Improved Efficient Two-Stage Denoising Diffusion Power System Measurement Recovery Against False Data Injection Attacks and Data Losses

要約

サイバー攻撃やデータ損失に代表される測定の不確実性は、電力システム測定の品質を著しく低下させます。
幸いなことに、ノイズ除去拡散モデルの強力な生成機能により、電力システムのデータ回復のためのより正確な測定値の生成が可能になります。
ただし、決定論的な軌道のための拡散モデルのノイズ除去の制御可能なデータ生成と効率的な計算方法については、まださらなる研究が必要です。
この目的を達成するために、本論文では、さまざまな測定不確実性を伴う測定を特定し、再構築するための改良された 2 段階ノイズ除去拡散モデル (TSDM) を提案します。
モデルの第 1 段階は、分類器に基づく条件付き異常検出コンポーネントで構成され、第 2 段階では拡散ベースの測定補完コンポーネントが含まれます。
さらに、提案された TSDM は、正確な平均値と最適な分散を採用して、サブシーケンス サンプリングによる拡散生成プロセスを加速します。
広範な数値ケーススタディは、提案された TSDM が、再生可能エネルギーの統合下での強いランダム性と、複雑なサイバー物理的偶発事態下での高度に非線形のダイナミクスにもかかわらず、電力システムの測定値を正確に回復できることを実証しています。
さらに、提案された TSDM は、既存の再構築ネットワークと比較して強力なロバスト性を備え、一般的なノイズ除去拡散モデルよりも低い計算複雑性を示します。

要約(オリジナル)

Measurement uncertainties, represented by cyber-attacks and data losses, seriously degrade the quality of power system measurements. Fortunately, the powerful generation ability of the denoising diffusion models can enable more precise measurement generation for power system data recovery. However, the controllable data generation and efficient computing methods of denoising diffusion models for deterministic trajectory still need further investigation. To this end, this paper proposes an improved two-stage denoising diffusion model (TSDM) to identify and reconstruct the measurements with various measurement uncertainties. The first stage of the model comprises a classifier-guided conditional anomaly detection component, while the second stage involves diffusion-based measurement imputation component. Moreover, the proposed TSDM adopts precise means and optimal variances to accelerate the diffusion generation process with subsequence sampling. Extensive numerical case studies demonstrate that the proposed TSDM can accurately recover power system measurements despite strong randomness under renewable energy integration and highly nonlinear dynamics under complex cyber-physical contingencies. Additionally, the proposed TSDM has stronger robustness compared to existing reconstruction networks and exhibits lower computational complexity than general denoising diffusion models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google