ارزیابی قابلیت اطمینان ریزشبکه‌های سایبر_فیزیکی در حالت جزیره‌ای تحت حملات fdi با درنظرگرفتن و تشخیص مبتنی بر یادگیری عمیق

قابلیت اطمینان ریزشبکه‌های سایبری–فیزیکی در شرایط عملیاتی مدرن، به دلیل ارتباط متقابل لایه‌های فیزیکی و سایبری و نیز تهدیدهای ناشی از خرابی تجهیزات و حملات سایبری، با چالش‌های جدی روبرو است. در حالت جزیره‌ای، دست‌کاری پنهان داده‌ها از جمله حمله‌ی تزریق داده‌ی نادرست (fdi) می‌تواند زنجیره‌ای از تصمیم‌های کنترلی نادرست را رقم بزند و پیامد آن خروج ولتاژ از حد مجاز و و کمبود بار دربرابر تقاضا است. این مقاله، چارچوبی داده‌محور ارائه می‌کند که آشکارسازی مبتنی بر یادگیری عمیق را با واکنش عملیاتی بهره‌بردار تلفیق می‌کند؛ مدل‌های یادگیری عمیق پس از آموزش روی داده‌های زمانی، حملات fdi را به‌صورت لحظه‌ای تشخیص می‌دهند و خروجی‌شان به سازوکار کاهش اثر متصل می‌شود که با درنظرگرفتن کمی تاخیر و میزان اثرگذاری اقدام، اثر حمله را کاهش می‌دهد.ارزیابی در حالت جزیره‌ای و با شاخص‌های استاندارد قابلیت اطمینان شامل asai، saifi، saidi، دسترس ناپذیری انرژی (eens) و lole انجام می‌شود و نشان می‌دهد شناسایی به‌موقع همراه با مداخله‌ی پساشناسایی، فراوانی و مدت خاموشی و انرژی تامین‌نشده را کاهش داده و دسترس‌پذیری را بهبود می‌دهد. نتایج بیانگر آن است که این رویکرد، بدون اتکا به جزئیات ساختاری، برای بهره‌برداران ریزشبکه قابل پیاده‌سازی و توسعه است.

reliability assessment of cyber-physical microgrids in islanded mode under false data injection (fdi) attacks, using deep-learning-based detection

the interdependence of the physical and cyber layers, along with the risks of equipment failures and cyberattacks, pose significant challenges to the reliability of cyber–physical microgrids under contemporary operating conditions. voltage violations and load shortages in relation to demand can result from a series of poor control decisions caused by covert data manipulation, such as false data injection (fdi) attacks, in islanded mode. this paper suggests a data-driven framework that combines the operator s operational response with detection based on deep learning. fdi attacks are detected in real time by deep learning models that have been trained on time-series data. the outputs of these models are then fed into a mitigation mechanism that lessens the impact of attacks while taking into account small delays and the efficacy of actions.standard reliability indices such as asai, saifi, saidi, expected energy not supplied (eens), and loss of load expectation (lole) are used in the islanded mode evaluation. the findings demonstrate that prompt detection and post-detection intervention improve overall availability while reducing outage frequency, duration, and unserved energy.the results show that this strategy is both feasible and expandable for microgrid operators without depending on comprehensive structural data.