論文の概要: Cyber-physical attack detection approaches in the wide-area measurement system

• arxiv url: http://arxiv.org/abs/2611.00316v1
• Date: Fri, 30 Oct 2026 19:37:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:36:25.420206
• Title: Cyber-physical attack detection approaches in the wide-area measurement system
• Title（参考訳）: 広域計測システムにおけるサイバー物理攻撃検出手法
• Abstract要約: 広帯域計測システム(WAMS)をベースとしたPMU(Phasor Measurement Unit)は,グリッド内の視認性向上を支援する。 本稿では、WAMSにおける最先端のサイバーおよび物理的異常を報告し、システムの整合性と可用性に与える影響について分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Improving situational awareness within the Smart Grid is an effective preventive measure to detect potential anomalies, and avoid their adverse consequences. A wide area measurement system (WAMS) based Phasor Measurement Unit (PMU) can assist in improving visibility within the grid by collecting relevant measurements including magnitude, phase angle, frequency, voltage, and current, with a precise GPS-based timestamp. So far, there are more than 2500 PMUs deployed in the North American power grid, where each of which generates between 30 and 60 samples/s, roughly 1.5 TB/month of streamed data. Thus, processing such large PMU streams requires expensive computational resources and faster algorithms. This paper provides state-of-the-art cyber and physical anomalies in the WAMS and analyses their impact on the integrity and availability of the system. Next, it investigates the current anomaly detection approach in historical and streaming PMU data, including conventional machine learning and hybrid approaches, and assesses their advantages and main drawbacks. Lastly, it sheds light on the importance of handling missing PMU data and concept drifts.
• Abstract（参考訳）: スマートグリッド内の状況認識を改善することは、潜在的な異常を検出し、有害な結果を避けるための効果的な予防措置である。 広帯域計測システム(WAMS)をベースとしたPMU(Phasor Measurement Unit)は、精度の高いGPSベースのタイムスタンプを用いて、大きさ、位相角、周波数、電圧、電流などの関連する測定値を収集し、グリッド内の視界向上を支援する。 これまでのところ、北米の電力網には2500基以上のPMUが配備されており、それぞれが30から60のサンプル/s、約1.5TB/月を生成している。 したがって、そのような大規模なPMUストリームを処理するには、高価な計算資源とより高速なアルゴリズムが必要である。 本稿では、WAMSにおける最先端のサイバーおよび物理的異常を報告し、システムの整合性と可用性に与える影響について分析する。 次に、従来の機械学習やハイブリッドアプローチを含む、歴史的およびストリーミングPMUデータにおける現在の異常検出アプローチを調査し、それらの利点と主な欠点を評価する。 最後に、欠落したPMUデータとコンセプトドリフトを扱うことの重要性に光を当てている。

関連論文リスト

• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• Time-Synchronized Full System State Estimation Considering Practical Implementation Challenges [0.15978270011184256]
  この問題を解決するために,Deep Neural Network-based State Estimator (DeNSE)を提案する。 DeNSEは、緩やかな時間スケールから引き出された推論と広範囲にわたる監視制御とデータ取得(SCADA)データを高速な時間スケールに間接的に組み合わせるために、ベイズフレームワークを使用している。 IEEE 118-busシステムを用いて得られた結果は、純粋にSCADA状態推定器とPMUのみの線形状態推定器よりもDeNSEの優位性を示す。
  論文  参考訳（メタデータ） (2022-12-04T02:59:32Z)
• Hybrid AI-based Anomaly Detection Model using Phasor Measurement Unit Data [0.41998444721319217]
  ファサー計測装置(PMU)を用いて電力システムを監視することは、将来有望な技術の一つである。 サイバー物理的相互作用の増加は、利点と欠点の両方をもたらし、そこでは、測定データの異常の形で欠点の1つが生まれる。 本稿では,PMUデータにおける異常検出の様々な手法に基づくハイブリッドAIベースモデルを開発することを目的とする。
  論文  参考訳（メタデータ） (2022-09-21T11:22:01Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Defending Against Adversarial Attacks in Transmission- and Distribution-level PMU Data [2.5365237338254816]
  ファーザー計測ユニット(PMU)は電力グリッド操作の状況認識を改善するための高忠実度データを提供する。 PMUデータがより利用可能になり、信頼性が高まるにつれて、これらのデバイスは制御システム内の新しい役割に見出される。 PMUデータストリーム内の悪意あるデータ注入を検出するために,複数の機械学習手法を包括的に分析する。
  論文  参考訳（メタデータ） (2020-08-20T18:44:37Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。