Real-Time Evaluation of Cyberattack-Resilient Control for Secure Large-Scale Power Networks
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
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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