Wavelet-Facilitated Resonance Attack Detection in Inverter-Based Resources
Notice bibliographique
Résumé
Following the rapid integration of inverter-based resources (IBRs) in the power grids, IEEE standards, e.g., IEEE 1547.1-2020, have been widely adopted to regulate their operation. Such an adoption, which often necessitates communication between IBRs and the utility control center, makes the power grid prone to cyber threats targeting the grid's harmonic stability. On this basis, this paper (i) investigates the existing attack surfaces in the grids with IBR integration, (ii) proposes a new type of resonance-based attack that aims to excite harmonic conditions of IBRs, and (iii) develops a tailor-made attack detection method for developed attacks. First, we show that adversaries can target the harmonic stability of the grid by injecting false data in the communication layers of IBRs. Then, a well-crafted attack, that injects a signal with the resonance frequency of IBRs, is designed using either impedance-based modeling of IBRs, or signal processing of available measurements. Subsequently, an optimized wide neural network (OWNN) with a Bayesian optimizer is developed as a detection method to effectively detect such attacks. The proposed OWNN model uses the discrete wavelet transform (DWT) as a time-frequency domain analysis tool to extract problem-specific features. Finally, the impact of the attack, the effectiveness of the detection method, and the superior accuracy of the OWNN compared to existing data-driven techniques are demonstrated using an IBR connected to an infinite bus, an IBR-integrated IEEE 30-bus, and a high-voltage direct current (HVDC)-based bulk power grid test system.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».