DRL2FC：基于深度强化学习的自动发电控制抗攻击控制器
系统与控制
2024-04-29 v1 系统与控制
摘要
电网严重依赖自动发电控制（AGC）系统，通过平衡发电和需求来维持电网稳定性。然而，电网基础设施日益增加的数字化和互联性使 AGC 系统面临新的漏洞，特别是来自虚假数据注入攻击（FDIAs）等网络攻击。这些攻击旨在通过将篡改的数据注入通信介质来操纵传感器测量值和控制信号。因此，有必要开发创新方法来增强 AGC 系统的韧性。本文通过探索深度强化学习（DRL）在增强 AGC 系统抵御 FDIA 韧性方面的潜力来应对这一挑战。为此，提出了一种基于 DRL 的控制器，该控制器能够根据负荷波动和潜在网络威胁动态调整发电机设定值。该控制器通过与结合了网络攻击下 AGC 动态的仿真电力系统环境进行交互，学习这些最优控制策略。在遭受各种 FDIA 的测试电力系统上进行的广泛实验证明了所提方法在减轻网络攻击影响方面的有效性。
引用
@article{arxiv.2404.16974,
title = {DRL2FC: An Attack-Resilient Controller for Automatic Generation Control Based on Deep Reinforcement Learning},
author = {Vasileios Dimitropoulos and Andreas D. Syrmakesis and Nikos Hatziargyriou},
journal= {arXiv preprint arXiv:2404.16974},
year = {2024}
}
备注
2 pages, 2 figures, submitted to the 14th Mediterranean Conference on Power Generation, Transmission, Distribution and Energy Conversion