في عصر تكنولوجيا المعلومات وازدهار الذكاء الاصطناعي، تزايدت التهديدات التي تستهدف أنظمة الطاقة بشكل ملحوظ. من بين هذه التهديدات، تبرز هجمات إدخال البيانات المزيفة (FDIA) كخطر حقيقي قد يعيق عمل الشبكات الكهربائية ويؤدي إلى عواقب وخيمة.

لأجل التصدي لهذا التحدي، تم تطوير نموذج GenAI-FDIA، وهو إطار عمل فريد يعتمد على مزيج من تقنيات الذكاء الاصطناعي وتحديداً نماذج مولّدة مطابقة للفيزياء (Physics-Informed Generative Models). يقدم هذا النموذج مجموعة من 20 بنية معمارية متقدمة تشمل مجموعة من الأساليب مثل Wasserstein GANs ونماذج MMD-VAEs وتدفقات التطبيع ونماذج الانتشار.

تم تقييم هذه النماذج عبر ثلاثة مختبرات اختبار IEEE (14-bus DC، 30-bus DC، و14-bus AC) حيث أظهرت نتائج تجريبية متعلقة بالكشف عن بيانات سيئة (BDD) بأن جميع النماذج حققت معدلات هروب تبلغ 86.6% أو أكثر من الشبكة ذات 14 مسار.

أحد الاكتشافات الجريئة كان حول كيفية تأثير القيود الجغرافية على المعرفة التنظيمية للمهاجمين، مما أدى إلى تدهور ملحوظ في قدرة الهجوم. ولإحداث التوازن وتحسين النتائج، تم تقديم تقنية جديدة تهدف إلى إعادة تعزيز التسلل دون الحاجة إلى إعادة تدريب النماذج، مما يضمن الأمان الكامل عبر جميع الأنماط المتوافقة مع الفيزياء.

بشكل عام، يُعتبر GenAI-FDIA نموذجاً رائداً في مجال الأمان الكهربائي، حيث يقدم خريطة استرداد قوية يمكن تطبيقها على أي نموذج مولّد مقيد بالفيزياء. يظهر هذا البحث كيف يمكن لبيانات معقدة أن تُعالج وتُحلل لضمان سلامة الشبكات الكهربائية.

ما رأيكم في هذا التطور الرائع في عالم الأمان الكهربائي؟ شاركونا في التعليقات!