通过矩阵分解识别电力系统中连续的'不可观测'网络数据攻击
Identification of Successive "Unobservable" Cyber Data Attacks in Power Systems Through Matrix Decomposition
AI总结：
本文提出一种新框架，通过矩阵分解识别电力系统同步相量测量中的连续网络数据攻击，利用PMU数据的近低秩特性，提出基于凸优化的方法并提供理论保证。
摘要：
本文提出了一种新的框架，用于识别电力系统同步相量测量中的连续网络数据攻击。我们专注于检测无法通过任何仅依赖单时间点测量数据的现有方法检测的'不可观测'网络数据攻击。利用相量测量单元（PMU）数据的近低秩特性，我们将连续不可观测网络攻击的识别问题转化为低秩矩阵与变换后的稀疏列矩阵的矩阵分解问题。我们提出了一种基于凸优化的方法，并在数据识别中提供了理论保证。使用实际PMU数据和合成数据进行数值实验，以验证所提方法的有效性。
英文摘要：
This paper presents a new framework of identifying a series of cyber data attacks on power system synchrophasor measurements. We focus on detecting "unobservable" cyber data attacks that cannot be detected by any existing method that purely relies on measurements received at one time instant. Leveraging the approximate low-rank property of phasor measurement unit (PMU) data, we formulate the identification problem of successive unobservable cyber attacks as a matrix decomposition problem of a low-rank matrix plus a transformed column-sparse matrix. We propose a convex-optimization-based method and provide its theoretical guarantee in the data identification. Numerical experiments on actual PMU data from the Central New York power system and synthetic data are conducted to verify the effectiveness of the proposed method.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
