Electric Vehicle-Based Load-Altering Attacks and Their Impacts on Power Grids Operations
Notice bibliographique
Résumé
Broad deployment of electric vehicles (EVs) in power grids necessitates the integration of information and communication technologies (ICTs) into the cyber layers of EV ecosystems. However, such integration makes the power grid prone to cyberattacks originating from these ecosystems. This article investigates potential vulnerabilities in the physical and cyber layers that adversaries can exploit to impact the operation of power grids. Several threat models are developed to introduce EV-based load-altering attacks (EV-LAAs) and observe the impact of such attacks on the operation of the two-area Kundur benchmark. To cope with EV-LAAs, model-based and data-driven approaches can be suggested. In data-driven approaches, adequate data are obtained from smart meters and equipment in power grids to train machine learning models to distinguish between healthy and under-attack scenarios. In model-based approaches, estimators and observers are usually developed based on accurate models of understudied systems to estimate attack vectors. The accuracy of the proposed detection methods is not precisely 100%, and several attacks may not be identified due to overlooking the low-probability attack vectors posed by residential EVs. As such, mitigation techniques, e.g., wide-area damping controllers (WADCs), are suggested to ensure that oscillations are controlled following successful EV-LAAs. Finally, dynamic thermal rating (DTR), as a real-time strategy that uses actual conditions, can be integrated into developed detection methods. After identifying cyberattacks originating from EV ecosystems, the DTR can take preemptive actions, e.g., rerouting power, adjusting line ratings, or disconnecting infected feeders in distribution networks, to mitigate the impact of such 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 | 0,000 |
| 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 ».