Consequence-driven optimization for detection and localization of stealth false data injection attacks against state estimation in power distribution systems
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
Monitoring modern power distribution systems through state estimation (SE) is crucial for optimizing grid operation and ensuring reliability. However, SE is vulnerable to stealth false data injection attacks (FDIAs). Stealth FDIAs can evade conventional bad data detection algorithms, leading to operator misjudgments and erroneous decisions. FDIA misidentifications, i.e., false alarms and undetected FDIAs, have distinct monetary and operational consequences. Even within each type of misidentification, these consequences can vary based on factors like meter location, customer type, and sustained energy not supplied (ENS). This paper, therefore, proposes consequence-driven cost functions to quantify the monetary impact of FDIA misidentifications in the SE. The proposed method explicitly accounts for system topology, customer type, and ENS. The proposed approach is model-agnostic and can operate with any anomaly detection method. We use an autoencoder (AE) as a sample anomaly detection method to illustrate the proposed consequence-driven framework. The AE is trained on FDIA-free data to reconstruct normal meter behavior. Deviations are then passed to the largest normalized residual (LNR) test for detection and localization, enabling a detailed evaluation of FDIA misidentification costs. Additionally, an optimization formulation is introduced to adjust the LNR thresholds for each meter, minimizing the total misidentification cost. Simulations use IEEE 13-bus and 123-bus test feeders. Results show that optimal thresholds can reduce FDIA misidentification costs by up to 66 %. This offers a consequence-driven alternative to the accuracy-based metrics commonly used in the literature. It also provides a better fit for the complex, cyber-physical nature of power systems.
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 | 0,000 | 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 découle