False Data Injection Attack Detection and Localization Framework in Power Distribution Systems Using a Novel Ensemble of CNNs and Explainable Artificial Intelligence
Notice bibliographique
Résumé
Cyber-physical power systems are vulnerable to cyber-attacks, especially false data injection attacks (FDIAs). FDIAs against distribution system state estimation (DSSE), which alter state estimation (SE) by changing meter readings, have received researchers’ attention in recent years. A common defense against FDIAs in the literature is the use of labeled data to train classifiers as FDIA detectors. However, this approach's performance can be limited by the highly imbalanced nature of FDIA datasets. The black box characteristics of the machine learning models can make them hard to trust and adopt in important applications. Hence, we propose an innovative explainable artificial intelligence (XAI)-enhanced ensemble-based detection and localization model that leverages convolutional neural networks (CNNs) and support vector machine (SVM). The ensemble model uses SVM to merge various spatiotemporal CNNs’ outputs. Training these CNNs on under-sampled subsets of the majority class and using their ensemble addresses class imbalance. This paper leverages XAI to enhance the interpretability of the detection process and improve localization accuracy. The localization process uses the outputs of an XAI technique, gradient-weighted class activation mapping, to aid the majority-voting-based localization ensemble model. Our model can also detect FDIAs during the distribution feeder's topology changes. Extensive simulations on IEEE 13-bus and IEEE 123-bus feeders prove the proposed under-sampling-based detection approach as an alternative to prevalent over-sampling methods like generative adversarial networks (GANs), offering a novel solution to class imbalance challenges. The paper also provides a comprehensive analysis of the proposed spatiotemporal model's performance, demonstrating its superiority over temporal CNNs.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».