Hvordan man opdager cyberangreb i cyber-fysiske mikrogrids ved hjælp af maskinlæringsteknikker

Den moderne energiinfrastruktur har gennemgået markante ændringer i det 21. århundrede som følge af teknologiske fremskridt, digitalisering, automatisering og øget forbindelse mellem systemer. Smart power systems, eller smarte energisystemer, har integreret traditionelle energiinfrastrukturer med avanceret kommunikations- og informationsteknologi. Denne integration har ført til en ny æra med bemærkelsesværdige forbedringer i effektivitet, pålidelighed og bæredygtighed. Cyber-fysiske systemer i energisektoren er kendetegnet ved digital overvågning og kontrol på alle niveauer af energiforsyningskæden. Fra generering til transmission, distribution og forbrug anvendes ICT-enheder, sensorer og softwareplatforme til at optimere operationel effektivitet og skabe et mere robust og modstandsdygtigt system.

Den primære controller i et sådant system holder systemet stabilt ved at sikre, at de relevante elektriske værdier, som f.eks. spænding og strøm, forbliver inden for de ønskede grænser. Denne controller arbejder tæt sammen med nabocontrollere, der benytter aktive og reaktive strømteknikker for at synkronisere mikrogriddets operationer. I et mikronet, der opererer i selvstændig tilstand, er decentraliseret kontrol den foretrukne løsning, da det minimerer risikoen for fejl i centrale kontrolsystemer og reducerer den nødvendige båndbredde til dataudveksling.

I takt med at mikrogrids bliver mere udbredte, bliver behovet for en robust beskyttelse af disse systemer mere presserende. Traditionelle beskyttelsesrelæer er ikke tilstrækkelige til at beskytte inverterbaserede CPM, da disse har svage fejlkontroller, der ikke kan håndtere de fejl, der typisk opstår i forbindelse med linjer og jord. Derfor er der behov for effektive strategier til fejlfinding og fejlanalyse, der kan identificere og klassificere fejlkilder korrekt. Ved at kategorisere fejl og vælge passende afbødningsteknikker kan systemet hurtigere og billigere bringes tilbage til normal drift.

En væsentlig udfordring for cyber-fysiske mikrogrids er, at de er sårbare over for cyberangreb. Når en modstander formår at trænge ind i kommunikationsnetværket og enten sprede vildledende information eller forstyrre transmissionskanalerne mellem de forskellige aktører, kan systemets stabilitet blive alvorligt kompromitteret. De mest almindelige former for cybertrusler i CPM er falske dataindsprøjtninger (FDI) og denial-of-service (DoS) angreb. Disse trusler kan lamme systemets drift og reducere dets robusthed. FDI-angreb kan manipulere med de data, der udveksles mellem mikrogrid-komponenterne, mens DoS-angreb kan blokere adgangen for lovlige forbrugere og forhindre dem i at få de nødvendige tjenester.

Maskinlæring spiller en væsentlig rolle i opdagelsen af sådanne cyberangreb. Ved at anvende teknikker som diskret Fourier-transform og dybe neurale netværk kan administratorer af mikrogrids detektere afvigelser i spænding og strøm, som kan indikere et pågående angreb. For eksempel kan anomalier i målinger, som ellers ville være svære at opdage med traditionelle metoder, hurtigt identificeres og analyseres. En smart differenstraktionsstrategi, der kombinerer disse teknikker, giver mulighed for at skelne mellem almindelige systemfejl og cyberangreb, hvilket kan være afgørende for at beskytte mikrogrids mod potentielle trusler.

Yderligere skal det forstås, at mens maskinlæringsteknikker kan hjælpe med at opdage og klassificere angreb, kræver det stadig betydelig indsigt og præcision i implementeringen af disse metoder. For at få effektive resultater skal maskinlæringsmodeller trænes på omfattende og præcise datasæt, der inkluderer både normale og angrebsscenarier. Derfor er det ikke kun selve detektionsmekanismens præcision, der er vigtig, men også kvaliteten af de data, systemet er trænet på, samt den kontinuerlige evaluering og opdatering af systemets detektionskapacitet.

Hvordan Harmonics Påvirker Effektkvaliteten i Invertere og Systemer

Total harmonisk forvrængning (THD) er en måling af graden af harmonisk forvrængning i et signal, det vil sige, hvordan signalet afviger fra en ren sinusform. Det er et mål for, hvor meget af den samlede effekt, der går tabt i form af uønskede harmoniske komponenter. Et højt THD betyder, at systemet er påvirket af flere forvrængninger, hvilket kan føre til en række negative konsekvenser, såsom overophedning, udstyrsskader, og ineffektiv drift. I et system med invertere kan en høj THD føre til beskadigelse af både inverteren selv og de belastninger, den driver.

Invertere bruger elektriske kredsløb og elektriske kontakter til at omdanne DC til AC. Processen med at tænde og slukke for disse kontakter resulterer i harmoniske frekvenser, der er multiple af systemets fundamentalfrekvens. For eksempel kan de harmoniske komponenter være i tredje, femte eller højere ordens harmoniske. Disse uønskede frekvenser kan skabe problemer i forskellige typer systemer, lige fra strømforsyning til lyd- og kommunikationssystemer.

I et vekselstrøms (AC) system vil strømmen oscillere i overensstemmelse med systemets fundamentalfrekvens, typisk 50 eller 60 Hz. Når en belastning er lineær, vil den trække strøm, der også er en sinusformet strøm ved samme frekvens. Dette ændrer sig dog, når belastningen er ikke-lineær. For eksempel vil en ensretter (AC til DC konverter) medføre, at strømmen bliver ujævn og ikke følger den oprindelige sinuskurve. De uregelmæssigheder, der opstår i strømmen, svarer til variationer i spændingens bølgeform.

De uregelmæssige strømformer kan stadig nedbrydes ved hjælp af Fourier-analyse, som opdeler signalet i en række sinusformede bølger, der ligger på hele multipla af fundamentalfrekvensen. Dette fænomen kaldes harmonisk forvrængning. Eksempler på ikke-lineære belastninger er elektroniske apparater som opladere, computere, variabel hastighedsdrev og lysrør, der alle skaber harmoniske forvrængninger i systemet. De mest problematiske af disse harmoniske er de såkaldte triplen harmonics (tredje harmoniske og dens multipler), der er kendt for deres negative virkninger på strømforsyning og elektroniske enheder.

Harmonics i strøm kan også føre til harmonics i spænding. Når en ikke-lineær belastning trækker strøm, forvrænges spændingen fra kilden som følge af den ændrede strømform. Små strømharmoniske vil kun have en begrænset effekt på spændingsformen, men når de er store, kan de resultere i en betydelig forvrængning af spændingssignalet. I modsætning til strøm, der kan påvirke den faktiske effekt, der leveres til belastningen, bidrager spændingsharmoniske ikke nødvendigvis til den reelle effekt, medmindre de er tilstrækkeligt store.

For at reducere effekten af harmoniske på et system er det nødvendigt at benytte teknikker som optimering af inverterens kontrolsystem. En af de teknikker, der anvendes til dette formål, er at benytte forskellige optimeringsmetoder som Grey Wolf Optimizer (GWO), Ant Lion Optimization (ALO), Whale Optimization Algorithm (WOA), Honey Badger Algorithm (HBA) og Slime Mould Algorithm (SMA). Hver af disse metoder justerer tændingsvinklerne i inverteren for at minimere THD og skabe en mere ren sinusformet udgangsbølge.

Resultaterne af disse optimeringsmetoder viser, at visse algoritmer, som f.eks. LF-IGWO, har vist sig at reducere THD betydeligt sammenlignet med andre metoder. Ved hjælp af FFT-analyse er det muligt at sammenligne THD-værdierne for de forskellige optimeringsalgoritmer. For eksempel har HBA (Honey Badger Algorithm) vist sig at konvergere hurtigt og opnå de bedste resultater i løbet af få iterationer, mens andre metoder som GWO og WOA tager længere tid at konvergere, men stadig giver gode resultater.

For at kunne kontrollere og evaluere effektiviteten af disse optimeringsteknikker, er det nødvendigt at bruge avancerede analyser som FFT for at vurdere THD-værdierne og få indsigt i, hvilken metode der giver den bedste forbedring af strømforsyningens kvalitet. THD-værdierne af forskellige algoritmer kan bruges som en vigtig indikator for, hvilken metode der er mest effektiv til at reducere harmonisk forvrængning i invertere.