Sustainable Wind Energy Security: Assessing the Impact of False Data Injection on Wind Turbine Performance
Notice bibliographique
Résumé
As the global transition to sustainable energy accelerates, wind power remains pivotal in reducing carbon emissions and achieving renewable energy targets. However, greater reliance on wind energy systems increases susceptibility to cyberattacks, notably False Data Injection (FDI) attacks, which manipulate operational data and undermine the decision-making critical for efficient energy production. This study introduces a novel analytical framework to assess the impact of FDI attacks on variable-speed wind turbine output power. Simulations, conducted using a MATLAB-based induction generator model, evaluate the effects of injecting false data into parameters such as wind speed, blade pitch angle, and generator angular speed. Results demonstrate that FDI attacks targeting wind speed induce significant power output deviations, causing decision-making errors that threaten operational reliability. In contrast, pitch angle manipulations have negligible effects on power generation. These findings emphasize the urgent need for robust cybersecurity measures to protect wind energy infrastructure from evolving cyber-threats. This research advocates advanced detection and mitigation strategies to enhance system resilience, ensuring wind power’s role in a low-carbon future. By identifying critical vulnerabilities, the analysis informs policymakers and industry stakeholders, guiding investments in cybersecurity to safeguard renewable energy systems. Such efforts are essential to maintain operational stability and support global sustainability goals, reinforcing wind power’s contribution to clean energy transitions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».