The reliable operation of the electric power systems is supported by energy management systems (EMS) that provide monitoring and control functionalities. Contingency analysis is a critical application of EMS to evaluate the impacts of outage events based on the grid state variables, and allow system operators to prepare for potential system failures. However, false data injection attacks (FDIAs) against state estimation have demonstrated the possibility of compromising sensor measurements and consequently falsifying the estimated power system states. As a result, FDIAs may mislead the system operations and other EMS applications including contingency analysis and optimal power flow routines. In this paper, we assess the effect of FDIAs on contingency analysis and demonstrate that such attacks can affect the resulted number of contingencies in power systems. In order to mitigate the FDIA impact on contingency analysis algorithms, we propose CHIMERA, a hybrid attack-resilient state estimation approach that integrates model-based and data-driven methods. CHIMERA combines the physical grid information with a Long Short Term Memory (LSTM)-based deep learning model by considering a static loss of weighted least square errors and a dynamic loss of the difference between the temporal variations of the actual and the estimated active power. Our simulation experiments based on the load data from New York state demonstrate that CHIMERA can effectively mitigate 91.74% of the attack cases in which FDIAs can maliciously modify the contingency results.


翻译:应急分析是环管系统的一项关键应用,目的是根据电网状态变量评价断电事件的影响,使系统操作者能够为潜在的系统故障做好准备;然而,针对国家估算的虚假数据注入攻击表明,有可能损害传感器测量,从而扭曲估计电力系统状态。结果,外国直接投资管理局可能会误导系统运行和其他电管理系统应用,包括应急分析和最佳的恶意电流常规。在本文件中,我们评估外国直接投资管理局对应急分析的影响,并表明这类袭击可能影响电源系统意外事件的数量。为减轻外国直接投资管理局对应急分析算法的影响,我们提议采用综合基于模型和数据驱动方法的混合性袭击性状态估计方法。《全球电磁场评估》将物理网信息与基于长期短期记忆的深层次学习模型结合起来,考虑加权最小的错误的静态损失和动态性地丧失了基于电源系统的意外事件数量。为了减轻外国直接投资对应急分析算法的影响,我们提议采用一种耐受攻击性状态的混合估计方法,将电网格信息与基于长期短期记忆(LSTM)的深层次学习模式结合起来。我们考虑FDIA对基于实际和空间数据进行模拟的机压的机能实验,可以有效地显示,对纽约实际和机压进行实际数据进行实际变化。

0
下载
关闭预览

相关内容

专知会员服务
39+阅读 · 2020年9月6日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
1+阅读 · 2021年5月18日
Arxiv
5+阅读 · 2018年5月16日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员