تشخیص و بررسی اثرات حملات تزریق داده کاذب در شبکه توزیع توان الکتریکی با استفاده از روش‌های یادگیری ماشین

با گسترش استفاده از اندازه‌گیرهای هوشمند در شبکه‌های توزیع توان الکتریکی، تهدیدات امنیتی مرتبط با این فناوری نیز افزایش یافته است. یکی از مهم‌ترین تهدیدات، حمله تزریق داده‌های کاذب (fdia) است. در این حملات، داده‌های اندازه‌گیری شده دست‌کاری می‌شوند که ممکن است منجر به اتخاذ تصمیمات نادرست توسط بهره‌برداران شبکه شود. این تصمیمات اشتباه می‌تواند پیامدهایی همچون افزایش تلفات توان و تغییرات ولتاژ در باس‌های شبکه را به دنبال داشته باشد. علاوه بر این، یکی از اهداف این دست‌کاری در مقادیر توان، استفاده غیر مجاز انرژی است. هدف این پژوهش، بررسی اثرات حمله به سیگنال توان اکتیو مصرفی بر عملکرد سیستم‌های صدور قبض، تلفات انرژی و تغییرات ولتاژ در شبکه‌های توزیع است. برای تشخیص و مقابله با این تهدیدات، چارچوبی مبتنی بر تفکیک بار با استفاده از روش‌های یادگیری ماشین توسعه‌یافته و با استفاده از داده‌های واقعی مصرف اعتبارسنجی شده است. نتایج نشان می‌دهند که چارچوب پیشنهادی توانسته است از بروز صورت‌حساب‌های ناعادلانه برای مشترکین و زیان مالی برای شرکت برق جلوگیری کند و مانع افزایش تلفات و تغییرات ولتاژ در شبکه شود. این چارچوب به طور میانگین از افزایش تلفات 3/25 درصدی جلوگیری می‌کند. نتایج بیانگر اثربخشی رویکرد پیشنهادی است.

machine learning-based detection and impact analysis of false data injection attacks in power distribution systems

with the increasing deployment of smart meters in electric power distribution networks, security threats have become a major concern. among these, false data injection attacks (fdias) are particularly critical, as they manipulate measurement data and may lead to incorrect operational decisions. such actions can result in increased power losses, voltage deviations, and unfair billing. this study investigates the impact of fdias targeting active power consumption signals on billing accuracy, power losses, and voltage deviations in distribution systems. to address these threats, a deep learning–based load disaggregation framework is developed and validated using real consumption data. the proposed framework effectively detects and mitigates the effects of fdias, preventing unfair charges for consumers and financial losses for utilities. experimental results show that the framework prevents an average increase of 25.3 percent in power losses, demonstrating its effectiveness.