Mejorar la ciberseguridad en las centrales eléctricas virtuales mediante la detección de ataques cibernéticos basados...

Área de la Ciencia:

• Ciberseguridad en los sistemas energéticos
• Aplicaciones de aprendizaje automático
• Seguridad del Internet de las Cosas (IoT)

Sus antecedentes:

• La integración de la Internet de las Cosas (IoT) en los sistemas energéticos, en particular las centrales eléctricas virtuales (VPP), aumenta las vulnerabilidades de la ciberseguridad.
• Las VPP son susceptibles a ataques cibernéticos como los ataques de inyección de datos falsos (FDIA, por sus siglas en inglés) que manipulan datos operativos críticos.
• FDIA plantea riesgos significativos para la fiabilidad del sistema, la estabilidad del mercado y el rendimiento financiero en las operaciones de VPP.

Objetivo del estudio:

• Proponer y validar un enfoque de aprendizaje profundo de Autoencoder (AE) sin supervisión para la detección de FDIA en los sistemas VPP.
• Mejorar la postura de ciberseguridad de las infraestructuras energéticas basadas en IoT.
• Asegurar la fiabilidad y la estabilidad de los mercados de energía y las operaciones de VPP.

Principales métodos:

• Se desarrolló un modelo de aprendizaje profundo de Autoencoder (AE) sin supervisión para la detección de anomalías.
• La metodología se probó en los sistemas de bus 9 y IEEE-39 utilizando MATLAB Simulink.
• Los datos de series temporales que abarcan 1.000 días, incluidas las fuentes de energía renovables, el almacenamiento de energía y las cargas variables, se utilizaron para la capacitación y validación del modelo.

Principales resultados:

• El modelo AE demostró una alta precisión en la detección de anomalías mediante el análisis de errores de reconstrucción.
• El enfoque identificó con éxito casos de inyección de datos falsos dentro de los sistemas VPP.
• La validación en sistemas de ensayo estándar confirmó la eficacia del modelo en la detección de FDIA.

Conclusiones:

• El enfoque de aprendizaje profundo AE propuesto es eficaz en la detección de FDIA en los sistemas VPP.
• La aplicación de este método garantiza la fiabilidad del sistema, reduce las pérdidas financieras y mantiene la estabilidad del mercado de la energía.
• Las técnicas avanzadas de aprendizaje automático son cruciales para asegurar los sistemas de energía basados en IoT y las operaciones de VPP.