← 返回
基于物理信息样条学习的电力电子最小数据网络安全研究
Cybersecurity in Power Electronics Using Minimal Data – A Physics-Informed Spline Learning Approach
| 作者 | V. S. Bharath Kurukuru · Mohammed Ali Khan · Subham Sahoo |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年11月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 并网逆变器 深度学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 网络安全 电力电子 物理信息学习 样条学习 异常诊断 并网变换器 电网故障 |
语言:
中文摘要
针对网络攻击伪造电网故障导致并网变换器误脱网的问题,本文提出一种基于物理信息样条学习的异常诊断机制。该方法首次在电力电子领域实现利用极少量数据准确区分网络攻击与真实电网故障,有效提升了系统的安全性与鲁棒性。
English Abstract
Cyberattacks can be strategically counterfeited to replicate grid faults, thereby manipulating the protection system and leading to accidental disconnection of grid-tied converters. To prevent such setbacks, we propose a physics-informed spline learning approach-based anomaly diagnosis mechanism to distinguish between both events using minimal data for the first time in the realm of power electron...
S
SunView 深度解读
该技术对阳光电源的组串式逆变器及PowerTitan/PowerStack储能系统具有重要参考价值。随着全球电网数字化程度提升,逆变器面临的网络安全威胁日益严峻。该研究提出的“物理信息+机器学习”诊断模型,能有效解决传统基于数据驱动模型在小样本下泛化能力差的问题,可集成至iSolarCloud平台,提升对恶意攻击的识别精度,降低误脱网风险。建议研发团队关注该算法在边缘计算模块的轻量化部署,以增强产品在复杂电网环境下的主动防御能力。