Deep Learning Detection and Robust MPC Mitigation for EV-Based Load-Altering Attacks on Wind-Integrated Power Grids
Notice bibliographique
Résumé
Large-scale deployment of electric vehicles (EVs) provides power grid operators with several opportunities, such as bidirectional energy transfers and frequency and voltage ancillary services. To fully realize these advantages, information and communication technologies (ICTs) between EV ecosystems and smart power grids have been developed, making power grids an appealing target for cyber attacks. On this basis, this paper studies the impact of a new family of EV-based load-altering attacks (EV-LAAs) against the subsynchronous control interaction (SSCI) of the wind-integrated power grid. First, the cyber-physical connections between the EV ecosystem and the power grid are discussed in detail to represent a threat model for coordinated EV-LAAs that can excite the SSCI modes of the system. Then, a convolutional neural network (CNN) is trained based on data from phasor measurement units (PMUs) at wind farm substations for detecting this attack, separating it from benign events, e.g., fault or line disconnection, and estimating attack vectors. The developed CNN detection model may neglect a few EV-LAAs due to the huge number of attack vectors with different combinations of amplitudes and frequencies during uncertainties in wind speeds and the number of WTG outages, leading to generating false negatives. As such, a robust model predictive controller (RMPC) is developed as a supplementary solution for mitigation purposes based on linear-matrix inequalities (LMIs). Possible uncertainties in wind speed and wind turbine generator (WTG) outages during different amplitudes of EV-LAAs are investigated when defining these LMIs. The performance of mitigation schemes is evaluated and compared with recent wide-area damping controllers, e.g., the two-degree freedom (2DOF), linear quadratic regulator (LQR), and$H_{\infty }$under the co-simulation of EMTP-RV and MATLAB/Simulink.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».