Federated Learning Detection of Cyberattacks on Virtual Synchronous Machines Under Grid-Forming Control Using Physics-Informed LSTM
Notice bibliographique
Résumé
The global shift toward clean production, like using renewable energy, has significantly decreased the use of synchronous machines (SMs), which help maintain stability and control, causing serious frequency stability issues in power systems with low inertia. Fractional order controller-based virtual synchronous machines (FOC-VSMs) have become a promising option, but they rely on communication networks to work together in real time, causing them to be at risk of cyberattacks, especially from false data injection attacks (FDIAs). This paper suggests a new way to detect FDI attacks using a federated physics-informed long short-term memory (PI-LSTM) network. Each FOC-VSM uses its data to train a PI-LSTM, which keeps the information private but still helps it learn from a common model that understands various operating conditions. The PI-LSTM incorporates physical constraints derived from the FOC-VSM swing equation, facilitating residual-based anomaly detection that is sensitive to minor deviations in control dynamics, such as altered inertia or falsified frequency signals. Unlike traditional LSTMs, the physics-informed architecture minimizes false positives arising from benign disturbances. We assessed the proposed method on an IEEE 9-bus test system featuring two FOC-VSMs. The results show that our method can successfully detect FDI attacks while handling regular changes, proving it could be a strong solution.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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 ».