
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 ».