دانلود ترجمه مقاله روش ELM بهبود یافته برای تشخیص حمله داده ای خطا در شبکه هوشمند

1. مقدمه 2. مدل حمله 3. امکان سنجی یادگیری ماشین برای تشخیص حمله 4. الگوریتم پیشنهادی 5. نتایج آزمایشی 6. نتیجه گیری و پژوهش های آینده

چکیده – شبکه قدرت، سیستم پیچیده ای است که تولید توان و مصرف کننده توان را از طریق شبکه های توزیع و انتقال به هم ارتباط می دهد. با توسعه شبکه هوشمند، شبکه هوشمند برای سیستم های ارتباطی خارجی بازتر می گردد و بیشتر در معرض برخی مشکلات در زمینه حملات شبکه ای قرار می گیرد. یک حمله تزریق داده خطای جدید (با عنوان حمله غیرقابل مشاهده) که می تواند BDD متداول را بایپس کرده و خطاهای تصادفی را به برآورد حالت تزریق کند. ما یک ماشین یادگیری شدیداً بهبود یافته (ELM) را برای فرآیند تشخیص ارائه داده ایم. کلنی زنبود عسل مصنوعی (ABC) الگوریتم تکاملی دیفرانسیلی (DE) را به منظور بهینه سازی ELM برای بهبود دقت تشخیص ترکیب می کند. در این مقاله، انکودر خودکار به منظور کاهش ابعاد پذیری داده های اندازه گیری مورد استفاده قرار گرفته که اطلاعات داده های ابعادی را به طور پایه ای ایجاد کرده و داده های با ابعاد بالا را کاملاً ارائه می دهد. ما عملکرد روش پیشنهادی را روی سیستم های باس IEEE تأیید کرده و اثبات کرده ایم که روش پیشنهادی می تواند چنین حملات غیر قابل مشاهده ای را به شکلی نؤثر تشخیص دهد.

Power grid is a complex system which closely links the power generation and power consumer through transmission and distribution networks. With the development of smart grid, smart grid is more open to external communication systems, it also has exposed some problems in the network attacks. A new false data injection attack (called the unobservable attack) that can bypass the traditional BDD and inject random errors into state estimation. We propose an improved extreme learning machine (ELM) for attack detection. The artificial bee colony (ABC) incorporates the thought of differential evolution algorithm (DE) to optimize ELM for improving detection precision. In this paper, Autoencoder is used to reduce the dimensionality of the measurement data, which makes the low-dimensional data information basically and fully represent high-dimensional data. We verify the performance of the proposed method on IEEE bus systems, and prove that the proposed method can effectively detect such unobservable attack.