Graph Deviation Network With Physics-Informed Detection and Robust $H_{\infty }$ Control for Cyberattack Resilience in Wind-Integrated Power Grids
Notice bibliographique
Résumé
Wind power plants (WPPs) rely significantly on extensive communication networks and data exchange for their operation and control. Thus, various cybersecurity issues can be created by their rapid integration into modern power grids. On this basis, this paper introduces novel denial-of-service (DoS), false data injection (FDI), and hybrid cyberattack models targeting rotor speed sensors of doubly-fed induction generator (DFIG)-based WPPs. The attacks are designed so that they excite lightly-damped oscillatory modes of the connected power grid while originating from a set of sensors in the WPP's turbines. Then, to counter the developed attacks, a graph deviation network (GDN) integrated with a physics-informed neural network (PINN) is developed for real-time cyberattack detection in a realistic noisy environment while maintaining compatibility with IEC-61400-25. Finally, a well-tailored robust <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$H_{\infty }$</tex-math></inline-formula>-based controller is designed to mitigate the impact of the sophisticated attacks and stabilize the power grid. The impact of the cyberattacks and the effectiveness of the proposed detection and mitigation framework are demonstrated on a modified New England 39-bus system, including practical deployment considerations and robustness under extended attack scenarios.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».