An Adaptive Penalized Weighted Least Squared Approach for Detecting and Mitigating Cyberattacks on Dynamic State Estimation
Notice bibliographique
Résumé
Leveraging measurements from phasor measurement units (PMUs) within wide-area measurement systems (WAMSs) has empowered dynamic state estimation (DSE) to assume a crucial role in power system control and real-time contingency analysis. Yet, the susceptibility of WAMSs and PMUs to exploitation by attackers poses a significant threat. This vulnerability is underscored by the potential impact of false data injection attacks (FDIAs), where malicious data infiltrate DSE, compromising its accuracy and reliability. To address this concern, this article introduces an approach to detect and mitigate cyberattacks on DSE in power systems. The proposed method enhances the extended Kalman filter (EKF), commonly used for DSE, by incorporating a machine learning-based penalized weighted least squared (MLPWLS) approach. This augmentation ensures the accurate assignment of weights to measurements through an optimization process. Higher weight indicates greater trust in measurements, while lower weight signals vulnerability to cyberattacks. Consequently, measurements with lower weights are excluded to mitigate the impacts of cyberattacks. In fact, incorporating machine learning into the classic penalized weighted least square (CPWLS) method enhances its adaptability across a spectrum of operating conditions and in the face of diverse FDIAs. The performance of the proposed approach is evaluated on the IEEE 14-Bus and IEEE 39-Bus test systems under various attack scenarios.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».