[論文レビュー] A PMU-based Multivariate Model for Classifying Power System Events

Rui Ma, Sagnik Basumallik+1 more|arXiv (Cornell University)|Dec 1, 2018

Time Series Analysis and Forecasting参考文献 29被引用数 6

ひとこと要約

本稿では、テキストマイニング技術を用いたPMUベースの多次元モデルを提案し、リアルタイムでの誤ったデータインジェクション攻撃の検出および一時的な電力系統イベントの分類を実現する。個々のPMU時系列データとそれらの相関関係を分析することにより、異なる系統構造、負荷条件、PMUカバレッジ率の下でも、効果的にイベントを同定することができ、IEEE 30バス系統のテストケースにおいて高い頑健性と正確性を示した。

ABSTRACT

Real-time transient event identification is essential for power system situational awareness and protection. The increased penetration of Phasor Measurement Units (PMUs) enhance power system visualization and real time monitoring and control. However, a malicious false data injection attack on PMUs can provide wrong data that might prompt the operator to take incorrect actions which can eventually jeopardize system reliability. In this paper, a multivariate method based on text mining is applied to detect false data and identify transient events by analyzing the attributes of each individual PMU time series and their relationship. It is shown that the proposed approach is efficient in detecting false data and identifying each transient event regardless of the system topology and loading condition as well as the coverage rate and placement of PMUs. The proposed method is tested on IEEE 30-bus system and the classification results are provided.

研究の動機と目的

• リアルタイムでの一時的イベント同定を向上させ、電力系統の状況認識を強化すること。
• PMUに悪意ある誤ったデータインジェクション攻撃が加わることで系統の信頼性が損なわれるという脅威に対処すること。
• 系統構造、負荷条件、PMU設置位置やカバレッジ率の変動に影響されない頑健な分類モデルを開発すること。
• PMUデータの属性とそれらの相関関係を多次元的に分析することで、正確な一時的イベント分類を可能とすること。

提案手法

• 本手法は、個々のPMU時系列データから属性を抽出・分析するためのテキストマイニング技術を適用する。
• PMU測定値間の多次元的関係をモデル化し、誤ったデータインジェクションを示す異常を検出する。
• 時系列データから得られる統計的およびパターン認識特徴を活用し、一時的イベントの特徴を表現する。
• 複数のPMUの統合的挙動に基づいてイベントを分類することで、単一センサー分析を上回る検出精度を実現する。
• モデルは、IEEE 30バス系統でシミュレートされた合成的一時的イベントを用いて学習および検証される。
• 電圧および電流位相ベクトルの動的変化を捉えるために特徴工学的手法が用いられる。

実験結果

リサーチクエスチョン

• RQ1 系統構造やPMU設置位置に依存せずに、多次元PMUベースのモデルが誤ったデータインジェクション攻撃を検出できるか。
• RQ2 異なる系統負荷条件およびPMUカバレッジ率の下で、一時的イベントの分類精度はどの程度保たれるか。
• RQ3 PMU測定値間の相関関係が、モデルの性能にどの程度影響を与えるか。
• RQ4 テキストマイニング技術が、PMU時系列データから分類に有用な特徴を効果的に抽出できるか。
• RQ5 提案手法は、多様な系統構成および故障シナリオにおいて、頑健に機能するか。

主な発見

• 提案手法は、PMU測定パターンの不整合を特定することで、誤ったデータインジェクション攻撃を効果的に検出できた。
• 系統構造や負荷条件の変化に関わらず、イベント分類の正確性が維持され、高い頑健性を示した。
• PMUカバレッジ率の変動や非理想的な設置位置の下でも、モデルは信頼性の高い性能を維持した。
• PMU属性の多次元的分析により、単変量手法に比べて分類精度が顕著に向上した。
• シミュレーション結果による検証を通じて、IEEE 30バス系統において一時的イベントの高い検出率を達成した。
• テキストマイニング技術は、PMU時系列データから分類に適した特徴を効果的に抽出でき、正確なイベント分類を可能にした。