論文の概要: Learning-Enabled Adaptive Voltage Protection Against Load Alteration Attacks On Smart Grids
- arxiv url: http://arxiv.org/abs/2411.15229v1
- Date: Thu, 21 Nov 2024 13:47:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:17:55.413850
- Title: Learning-Enabled Adaptive Voltage Protection Against Load Alteration Attacks On Smart Grids
- Title(参考訳): スマートグリッドにおける負荷変動に対する適応型電圧保護の学習
- Authors: Anjana B., Suman Maiti, Sunandan Adhikary, Soumyajit Dey, Ashish R. Hota,
- Abstract要約: サイバー攻撃者は、グリッド不安定やブラックアウトにつながる可能性のあるシステムの脆弱性を悪用することができる。
主に送電線障害を扱うために設計された伝統的な保護戦略は、このような脅威に対して不十分であることが多い。
本稿では,通常のグリッド操作とステルスな負荷変化を区別する深層強化学習に基づく保護システムを提案する。
- 参考スコア(独自算出の注目度): 4.056490085213944
- License:
- Abstract: Smart grids are designed to efficiently handle variable power demands, especially for large loads, by real-time monitoring, distributed generation and distribution of electricity. However, the grid's distributed nature and the internet connectivity of large loads like Heating Ventilation, and Air Conditioning (HVAC) systems introduce vulnerabilities in the system that cyber-attackers can exploit, potentially leading to grid instability and blackouts. Traditional protection strategies, primarily designed to handle transmission line faults are often inadequate against such threats, emphasising the need for enhanced grid security. In this work, we propose a Deep Reinforcement Learning (DRL)-based protection system that learns to differentiate any stealthy load alterations from normal grid operations and adaptively adjusts activation thresholds of the protection schemes. We train this adaptive protection scheme against an optimal and stealthy load alteration attack model that manipulates the power demands of HVACs at the most unstable grid buses to induce blackouts. We theoretically prove that the adaptive protection system trained in this competitive game setting can effectively mitigate any stealthy load alteration-based attack. To corroborate this, we also demonstrate the method's success in several real-world grid scenarios by implementing it in a hardware-in-loop setup.
- Abstract(参考訳): スマートグリッドは、特に大きな負荷に対して、リアルタイムモニタリング、分散発電、電力の分配によって、電力需要の変動を効率的に処理するように設計されている。
しかし、グリッドの分散した性質と、ヒーティング換気やエアコン(HVAC)システムのような大きな負荷のインターネット接続は、サイバー攻撃者が悪用できるシステムの脆弱性を導入し、グリッドの不安定性とブラックアウトにつながる可能性がある。
送電線障害に対処するために設計された伝統的な保護戦略は、しばしばそのような脅威に対して不十分であり、グリッドセキュリティの強化の必要性を強調している。
本研究は,Dreep Reinforcement Learning(DRL)に基づく保護システムを提案する。このシステムは,ステルスな負荷変化を通常のグリッド操作と区別し,保護スキームのアクティベーション閾値を適応的に調整する。
我々は、最も不安定なグリッドバスにおけるHVACの電力需要を制御し、ブラックアウトを誘導する最適かつステルスな負荷変更攻撃モデルに対して、この適応的保護スキームを訓練する。
この競争ゲーム設定で訓練された適応的保護システムが、ステルスな負荷変動に基づく攻撃を効果的に軽減できることを理論的に証明する。
また,本手法をハードウェア・イン・ループ・セットアップで実装することで,実世界のグリッド・シナリオでの成功を実証する。
関連論文リスト
- Smart Grid Security: A Verified Deep Reinforcement Learning Framework to Counter Cyber-Physical Attacks [2.159496955301211]
スマートグリッドは戦略的なサイバー物理攻撃に対して脆弱である。
悪意のある攻撃は、高ワットのIoT(Internet of Things)ボットネットデバイスを使用して電力需要を操作することができる。
グリッドオペレータは、設計段階でサイバー物理攻撃の潜在的なシナリオを見落としている。
本稿では,スマートグリッドに対する攻撃を緩和する安全な深層強化学習(DRL)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T05:26:20Z) - GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。
以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
論文 参考訳(メタデータ) (2024-05-20T14:43:46Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - Model Predictive Control with adaptive resilience for Denial-of-Service Attacks mitigation on a Regulated Dam [5.32980262772932]
SCADA (Supervisory Control and Data Acquisition) システムはサイバー攻撃の標的となっている。
本稿では,適応型レジリエンスを備えたモデル予測制御アーキテクチャを提案する。
実データを用いた実システム上での2つの攻撃シナリオにおいて, MPC 戦略の有効性を示す。
論文 参考訳(メタデータ) (2024-02-28T17:47:27Z) - Web-Based Platform for Evaluation of Resilient and Transactive
Smart-Grids [0.0]
トランスアクティブ・エナジー(TE)は、経済・制御技術を通じて、スマートグレードにおけるDERの増加を管理するための新たなアプローチである。
我々は、様々なサイバー攻撃や物理的攻撃に対して、スマートグリッドのレジリエンスを評価するための包括的Webベースのプラットフォームを提案する。
論文 参考訳(メタデータ) (2022-06-11T15:34:33Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳(メタデータ) (2022-06-08T07:48:42Z) - Safe Reinforcement Learning for Grid Voltage Control [0.0]
緊急時の電力系統の電圧安定性を回復するための標準手法として, 電圧負荷低減が検討されている。
本稿では,制約付き最適化手法とバリア関数に基づく2つの新しい安全なRL手法について論じる。
論文 参考訳(メタデータ) (2021-12-02T18:34:50Z) - Improving Robustness of Reinforcement Learning for Power System Control
with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。
具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。
本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文 参考訳(メタデータ) (2021-10-18T00:50:34Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - Enforcing Policy Feasibility Constraints through Differentiable
Projection for Energy Optimization [57.88118988775461]
本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。
エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
論文 参考訳(メタデータ) (2021-05-19T01:58:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。