基于深度强化学习的风电并网电力系统网络安全评估
系统与控制
2020-11-17 v2 系统与控制
摘要
电力系统中可再生能源(RES)的接入正迅速增长。虽然间歇性RES的并入以及通信与传感设备的大规模部署对于实现完全智能电网至关重要,但这也扩大了网络威胁面,使电力系统易遭网络攻击。本文提出一种用于评估电力系统信息物理安全的网络安全评估方法。该工作考虑了RES的间歇性发电、基于微处理器的电子信息与运行技术(IT/OT)设备引入的漏洞,以及事故分析结果。所提方法利用深度强化学习(DRL)和针对电力系统漏洞评估调整的通用漏洞评分系统(CVSS)分数,基于N-2事故结果(即两个系统元件同时失效)识别最优攻击转移策略。该工作的有效性通过在基于文献的电网测试案例上进行的数值与实时仿真实验得到验证。结果表明,所提基于深度Q网络(DQN)的方法在寻找最优攻击策略所需转移次数方面接近图搜索方法,且无需对系统完全观测。此外,实验通过展示在波兰2383母线测试系统等大型系统中寻找最优攻击转移策略所需转移次数,说明了该方法的可扩展性。结果显示,与随机转移策略相比,所提方法所需转移次数少一个数量级。
引用
@article{arxiv.2007.03025,
title = {Deep Reinforcement Learning for Cybersecurity Assessment of Wind Integrated Power Systems},
author = {XiaoRui Liu and Juan Ospina and Charalambos Konstantinou},
journal= {arXiv preprint arXiv:2007.03025},
year = {2020}
}
备注
Accepted version of IEEE Access paper published under the Open Access Publishing agreement