Distributed Resilient Secondary Control of Smart Grid Under FDI Attacks
Notice bibliographique
Résumé
This paper addresses the critical challenge of False Data Injection Attacks (FDIAs) targeting both sensors and controllers in islanded smart grids, which threaten the stability of frequency and voltage regulation in distributed secondary control systems. Conventional distributed control strategies are shown to be vulnerable under coordinated FDIAs, leading to desynchronization and control objective failures. To overcome these limitations, a novel distributed resilient secondary control strategy is proposed, integrating attack mitigation directly into the control framework without relying on explicit detection mechanisms. The core contributions include: (1) A comprehensive vulnerability analysis of smart grid secondary control systems under simultaneous sensor-controller FDIAs, supported by Lyapunov-based stability proofs; (2) The development of resilient frequency and voltage controllers capable of compensating attack-induced errors through adaptive estimation and distributed consensus; (3) Rigorous theoretical guarantees for global asymptotic stability under bounded attacks, with convergence rates quantified through eigenvalue analysis of the enhanced Laplacian matrix <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$L$</tex> + <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$G$</tex>. Extensive validation via MATLAB/Simulink simulations demonstrates smart grids system under multiple attack scenarios. This work provides a paradigm shift in smart grid cybersecurity, establishing a detection-free resilient control framework that ensures operational continuity even during sustained cyber attacks.
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 ».