Aplicação de aprendizado de máquina para a detecção de injeção de dados falsos em sistemas de monitoramento de ampacidade em tempo real

Abstract

A crescente integração de componentes físico-digitais aos sistemas elétricos de potência é crucial para melhorar a adaptabilidade e a resiliência do sistema diante das variações de geração e demanda. Por outro lado, essa integração traz vulnerabilidades antes inexistentes em sistemas puramente eletromecânicos, os quais são menos suscetíveis a ataques cibernéticos. Este trabalho propõe a aplicação de modelos matemáticos e técnicas de aprendizado de máquina para a detecção de ataques ciberné- ticos, como a injeção de dados falsos, em sistemas elétricos de potência físico-digitais, com foco nos sistemas de monitoramento de ampacidade de linhas de transmissão. Investiga-se como fatores físicos, como vento, características do cabo condutor e do vão, juntamente com variáveis ambientais, podem ser utilizados como entradas para modelos de aprendizado de máquina. Esses modelos são usados para gerar dados para a comparação com as medições recebidas a partir de sensores instalados em um vão de uma linha de transmissão, visando identificar medidas suspeitas. O sistema proposto tem como objetivo melhorar a segurança da operação das redes elétricas, fornecendo alertas em tempo real e registrando dados históricos para análise detalhada. Este estudo busca, portanto, contribuir para a detecção eficaz de ataques cibernéticos, aumentando a resiliência dos sistemas de monitoramento de ampacidade de linhas de transmissão de energia elétrica. Uma vez implementado, tal sistema é capaz de usar predições dos modelos de aprendizado de máquina para a detecção de medidas suspeitas, as quais podem ser oriundas de ataques cibernéticos, comparando medidas recebidas com valores preditos e tendo parâmetros de ajuste em tempo real que restringem a tolerância dessa comparação e alertas. O sistema apresentou adequado desempenho frente a ataques simulados, baixo custo de implementação, sendo uma solução atrativa para auxílio na operação segura de SEP.

Abstract: In the context of Power Systems (PS) that are increasingly integrated with digital components, the relevance of vulnerabilities and the consequences of malicious exploitation of these - with cyber attacks - is becoming increasingly important in the day-to-day operation of the PS. This work proposes the application of mathematical models and machine learning techniques for the detection of cyber attacks, such as the injection of false data, in Cyber-Physical Power Systems, focusing on transmission line ampacity monitoring systems. The research investigates how physical factors such as wind, conductor cable and span characteristics, along with environmental variables, can be used as inputs for machine learning models. These models generate data for comparison with measurements received from sensors installed on a transmission line span, with the aim of identifying suspicious measurements. The proposed system aims to improve the security of power grid operations by providing real-time alerts and recording historical data for detailed analysis. This study therefore seeks to contribute to the effective detection of cyber attacks, increasing the resilience of electricity transmission line ampacity monitoring systems. Once implemented, this system is able to use predictions from machine learning models to detect suspicious measurements, which could be from cyber attacks, by comparing received measurements with predicted values and having real-time adjustment parameters that restrict the tolerance of this comparison and alerts. The system performs well against simulated attacks, and with its low implementation cost, it is an attractive solution for aiding the safe day-to-day operation of SEPs.