Adaptive Feasibility Area Estimation to Enhance Cybersecurity of Electrolysis-Based Hydrogen Refueling Stations Integrated With Power Distribution Systems
Notice bibliographique
Résumé
This paper introduces a novel cyberattack-resilient model designed for the optimal operation management of electrolysis-based hydrogen refueling stations (eHRSs) integrated with electric power systems. The optimization model aims to coordinate the scheduling of eHRSs to concurrently support both the transportation sector and the electric power utility. This includes fulfilling the hydrogen demand of electric mobility systems (e-Mobility) and enhancing the resilience of the electric grid by following ancillary service signals issued by the grid operator. Adaptive feasibility areas (FAs) are estimated using the operating parameters of the integrated transportation and power system to identify potential cyberattacks. A framework is developed wherein dispersed eHRSs are managed by an eHRS chain aggregator. The operating parameters of eHRSs are communicated between the individual stations and the eHRS chain aggregator. Additionally, the eHRS chain aggregator interfaces with the electric power utility operator to address the utility’s requirements. Various scenarios are modeled to assess the technical and financial impacts of cyberattacks on eHRS. The proposed model is employed to detect false data injection attacks and mitigate the adverse effects of cyberattacks on the integrated transportation and power system. Simulation studies are conducted to evaluate the effectiveness and practicality of the proposed model. The performance of the FA-based method is compared with traditional deep neural network models and data-driven methods, demonstrating 13.5% and 8.68% improvements, respectively in detection accuracy. In addition, the proposed model achieves a 19% reduction in training time.
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 | 0,001 | 0,002 |
| 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 ».