Real-Time Evaluation of Cyberattack-Resilient Control for Secure Large-Scale Power Networks
Notice bibliographique
Résumé
This paper studies the load frequency control (LFC) performance of a multi-area power network targeted by false data injection attacks (FDIAs). To this end, a cyberattack-resilient defense strategy consisting of the model and learning-based methods is proposed to improve the network frequency response. A strategy based on comparing the state estimation performed by the model-based observer with a threshold value is used in the presented mechanism to detect attacks. After detecting an attack, an artificial intelligence (AI) observer predicts the control signals and compares them with the observed ones. When there is a significant deviation, an event-trigger strategy blocks the observed signal and sends the predicted signal to the physical network. In the presented strategy, a model-free nonsingular terminal sliding mode control (MFNTSMC) scheme based on the ultra-local model (ULM) principle is also developed as the secondary controller to regulate the network frequency response under FDIAs. Also, a sliding mode observer is designed to estimate the unknown terms related to the ULM. The presented controller improves the finite-time convergence of the system states to the origin and inherits the intrinsic robustness of sliding mode methods. Moreover, it provides high-precision tracking under disturbances and uncertainties. An auxiliary deep policy gradient method with actor and critic neural networks is designed to enhance the controller’s dynamic efficiency. The practical implementation of the suggested strategy is assessed utilizing the Speedgoat-based real-time platform and compared with the other methods under physical limitations and FDIAs.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».