Adaptive Resilient Control Against False Data Injection Attacks for a Multi-Energy Microgrid Integrating Power and Hydrogen Energy Systems Using Deep Reinforcement Learning
Notice bibliographique
Résumé
Due to the benefits of using hydrogen energy, such as enhanced system reliability, reduced CO<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sub> emissions, and long term sustainability, the integration of hydrogen energy systems with power system sinmulti-energy microgrids (MEMGs) has attracted increasing research interest. The wide spread adoption of information and communication technologies has also increased the risk of cyber-attack son MEMGs. False data injection attacks (FDIAs), a common type of cyber attack, could falsify energy arbitrage commands, there by affecting these condary frequency regulation and degrading the power quality of the MEMG. These attacks not only affect the normal operations of the MEMG but also reduce its economic profit. To address these issues, this paper proposes a novel deep reinforcement learning-based adaptive resilient control scheme to coordinate the energy conversion between electricity and hydrogen to eliminate the frequency deviation and maximize daily total revenue. Unlike traditional optimization techniques, the propos d deep reinforcement learning-based approach enables real-time adaption to dynamic and adversarial conditions, allowing the system to learn optimal strategies and improve resilience against FDIAs. Case studies withreal-world data sets showthat as theattack injection level increasesfrom5%to20%, the proposed method maintains zero frequency deviation, with the total revenue decreasing by only 1.8%.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».