A novel framework for real time transient stability prediction in power systems under data integrity attacks
Veri bütünlüğü saldırıları altındaki güç sistemlerinde gerçek zamanlı geçici hal kararlılık tahmini için özgün bir yaklaşım
- Tez No: 943588
- Danışmanlar: PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 132
Özet
Bu tez, modern güç sistemlerinin artan karmaşıklığı, yenilenebilir enerji kaynaklarından kaynaklanan belirsizlikler ve siber tehditlerin etkisiyle geçici hal kararlılığının sağlanmasının kritik bir sorun haline geldiğini ele almaktadır. Çalışma, güvenilir, gerçek zamanlı ve siber saldırılara karşı dayanıklı bir öngörü sistemi geliştirmeye odaklanarak, mevcut yöntemlerin ötesinde yüksek doğruluk ve güvenilirlik sunan entegre bir yaklaşım ortaya koymaktadır. Temel amaç, dinamik durum kestirimi tekniklerini ileri seviye yapay öğrenme algoritmaları ve etkili siber güvenlik stratejileriyle bütünleştirerek, güç şebekelerinin iç dinamiklerini ayrıntılı bir biçimde yansıtan yüksek kaliteli veri kümesine dayalı geçici hal kararlılığı öngörüsünün gerçekleştirilmesidir. Bu zengin veri kümesi sayesinde, sistemin karmaşıklığının arttığı ve sahte veri enjeksiyonu saldırılarının (FDIA) tehdidi altında bile, öngörü modülü üstün doğruluk ve güvenilirlik sunarak operatörlerin hızlı ve isabetli müdahalelerine olanak tanır. Önerilen metodoloji iki ana bileşen etrafında yapılandırılmıştır. İlk bileşen, senkronize yüksek frekanslı elektriksel verilerin elde edilmesine odaklanan Fazör Ölçüm Birimi (PMU) cihazları aracılığıyla çalışmaktadır. PMU'lar, geçici olaylar sırasında sistemin gerilim ve akım fazörlerini ölçerek, güç sistemlerinin anlık davranışını detaylı bir şekilde kaydeder. Elde edilen ham veriler, Square-Root Unscented Kalman Filter (SR-UKF) algoritması kullanılarak dinamik durum kestirimi yoluyla işlenir. SR-UKF, sigma noktalarının oluşturulması, QR ayrışımı ve karekök kovaryansın korunması gibi teknik özellikleri sayesinde, rotor açıları, rotor hızları ve iç gerilim bileşenleri gibi kritik parametrelerin yüksek doğrulukla kestirimini mümkün kılar. Bu algoritmanın sayısal stabilite ve hesaplama verimliliğini artırması, özellikle gerçek zamanlı uygulamalarda sistemin hızlı takibi ve operatörlerin acil müdahale edebilmesi açısından son derece önemlidir. Ek olarak, dinamik durum kestirimi entegrasyonu, güç sistemlerinin gizli dinamiklerini daha doğru analiz edebilmek için, öngörü modülüne aktarılacak verinin kalitesini önemli ölçüde yükseltmektedir; bu, operatörlerin sistem durumunu daha kapsamlı değerlendirmesine olanak tanır. İkinci bileşen, güç sistemlerinde FDIA gibi siber saldırılara karşı ek bir güvenlik katmanı sağlamayı amaçlamaktadır. Geleneksel kötü veri tespit yöntemlerinin saptayamadığı küçük çaplı manipülasyonlara karşı geliştirilen hibrit CNN-LSTM tabanlı anomali tespit modülü, kestirilen sistem durumları üzerinde çalışarak, siber saldırıların neden olduğu ufak sapmaları tespit eder. Bu modül, saldırının erken evrede algılanmasıyla, veri bütünlüğünün korunmasına önemli ölçüde katkı sağlar. Tespit edilen anomali durumlarında, veri onarım işlemi, Wasserstein GAN with Gradient Penalty (WGAN-GP) kullanan adversaryal otomatik kodlayıcı (AAE) ile gerçekleştirilir. AAE, hem statik (Weighted Least Squares tabanlı) hem de dinamik (SR-UKF) durum kestirimi çıktılarına entegre edilerek, geçici hal kararlılığı öngörüsünde kullanılacak temiz ve hatasız verilerin sağlanmasına olanak tanır. Bu süreç, derin öğrenme mimarilerinin optimize edilmiş parametre ayarları, eğitim protokolleri ve sürekli güncellenen optimizasyon stratejileri ile desteklenerek, sistemin siber saldırılar karşısındaki dayanıklılığını garantiler. Öngörü modülü, geçici hal kararlılığı öngörüsünü desteklemek amacıyla iki farklı kolektif öğrenme yaklaşımını bir araya getirir. İlk yaklaşımda, Multi-Layer Perceptron (MLP), Random Forest (RF), Support Vector Machine (SVM), Convolutional Neural Network (CNN) ve Light Gradient Boosting Machine (LightGBM) gibi farklı modellerin çıktıları, ağırlıklı yumuşak oylama mekanizması yoluyla entegre edilir. Bu yöntem, her modelin kendi güçlü yanlarını ortaya koyarak, gürültü ve saldırı durumlarında bile stabil ve doğru öngörüler sağlar. İkinci yaklaşımda ise, derin transformer tabanlı temel öğrenicilerin ilk aşamada ürettiği öngörüler, ikinci bir katmanda XGBoost meta-öğrenicisi kullanılarak işlenir. Bu yapı, modelin genel tahmin doğruluğunu daha da artırırken, farklı veri türlerinden maksimum bilgi çıkarımına olanak tanır. Bu iki kolektif öğrenme yöntemi, model çeşitliliğini ve dayanıklılığını arttırarak, geçici hal kararlılığı öngörüsünde üstün bir performans sunar. Simülasyon çalışmaları, NPCC 48-makine, 140-baralı sistemi üzerinde gerçekleştirilen geniş kapsamlı testler ile desteklenmiştir. Bu testler, çeşitli güç topolojileri, değişken yenilenebilir enerji entegrasyon oranları ve farklı arıza senaryoları altında yaklaşımın performansını değerlendirmiştir. Elde edilen sonuçlara göre, ham PMU verilerinin SR-UKF ile işlenmiş dinamik durum kestirimi çıktıları kullanıldığında, geçici hal kararlılığı öngörüsünde \%0,06 ile \%8,30 arasında doğruluk artışı sağlanmış ve en iyi durumda \%99,96 oranında yüksek öngörü doğruluğuna ulaşılmıştır. Ayrıca, yaklaşımın farklı sistem konfigürasyonları ve siber saldırı senaryoları altında dahi yüksek genelleme kabiliyetine sahip olduğu tespit edilmiştir. Bu kapsamlı analiz, metodolojinin teorik temellerinin yanı sıra, pratik uygulamalarda da uzun vadeli ve sürdürülebilir bir çözüm sunduğunu ortaya koymaktadır. Ek olarak, detaylı matematiksel modelleme, dinamik durum kestirimi algoritmalarının parametre ayarları ve hesaplama verimliliği konuları üzerinde yapılan çalışmalar, sistemin gerçek zamanlı uygulanabilirliğini ve siber saldırılara karşı dayanıklılığını artırmaya yönelik stratejileri kapsamlı olarak ele almaktadır. Örneğin, SR-UKF'nin kullanılan sigma nokta dağılımları ve QR ayrışımı ile elde ettiği yüksek sayısal stabilite, geçici dinamiklerin doğru tahmininde hayati rol oynar. Benzer şekilde, CNN-LSTM tabanlı anomali tespit modülü, saldırıların erken evrede algılanması ve adversaryal otomatik kodlayıcı (AAE) ile entegre ölçüm onarımının, veri bütünlüğünün sağlanmasında gösterdiği performans, önerilen sistemin pratik hayatta ne kadar etkili kullanılabileceğini göstermektedir. Gelecek araştırmalarda, bu entegre yaklaşımın daha büyük, heterojen güç sistemlerine uyarlanması, farklı FDIA senaryoları altında detaylı performans analizlerinin yapılması ve mevcut kontrol merkezi mimarileriyle entegrasyonunun sağlanması planlanmaktadır. Ayrıca, gerçek zamanlı operasyonel kısıtlamalar, hesaplama verimliliği ve siber güvenlik modüllerinin adaptif güncellenmesi konularında yapılacak iyileştirmeler, metodolojinin endüstriyel ölçekte uygulanabilirliğini daha da artıracaktır. Bu bağlamda, derin öğrenme temelli algoritmaların sürekli güncellenmesi ve çevrimdışı eğitimin çevrimiçi tahmin süreçlerine entegrasyonu, uzun vadede güç sistemlerinin esnekliği ve güvenilirliği açısından önemli katkılar sağlayacaktır. Sonuç olarak, tez; modern güç sistemlerinin dijitalleşmesi, yenilenebilir entegrasyonu ve artan siber tehdit ortamında, geçici hal kararlılığı öngörüsünde yüksek doğruluk, esneklik ve üstün siber direnç sunan entegre bir yaklaşım geliştirmektedir. Dinamik durum kestirimi, FDIA tespiti ve ölçüm onarımı modüllerinin uyumlu çalışması sayesinde, operatörler geçici hal kararlılığına ilişkin doğru ve zamanında kararlar alabilmekte, böylece sistemin genel verimliliği ve güvenilirliği önemli ölçüde artırılmaktadır. Bu yenilikçi yaklaşım, akademik camiada ileri araştırmalar için sağlam bir temel oluştururken, pratik uygulamalarda da güç sistemlerinin genel dayanıklılığı ve esnekliğini artırmaya yönelik önemli katkılar sağlamaktadır.
Özet (Çeviri)
This thesis presents a comprehensive and innovative framework for addressing one of the most critical challenges in modern power systems—maintaining transient stability under the threat of cyber attacks, particularly false data injection attacks (FDIAs). The work integrates robust dynamic state estimation with state-of-the-art machine learning algorithms and dedicated cyber-resilient measures to ensure reliable and accurate real-time transient stability prediction even as power grids grow in complexity. The framework is organized into two primary components. The first component focuses on high-fidelity data acquisition from Phasor Measurement Units (PMUs), which deliver high-frequency, synchronized electrical measurements. These measurements are enhanced by dynamic state estimates obtained via a Square-Root Unscented Kalman Filter (SR-UKF). By incorporating dynamic state variables such as rotor angles, rotor speeds, and internal voltage components, the framework creates an enriched feature space that significantly improves the fidelity of transient stability predictions. To mitigate cybersecurity risks, the thesis introduces an additional cyber-resilient layer. This layer features a hybrid Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM) anomaly detector designed to identify subtle deviations in estimation residuals indicative of FDIAs. Upon detection of a potential cyber attack, a measurement recovery module—based on a Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP) adversarial autoencoder (AAE)—is invoked to reconstruct and restore compromised data prior to stability analysis. The predictive aspect of the framework is driven by two ensemble approaches. One approach is a voting classifier that combines several machine learning models—including a Multi-Layer Perceptron (MLP), Random Forest (RF), Support Vector Machine (SVM), Convolutional Neural Network (CNN), and Light Gradient Boosting Machine (LightGBM)—using a weighted soft voting mechanism. This method effectively leverages the complementary strengths of the individual models to achieve robust transient stability predictions under noisy and adversarial conditions. The second approach is a stacking ensemble that integrates predictions from deep transformer base learners through an XGBoost meta-learner, providing an additional layer of refinement to the overall prediction accuracy. Extensive simulations on the benchmark NPCC 48-machine, 140-bus system demonstrate significant improvements in prediction accuracy when dynamic state estimates are incorporated. The results convincingly show that the integrated framework not only enhances prediction performance but also robustly mitigates the adverse effects of FDIA, rendering it highly suitable for real-time operational deployment. From an academic standpoint, this thesis makes a notable contribution by addressing the dual challenges of transient stability prediction and cyber resilience. It pushes the frontier of research by combining model-based dynamic state estimation with advanced machine learning techniques to improve both accuracy and reliability. Future work might focus on scaling the framework for larger systems, further robustness evaluations under different noise and attack scenarios, and integration into existing control center architectures. Overall, the proposed methodology represents a significant advancement in the field of power system stability analysis.
Benzer Tezler
- Data-driven prediction and emergency control of transient stability in power systems towards a risk-based optimal power flow operation
Güç sistemlerinde risk tabanlı optimal güç akışı işletimineyönelik geçici hal kararlılığın veri güdümlü tahmini veacil durum kontrolü
SEVDA JAFARZADEH
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. VEYSEL MURAT İSTEMİHAN GENÇ
- Gerçek zamanlı sistemlerde adaptif iş yükü dağıtımı
Adaptive real-time feedback scheduling
TOLGA AYAV
Doktora
Türkçe
2004
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OĞUZ DİKENELLİ
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- An affective framework for brain computer interfaces using transfer learning in virtual environments
Sanal ortamlarda transfer öğrenme kullanılarak beyin bilgisayar arayüzleri için duyuşsal çerçeve oluşturulması
MEHMET ALİ SARIKAYA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Accessibility modeling of intercity multimodal travel behavior
Şehirler arası çok modlu yolculuk hareketinin erişilebilirlik modellemesi
İSMAİL ADALIOĞLU
Doktora
İngilizce
2025
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ERGÜN