چکیده:
در دهه گذشته ، تعداد حملات سایبری به منظور هدف قرار دادن سیستم های قدرت که سبب خسارات فیزیکی و اقتصادی میگردد، افزایش یافته است. حملات تزریق داده کاذب، از جمله حملات سایبری میباشند که بر سیستم نظارت شبکههای برق اثر میگذارد. حملات با تزریق داده کاذب، با دستکاری در تخمین حالت سیستم قدرت، سبب به خطر انداختن شبکه قدرت میشود، همچنین اخیرا برقدزدی یکی از اهداف تزریق داده کاذب قرار گرفته است. روشهای یادگیری ماشینی، یکی از راهکارهای تشخیص دادهای کاذب است. در این مقاله، ابتدا با استفاده از روش خودرمزگذار عمیق، ابعاد مسئله تعداد ورودی برای طبقهبندی مسئله و شناسایی کاهش یافته و سپس با استفاده از روش بردار ماشین پشتیبانی و آموزش دادهها، عمل شناسایی انجام شده است. روش تشخیص، برای سیستمهای ۱۴ و ۱۱۸ شینه IEEE مورد بررسی و مقایسه قرار گرفته و دقت هر روش براساس نتایج شبیهسازی طبقهبندی و همچنین به منظور اثربخشی روش پیشنهادی، با تغییر در تعداد دادههای تحت آموزش، تأثیر تغییر در دقت شناسایی ارزیابی شده است که نتایج حاکی از اثر بخشی روش پیشنهادی میباشد.
The number of cyber-attacks impressing power systems and leading to physical and economic damages has grown swiftly over the last decade. Among the significant types of cyber-attacks, false data injection attacks (FDIAs) are a class which effect on power network monitoring systems. FDIAs endanger the power grid with manipulating the power system state estimation (SE). Also, electricity theft has revealed as another purpose of the FDAIs, recently. Machine learning based methods has known as one of the FDIAs detection approaches. In this paper, first, with using deep auto-encoder method, the dimensions of the problem and the number of entry data for problem classification and detection are reduced. Then, by employing support vector machine (SVM) approach and data learning method, the detection procedure of cyber-attacks is performed. Also, by changing the number of under training data, the precision of the proposed approach has improved. The presented method is evaluated on the IEEE 14 and 118 bus systems. The obtained simulation results demonstrate that the new method can successfully applied for the accurate and effective detection of FDIAs.