Mejorar la ciberseguridad en las centrales eléctricas virtuales mediante la detección de ataques cibernéticos basados en la red utilizando un enfoque de autocodificación sin supervisión | JoVE Visualize

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.