Identification des attaques de données des capteurs basées sur des réseaux de neurones récurrents dans un microgrid à courant continu basé sur les énergies renouvelables distribuées

Dans le système de contrôle d'un microgrid, l'intégrité des données des capteurs est cruciale, et le potentiel d'attaques sur ces données constitue une menace significative. De telles attaques peuvent entraîner une instabilité du système et, dans le pire des cas, une coupure de courant dans la zone desservie. Cette étude se concentre sur la détection de ces attaques en utilisant un type spécialisé de réseau de neurones connu sous le nom de réseau de neurones récurrents (RNN). L'approche proposée consiste à utiliser des techniques d'apprentissage profond pour la détection des attaques, en s'appuyant sur des données de capteurs en série temporelle collectées dans diverses conditions, y compris des changements de charge et un fonctionnement normal. Le RNN fonctionne comme un observateur d'état, surveillant de près la sortie des convertisseurs et s'alignant avec les mesures réelles. Grâce à une estimation efficace des erreurs, la solution basée sur l'IA identifie avec succès des anomalies dans les mesures locales. En intégrant ces informations sur les erreurs, le système de détection des attaques acquiert la capacité de classifier l'erreur estimée, indiquant la présence d'une attaque sur le système. L'efficacité du système proposé est validée en utilisant MATLAB, et une validation en temps réel est effectuée à l'aide d'OPAL-RT.