تشخیص داده بد در تخمین حالت شبکه‌های قدرت در اثر حمله سایبری به اندازه‌گیری‌ها با استفاده از الگوریتم‌های پتانسیل و باقیماندۀ تعمیم‌یافته

گسترش استفاده از سیستم‌های مخابراتی و دستگاههای اندازه‌گیری پیشرفته در شبکه‌های قدرت، زمینه‌ساز برقراری حملات سایبری در این شبکه‌ها است. وقوع حمله تزریق داده بد و تشخیص‌ندادن به‌موقع آن، آسیب‌های جبران‌ناپذیری را به شبکه تحمیل می‌کند. در این مقاله، روش جدیدی به‌منظور تشخیص داده بد (bdd) در تخمین حالت، هنگامی که مهاجم سایبری اندازه‌گیری‌های حساس و مهم را اندازه‌گیری می‌کند، ارائه می‌شود. بدین منظور، شاخص جدید حمله با دستکاری‌کردن هم‌زمان پارامترهای شبکه و تزریق داده‌های اشتباه به مقادیر اندازه‌گیری‌شده تعریف می‌شود. در این صورت، ابتدا دستگاههای اندازه‌گیری با اهمیت و نفوذ بالا که در مکان‌های حساس نصب شده‌اند، از دستگاههای اندازه‌گیری با اهمیت و نفوذ پایین با وجود اثر masking و swaming با استفاده از الگوریتم پتانسیل تعمیم‌یافته و مطمئن (drgp) تشخیص و جداسازی می‌شوند. بعد از این دسته‌بندی، مجدد˚ فرآیند تخمین حالت با استفاده از اندازه‌گیری‌های با نفوذ پایین انجام می‌شود. اندازه‌گیری‌های حاوی داده بد با استفاده از الگوریتم باقیمانده تعمیم‌یافته (gsr) تشخیص داده می‌شوند. با دستکاری‌کردن هم‌زمان پارامترهای شبکه و مقادیر اندازه‌گیری‌ها، روش‌های معمول bdd قادر به تشخیص حمله نیستند. به‌منظور بررسی کارایی الگوریتم‌های تشخیص داده بد بیان‌شده، پیاده‌سازی آنها روی شبکه استاندارد 14 و 123 باسه ieee با استفاده از نرم‌افزارهای matlab و rstudio انجام شده است. نتایج، شبیه‌سازی توانایی الگوریتم پیشنهادی را در تشخیص حمله داده بد به‌خوبی نشان می‌دهند.

bad data detection in electrical grid’s state estimation due to cyber attack on measurements using drgp and gsr algorithms

nowadays, 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.