Segurança Cibernética em Smart Grids: Uma support Vector machine / Cybersecurity in Smart Grids: A support Vector machine

Helton do Nascimento Alves, Ben-Hur Matthews Moreno Montel

Abstract


O sistema de Smart Grid é uma importante ferramenta para gerenciar de forma sustentável, econômica e confiável do sistema elétrico. Ele utiliza dados de topologia de rede, parâmetros da linha de transmissão e variáveis de estado obtida pelo Estimador de Estado (EE) para controlar as operações da rede. Recentemente foi introduzido uma nova classe de erros em que o EE não está preparado para detectar e corrigir, foi definido como: Injeção Furtiva de Dados Falsos (IFDF). Esse tipo de erro ocorre nas medições em tempo real, topologia da rede e parâmetros de linha. Devido a diversidade de locais de injeção, para que a melhor medida seja tomada, é muito importante determinar o ponto de injeção. Nesse artigo é proposto um support vector machine para a detecção do ponto de injeção de dados falsos. A análise de componentes principais é aplicada para reter toda a variação de sinal e maximizar a diferença entre o ponto de operação normal e anormal. A simulação de Monte Carlo é utilizada para gerar amostras de planos de medições para os sistemas de 14 e 57 barras da IEEE. Os resultados comprovam que o índice de inovação como parâmetro em potencial para ajudar na identificação de local em que ocorreu o Erro Grosseiro (EG). 

 

 

 


Keywords


Smart Grid, Injeção de Dados Falsos, Estado de energia do sistema, Rede neural artificial, Support vector Machine, Erro Grosseiro.

References


Ashok ., & Govindarasu M., (july 2012). Cyber attacks on power sstem state estimation through topology errors. Power and Energy Society General Meeting, 2012 IEEE, pp. 1 –8.

Bretas A.S., Bretas N.G., Carvalho B., Baeyens E., & Khargonekar P. P. (August 2017). Smart grids cyber-physical security as a malicious data attack: An innovation approach. IEEE Trans. Power Syst. 149 210-219.

Bretas NG., London Jr. JBA., Alberto LFC., & Benedito RAS. (July 2009). Geometrical approaches on masked gross errors for power system state estimation. PESGM09. Calgary (USA).

Bretas N.G., Bretas A.S., & Piereti S.A., (June 2011) Innovation concept for measurement gross error detection and identification in power system state estimation, IET Gener. Transm. Distrib. 5 603–608.

Bretas N.G., Piereti S.A., Bretas A.S., & Martins A.C., (February 2013). A geometrical view for multiple gross errors detection, identification, and correction in power system state estimation, IEEE Trans. Power Syst. 28, 2128–2135.

Bretas N.G., Bretas A.S., & Martins A.C.P., (2013). Convergence property of the measurement gross error correction in power system state estimation, using geometrical background. IEEE Trans Power Syst, 28:3729–36.

Bretas N.G., & Bretas A.S., (December 2015). A two steps procedure in state estimation gross error detection, identification, and correction, Int. J. Electr. Power Energy Syst. 73, 484–490.

Cheniae M.G., Mili L., & Rousseeuw PJ. (1996). Identification of multiple interacting bad data via power system decomposition. IEEE Trans Power Syst ;11(3):1555–63.

Chen J., & Abur A., (2006). Placement of PMUs to enable bad data detection in State estimation. IEEE Trans Power Syst, 21(4):1608–15.

Clements KA., & Davis PW. (1986). Multiple bad data detectability and identifiably: a geometric approach. IEEE Trans Power Deliv, 1(3):355–60.

Dan G., & Sandberg H. (2010). Stealth attacks and protection schemes for state estimators in power systems. In Smart Grid Communications (SmartGridComm), First IEEE International Conference on, Oct 2010, pp. 214–219.

Hug G., & Giampapa J.A. (2012) Vulnerability assessment of AC state estimation with respect to false data injection cyber-attacks. IEEE Trans. Smart Grid 3 (September (3)) 1362–1370.

Kim T., & Poor H. (2011) Strategic protection against data injection attacks on power grids. IEEE Trans. Smart Grid 2 (2) 326–333.

Kosut O., Jia L., Thomas R., & Tong L. (oct. 2010) Malicious data attacks on smart grid state estimation: Attack strategies and countermeasures. In Smart Grid Communications (SmartGridComm), 2010 First IEEE International Conference on, pp. 220 –225.

Kosut O., Jia L., Thomas R., & Tong L., (Dec 2011) Malicious data attacks on the smart grid. Smart Grid, IEEE Transactions on, vol. 2, no. 4, pp. 645–658.

Liu Y., Ning P., & Reiter M. K., (2009) False data injection attacks against state estimation in electric power grids. In Proceedings of the 16th ACM conference on Computer and communications security, ser. CCS ’09. New York, NY, USA: ACM, pp. 21–32. [Online]. Available: http://doi.acm.org/10.1145/1653662.1653666

Liu Y., Ning P., & Reiter M. K., (Jun. 2011). False data injection attacks against state estimation in electric power grids. ACM Trans. Inf. Syst. Secur., vol. 14, no. 1, pp. 13:1–13:33. [Online]. Available: http://doi.acm.org/10.1145/1952982.1952995

Lourenco E., Coelho E. & Pal B., (Nov 2015). Topology error and bad data processing in generalized state estimation, Power Systems. IEEE Transactions on, vol. 30, no. 6, pp. 3190–3200.

Mili L, Cheniae M, Vichare N., & Rousseau P., (1996). Robust state estimation based on projection statistics. IEEE Trans Power Syst ,11(2):1118–27.

Teixeira A., Amin S., Sandberg H., Johansson K., & Sastry S. (dec. 2010). Cyber security analysis of state estimators in electric power systems. In Decision and Control (CDC), 2010 49th IEEE Conference on, pp. 5991 –5998.

Vapnik V., (1998). Statistical Learning Theory. John Wiley & Sons.

Data for the test system are at: .




DOI: https://doi.org/10.34117/bjdv7n2-285

Refbacks

  • There are currently no refbacks.