DRL2FC: Un Controlador Resistente a Ataques para el Control Automático de Generación Basado en Aprendizaje Profundo por Refuerzo

Las redes eléctricas dependen en gran medida de los sistemas de Control Automático de Generación (CAG) para mantener la estabilidad de la red equilibrando la generación y la demanda. Sin embargo, la creciente digitalización e interconexión de la infraestructura de las redes eléctricas expone a los sistemas de CAG a nuevas vulnerabilidades, particularmente de ciberataques como los ataques de inyección de datos falsos (AIDF). Estos ataques tienen como objetivo manipular las mediciones de los sensores y las señales de control inyectando datos alterados en los medios de comunicación. Por lo tanto, es necesario desarrollar enfoques innovadores que mejoren la resiliencia de los sistemas de CAG. Este documento aborda este desafío explorando el potencial del aprendizaje profundo por refuerzo (APRF) para mejorar la resiliencia de los sistemas de CAG contra los AIDF. Para este fin, se propone un controlador basado en APRF que ajusta dinámicamente los puntos de configuración del generador en respuesta tanto a fluctuaciones de carga como a posibles amenazas cibernéticas. El controlador aprende estas políticas de control óptimas interactuando con un entorno simulado de sistema eléctrico que incorpora la dinámica del CAG bajo ciberataques. Los experimentos extensivos en sistemas eléctricos de prueba sometidos a varios AIDF demuestran la efectividad del enfoque presentado para mitigar el impacto de los ciberataques.