bad data detection
در نشریات گروه برق-
گسترش استفاده از سیستم های مخابراتی و دستگاه های اندازه گیری پیشرفته در شبکه های قدرت، زمینه ساز برقراری حملات سایبری در این شبکه ها است. وقوع حمله تزریق داده بد و تشخیص ندادن به موقع آن، آسیب های جبران ناپذیری را به شبکه تحمیل می کند. در این مقاله، روش جدیدی به منظور تشخیص داده بد (BDD) در تخمین حالت، هنگامی که مهاجم سایبری اندازه گیری های حساس و مهم را اندازه گیری می کند، ارایه می شود. بدین منظور، شاخص جدید حمله با دستکاری کردن هم زمان پارامترهای شبکه و تزریق داده های اشتباه به مقادیر اندازه گیری شده تعریف می شود. در این صورت، ابتدا دستگاه های اندازه گیری با اهمیت و نفوذ بالا که در مکان های حساس نصب شده اند، از دستگاه های اندازه گیری با اهمیت و نفوذ پایین با وجود اثر masking و swaming با استفاده از الگوریتم پتانسیل تعمیم یافته و مطمین (DRGP) تشخیص و جداسازی می شوند. بعد از این دسته بندی، مجدد فرآیند تخمین حالت با استفاده از اندازه گیری های با نفوذ پایین انجام می شود. اندازه گیری های حاوی داده بد با استفاده از الگوریتم باقیمانده تعمیم یافته (GSR) تشخیص داده می شوند. با دستکاری کردن هم زمان پارامترهای شبکه و مقادیر اندازه گیری ها، روش های معمول BDD قادر به تشخیص حمله نیستند. به منظور بررسی کارایی الگوریتم های تشخیص داده بد بیان شده، پیاده سازی آنها روی شبکه استاندارد 14 و 123 باسه IEEE با استفاده از نرم افزارهای MATLAB و Rstudio انجام شده است. نتایج، شبیه سازی توانایی الگوریتم پیشنهادی را در تشخیص حمله داده بد به خوبی نشان می دهند.
کلید واژگان: تخمین حالت، تشخیص داده بد، حمله سایبری، حمله تزریق داده بد، شبکه هوشمندNowadays, using telecommunication systems and advanced measuring devices underlies cyberattacks on electrical grids. Bad data injection and failure to detect it on time, cause drastic damage to the network. This paper presents a new method for bad data detection (BDD) in state estimating when a cyber attacker manipulates the important measurements. Therefore, the new attack index is defined by simultaneously manipulating the network parameters and injecting incorrect data into the measured values. For this purpose, considering the masking and swamping effect, the diagnostic robust generalized potential (DRGP) algorithm detected and isolated high-leverage measurements installed in important locations from low-leverage measurements. Then, the state estimation process performs using low-leverage measurements. The Generalized Studentized Residual (GSR) algorithm detects bad data. With simultaneous manipulation of network parameters and measurement values, conventional BDD methods are unable to detect an attack. To evaluate the performance of the proposed method, they were implemented on the IEEE standard 14-bus network using MATLAB and Rstudio software. The simulation results show the ability of the proposed algorithm to detect a bad data attack.
Keywords: State Estimation, bad data detection, Cyberattack, bad data injection attack, Smart grid -
تخمین حالت یک ابزار اساسی در سیستم مدیریت انرژی برای نظارت، کنترل و بررسی امنیت استاتیک سیستم های قدرت است. روش متداول حل مسئله تخمین حالت، استفاده از حداقل مربعات وزن دار است که معایبی همچون بد رفتار بودن ماتریس بهره و کند بودن فرایند شناسایی اطلاعات غلط دارد. طراحی تخمین گر با استفاده از شبکه عصبی مصنوعی می تواند بر مشکلات عددی فائق آمده و با سرعت بیشتری نسبت به روش حداقل مربعات وزن دار، عمل تخمین را انجام دهد. با این حال، وجود خطا در سیگنال های اندازه گیری می تواند همچنان باعث انحراف مقادیر تخمین از مقادیر واقعی شود. لذا به منظور کاهش اثر نامطلوب داده های غلط در این فرایند، در این مقاله روشی جدید با تکیه بر توانایی های شبکه عصبی پیشنهاد شده است که مشخصه عملکردی تخمین گر حالت را بهبود می بخشد. کارایی روش پیشنهادی، روی دو سیستم قدرت نمونه 9 و 14 شینه مورد بررسی قرار گرفته است. نتایج به دست آمده از شبیه سازی، موید عملکرد رضایت بخش تخمین گر پیشنهادی است.
کلید واژگان: تخمین حالت، حداقل مربعات وزن دار، شبکه های عصبی، شناسایی اطلاعات غلط، روش بزرگترین مانده هاState estimation is a key tool in energy management system for monitoring, control and static security analysis of power systems. Weighted least square, as a conventional method for solving state estimation problem, has deficiencies such as ill-conditioning of gain matrix and slow detection of bad data. Designing of state estimator by using artificial neural network can overcome the numerical results and converge to desirable state more rapidly with respect to weighted least square method. However, errors in measured data would result to bias in state estimation procedure. In this paper, with the aim of mitigation of bad data effect, a state estimator based on artificial neural network was presented that can improve the ability of proposed method. Efficiency of the proposed method has been investigated on two test systems with 9 and 14 buses. The results confirm abilities of the proposed method in solving state estimation problem.
Keywords: State estimation, Weighted least square, Neural network, Bad data detection, Largest residual method
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.