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

• Autor(a) principal: Alves, Helton do Nascimento
• Data de Publicação: 2021
• Outros Autores: Montel, Ben-Hur Matthews Moreno
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Revista Veras
• DOI: 10.34117/bjdv7n2-285
• Texto Completo: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/24757
• topic: Smart Grid; Injeção de Dados Falsos; Estado de energia do sistema; Rede neural artificial; Support vector Machine; Erro Grosseiro.

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).