Event-Triggered Entropy Learning for Encountering of FDI Attack in Grid-Connected Packed E-Cell Inverter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the high penetration of cyber-physical systems, the power electronic interfaces in smart grids (SGs) are threatened by cyber-attacks. False data injection (FDI) attacks are one of the most repetitive cyber threats that can adversely affect the performance of grid-connected multilevel inverters by manipulating the sensor data in the communication links. In particular, this brief focuses on the design of an event-triggering security control mechanism against cyber-attacks in a grid-connected nine-level packed e-cell (PEC9) inverter in two stages. (I) An adaptive detection is designed by incorporating based on high-order extended state observer (HOESO) and entropy learning to predict the system output. (II) An event trigger mechanism is established to block the false data injected into the measurement signals and eliminate it using the feedback controller. By training the capability of deep neural networks (DNNs), the coefficients embedded in the HOESO are designed to obtain an accurate estimation. By constructing a laboratory prototype of the grid-connected PEC9 inverter, experimental examinations under various types of FDI attacks, including manipulating the current signal using pulse and sinusoidal false data are carried out to verify the resilience of the suggested defense mechanism. Experimental outcomes of PEC9 reveal that the suggested scheme can effectively recognize and mitigate the effect of cyber threats, ensuring the security and reliability of power inverters in SG applications.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle