Securing FACTS-Based Wide Area Damping Controllers Using Modified Conditional Generative Adversarial Networks
Notice bibliographique
Résumé
The performance of wide-area damping controllers (WADCs) heavily depends on the accuracy and authenticity of the measurements received from phasor measurement units (PMUs). These controllers receive PMU data and send the control commands back to grid actuators, e.g., flexible AC transmission systems (FACTS) devices. The use of cyber systems required for transferring PMU measurements, however, makes the controller and entire power system prone to a variety of cyber attacks, e.g., false data injection attacks (FDIAs). On this basis, this paper (i) proposes an FDIA model against FACTS-based WADCs and (ii) develops detection and mitigation methods for the proposed attacks. First, FDIAs are designed to destabilize the system, considering realistic limitations on the power grids. Then, a modified conditional generative adversarial network (MCGAN) is utilized for the detection and mitigation of these FDIAs. To detect this attack, a detector is developed from the discriminator of MCGAN, using the fine-tuning technique. The use of this proposed method enhances detection performance in imbalanced datasets and effectively identifies unseen high-risk attacks. Following the detection, a mitigation method is implemented based on the coordination of a graph-based interpolation and the tuned generator of the developed MCGAN. This method effectively mitigates the impact of the FDIAs on the FACTS-based WADCs. The effectiveness of the attack model, as well as the detection and mitigation methods, is assessed using the two-area Kundur and New England 39-Bus test 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 ».