1- مقدمه [1]

[i]خطوط انتقال دو‌مداره از اجزای حیاتی شبکه‌های انتقال ولتاژ زیاد[ii] محسوب می‌شوند و به ‌دلیل ظرفیت انتقال توان جالب توجه، بهره‌برداری اقتصادی با اشتراک مسیر و دکل‌های مشترک، نقش کلیدی در تضمین پایداری و قابلیت اطمینان سیستم‌های قدرت دارند [1]. ویژگی‌های فیزیکی این خطوط - از جمله کوپلینگ مغناطیسی میان مدارها[iii]، تغییرات پیکربندی بهره‌برداری[iv] (برای مثال، جابه‌جایی بین حالت تک‌مداره و دو‌مداره) و وجود خطاهای بین‌مداری بالقوه - چالش‌هایی خاص را برای تشخیص و جداسازی خطاها ایجاد می‌کنند [2]. در نتیجه، طراحی حفاظت‌هایی که هم دقیق و هم سریع باشند برای حفظ پایداری سیستم و جلوگیری از خاموشی‌های گسترده[v] حیاتی است.

در میان روش‌های استفاده‌شده برای حفاظت خطوط، حفاظت‌های دیستانس[vi] از رایج‌ترین راهکارها به ‌شمار می‌روند که با اندازه‌گیری ولتاژ و جریان در محل رله و محاسبۀ امپدانس ظاهری، محل و نوع خطا را تخمین می‌زنند [3]؛ هرچند این روش‌ها در خطوط دومداره به دلیل تأثیر متقابل جریان‌های بین‌مداری و تغییر امپدانس معادل، دقت کافی در تمایز خطاها را ندارند [4].

هم‌زمان با حرکت شبکه‌های برق به ‌سمت دیجیتالی‌شدن[vii] و ادغام گستردۀ تجهیزات هوشمند و سیستم‌های مخابراتی، امکان تبادل دادۀ بلادرنگ[viii] میان دو انتهای خط برای غلبه بر محدودیت‌های روش حفاظت دیستانس در خطوط دومداره فراهم شده است [5]. بر این اساس، روش‌های حفاظت دیفرانسیل[ix] خطوط دومداره توسعه داده شده‌اند که با مقایسۀ جریان‌های ورودی و خروجی هر مدار، امکان شناسایی خطاهای درون ناحیه را فراهم می‌کنند [6]. علاوه بر آن، استفاده از تکنیک‌های مبتنی بر امواج سیار[x] به دلیل سرعت عملکرد زیاد مورد توجه قرار گرفته است. این روش‌ها با تحلیل زمان ورود امواج ناشی از خطا به دو انتهای خط، محل خطا را با دقت زیاد تخمین می‌زنند [7]. در پژوهش‌های اخیر، روش‌های داده‌محور[xi] در حفاظت خطوط دومداره استفاده شده‌اند. این روش‌ها با استفاده از داده‌های ولتاژ و جریان و بدون نیاز به مدل‌سازی دقیق فیزیکی، قادر هستند با بهره‌گیری از الگوریتم‌های یادگیری ماشین (ML)[xii]، شبکه‌های عصبی و تحلیل الگو، خطاها را به ‌صورت بلادرنگ تشخیص دهند [8].

با وجود این پیشرفت‌ها در حفاظت خطوط دومداره، سطحی جدید از تهدیدات سایبری[xiii] به شبکۀ قدرت وارد می‌شود. حملات سایبری[xiv] می‌توانند با دستکاری سیگنال‌های اندازه‌گیری (مانند جریان و ولتاژ)، اختلال در عملکرد رله‌ها یا ارسال دستورات ناصحیح موجب قطع خطوط یا خاموشی‌های منطقه‌ای شوند؛ نمونۀ واقعی این نوع تهدیدها حملۀ سایبری منسجم به شبکۀ برق اوکراین در دسامبر ۲۰۱۵ است که منجر به خاموشی و اختلال شدید در چندین زیرسیستم شد و اهمیت امنیت سایبری[xv] در سامانه‌های قدرت را به ‌طور آشکار نشان داد [9].

از میان انواع حملات سایبری، حملات مبتنی بر تزریق دادۀ نادرست (FDIA)[xvi] به‌ ویژه در مکانیسم‌های حفاظتی مبتنی بر سیستم‌های مخابراتی، تهدیدی پرخطر به ‌شمار می‌آیند؛ زیرا می‌توانند بدون ایجاد آشکار خطای سنتی، سیستم‌های تصمیم‌گیر حفاظتی را گمراه کنند و منجر به عملکرد نادرست رله‌ها یا تصمیم‌گیری غلط در کنترل شبکه شوند. این ویژگی پنهانی‌بودن FDIA سبب می‌شود تا تدابیر پیشگیرانه و طراحی راهکارهای مؤثر برای مقابله با این حملات ضروری شود [10]. در [11]، حملات FDIA و [xvii]DoS  بر روی رله‌های اضافه‌جریان در شبکۀ سه ماشین - نُه باس IEEE شبیه‌سازی و با استفاده از تحلیل موجک[xviii]، شاخصی جدید به نام CADI تعریف شده است. این شاخص بر مبنای انرژی اجزای موجک جریان عمل می‌کند و توانسته است حملات را با دقت ۱۰۰ درصد تشخیص دهد و با نرخ نمونه‌برداری و اشباع ترانسفورماتور جریان نیز مقاومت نشان دهد. در [12]، تمرکز بر عملکرد الگوریتم‌های مختلف ML در شناسایی خطاها و طبقه‌بندی آنها در شرایط عادی و در حضور حملات FDIA بوده است. این پژوهش نشان می‌دهد هرچند مدل‌های ML در شرایط عادی عملکردی بسیار خوب دارند، عملکرد آنها تحت حملات دادۀ‌ کاذب به‌شدت افت می‌کند و تفاوتی بزرگ بین کلاس‌های مدل‌ها در مقاومت به حمله وجود دارد.

پژوهشگران در [13] مروری جامع بر روش‌های موجود تشخیص و مکان‌یابی FDIA، شامل روش‌های داده‌محور‌، برآورد حالت[xix]، روش‌های آماری، یادگیری ماشین و یادگیری عمیق[xx] انجام داده‌اند. مرور انجام‌شده نشان می‌دهد اگرچه حجمی جالب توجه از کارها بر روی شبکه‌های شعاعی و سیستم‌های توزیع انجام شده، توجه به خطوط انتقال و حفاظت خط کمتر بوده است. [14] یک روش بر اساس شبکۀ گرافی-آگاه[xxi] را برای مکان‌یابی خطا و برآورد حالت در هنگام حملات سایبری-فیزیکی ترکیبی معرفی می‌کند. اگرچه تمرکز این پژوهش بر کل سیستم قدرت است و نه به ‌طور خاص حفاظت خط انتقال دو‌مداره، نشان می‌دهد روش‌های گرافی-آگاه توانایی جالب توجهی در تشخیص و کاهش اثر حملات دارند. پژوهشگران در [15]، مقایسه‌ای بین روش‌های سنتی و جدید ML برای تشخیص و مکان‌یابی حملات سایبری بر روی داده‌های حسگرها انجام داده‌اند. نتایج نشان داده است شبکه‌های عصبی گراف (GNN)[xxii] در تشخیص و مکان‌یابی حمله مزیت‌هایی در شرایط متنوع دارند. برخی از مطالعات مانند [16] پیشنهاد می‌کنند با ایجاد تاریخچۀ عملکردی از تجهیزات و مقایسۀ آن با رویدادهای جاری، حالات غیرعادی شناسایی شوند. راهکارهایی دیگر همچون بهره‌گیری از فناوری بلاک‌چین برای ذخیره‌سازی امن داده‌ها در فضای ابری نیز مطرح شده‌اند [17]. همچنین، استفاده از الگوریتم‌های حفاظتی، به ‌ویژه حفاظت دیفرانسیل با مکانیسم مقایسۀ ولتاژ اندازه‌گیری‌شده و محاسبه‌شده برای تشخیص دستکاری در سیگنال‌ها پیشنهاد شده است، هرچند ممکن است موجب کاهش سرعت عملکرد رله‌ها شود [18]. پژوهشگران در [19] از ترکیب الگوریتم‌های پتانسیل تعمیم‌یافته و باقی‌ماندۀ تعمیم‌یافته استفاده کرده‌اند تا داده‌های بد را با دقت بیشتری شناسایی کنند. نتایج شبیه‌سازی بر روی شبکه‌های استاندارد IEEE  نشان می‌دهد روش پیشنهادی در مقایسه با روش‌های متداول، دقت تشخیص بیشتری در برابر حملات ترکیبی و داده‌های آلوده دارد و می‌تواند به عنوان ابزاری مؤثر در افزایش تاب‌آوری سایبری شبکه‌های قدرت استفاده شود.

با توجه به مقاله‌های مرورشده، می‌توان نتیجه گرفت اگرچه روش‌هایی دقیق برای تشخیص حملات سایبری از نوع FDIA و خطاها وجود دارند، بسیاری از آنها محدود به خطوط تک‌مداره یا حفاظتی ساده‌ هستند؛ در حالی که کاربرد خطوط دو‌مداره (که دارای پیچیدگی‌های کوپلینگ، خطای بین‌مداری و اشتراک در مسیر و تجهیزات) روزبه‌روز بیشتر می‌شود. همچنین، روش‌های داده‌محور و ML معمولاً نیازمند داده‌های آموزشی زیاد، شبیه‌سازی‌های پیچیده و قدرت محاسباتی زیاد هستند. برای حفاظت عملی، باید تعادلی میان دقت تشخیص و پاسخ سریع وجود داشته باشد. علاوه بر این، روش‌های حفاظت خطوط دومداره هر کدام نقاط قوت و ضعف خود را دارند؛ ترکیب آنها مانند دیفرانسیل-دیستانس می‌تواند مزیتی بزرگ باشد، اما تا کنون ترکیب دقیق در حضور حملات FDIA و در خطوط دو‌مداره به ‌طور جامع مطالعه نشده است.

در این مقاله، یک روش حفاظتی مبتنی بر ترکیب دو الگوریتم حفاظتی رایج دیفرانسیل و دیستانس پیشنهاد می‌شود. این الگوریتم، با استفاده از معیارهای چندگانه و تجزیه‌وتحلیل سیگنال‌های ولتاژ و جریان در هر دو سمت خط دومداره، امکان شناسایی دقیق حملات تزریق دادۀ نادرست و جلوگیری از عملکرد نادرست رله‌ها را فراهم می‌آورد. نوآوری‌های این مقاله را می‌توان در موارد زیر خلاصه کرد:

• توسعۀ الگوریتم حفاظتی ترکیبی جدید دیفرانسیل-دیستانس برای خطوط انتقال دو‌مداره با قابلیت تشخیص حملات FDIA.
• به‌کارگیری معیارهای چندگانه (چند شاخص تصمیم‌گیری) مبتنی بر سیگنال‌های جریان و ولتاژ در هر دو سمت خط برای افزایش دقت تشخیص.
• تفکیک هوشمند بین خطاهای واقعی و داده‌های مخرب بدون نیاز به داده‌های آموزشی حجیم یا مدل‌های یادگیری عمیق.

به منظور ارزیابی عملکرد روش پیشنهادی، شبیه‌سازی‌هایی در محیط نرم‌افزار MATLAB با مدل‌سازی سیستم استانداردIEEE  و با بهره‌گیری از داده‌های استخراج‌شده از نرم‌افزار DIgSILENT انجام شده‌اند.

در بخش‌های بعدی مقاله، ابتدا به طور اجمالی ساختار خطوط انتقال دومداره و چالش‌های حفاظتی آن معرفی می‌شوند. سپس، نحوۀ عملکرد حملات FDIA و نحوۀ اثرگذاری آنها بر طرح حفاظتی خط دومداره تشریح می‌شود. در ادامه، الگوریتم پیشنهادی برای مقابله با حملات FDIA ارائه و به‌تفصیل توضیح داده می‌شود. در نهایت، نتایج حاصل از شبیه‌سازی‌ها تحلیل و دقت روش پیشنهادی بررسی خواهد شد.

2- طرح حفاظت دیفرانسیل-دیستانس برای خطوط دومداره

پژوهشگران در [20] یک طرح حفاظت دیفرانسیل-دیستانس ارائه کرده‌اند که با به‌کارگیری این روش و افزودن الگوریتم پیشنهادشده در ادامه این مقاله، حفاظت خطوط انتقال دومداره در برابر خطا و حملات سایبری به ‌طور مؤثر صورت می‎گیرد. دیاگرام تک‌خطی یک خط دومداره در شکل (1) نشان داده شده است.

شکل(۱): دیاگرام تک‌خطی یک خط دومداره  [20]

طرح حفاظت دیفرانسیل-دیستانس بر پایۀ مقایسۀ جریان‌های دو خط موازی در یک فضای دوبُعدی دیفرانسیلی[xxiii] طراحی شده است. همان‌طور که در شکل (2) نمایش داده شده است، این فضای دوبُعدی به شش ناحیه تقسیم می‌شود. در این شکل،  جریان فاز a مدار اول و  جریان فاز a مدار دوم هستند که توسط رلۀ واقع در شین S نشان داده شده در شکل (2) اندازه‎گیری می‎شوند.

شکل (۲): فضای دوبُعدی دیفرانسیلی

در حالات مختلف بهره‌برداری و خطا، نقطۀ کار جریان در یکی از نواحی شش‌گانۀ فضای دوبُعدی نشان داده شده در شکل (۲) قرار می‌گیرد که تحلیل توالی این تغییرات امکان تشخیص دقیق خطاها و حل مشکلات مرتبط با رله‌های دیستانس را فراهم می‌کند. این حالات در جدول (1) آورده شده‌اند. همان‌طور که مشاهده می‎شود، حالت خط در نواحی به غیر از 3 و 5 یکتا نیست. بنابراین، به منظور تعیین دقیق حالت خط در نواحی 1، 2، 4 و 6، از شش ماژول رلۀ دیستانس استفاده می‌شود. در رله‌های دیستانس مرسوم، اتصال متقابل بین خطوط در امپدانس اندازه‌گیری‌شده توسط رله تأثیر دارد. حال، اگر یکی از خطوط خارج از حالت بهره‌برداری باشد، ممکن است رله دچار دسترسی بیش از حد شود.

برای حل این مشکل، امپدانس حلقۀ خطا در حالات مختلف محاسبه می‌شود. در صورتی که هر دو خط در حال بهره‌برداری باشند، امپدانس بدون جبران‌سازی محاسبه می‌شود. در حالت قطع یک خط، اگر جریان توالی صفر آن خط در دسترس باشد، اندازه‌گیری امپدانس خطا با اندازه‌گیری جریان توالی صفر خط مجاور جبران‌سازی می‌شود، اما اگر جریان توالی صفر خط قطع‌شده به واسطۀ نحوۀ قرارگیری ترانسفورماتورهای جریان در دسترس نباشد، این جریان توسط ماژول امپدانس از رابطۀ (1) حدس زده می‌شود و جبران‎سازی صورت می‌گیرد.

جدول (1): حالت‎های خط دومداره در نواحی فضای دوبُعدی

در رابطۀ بالا،  جریان توالی صفر مدار اول،  امپدانس توالی صفر اتصال متقابل دو خط و  امپدانس توالی صفر و مثبت مدار دوم هستند.

شکل (3) فلوچارت طرح حفاظت دیفرانسیل-دیستانس را نشان می‌دهد که برای سادگی به سه بخش تقسیم شده است. طبق این فلوچارت، ناحیۀ قرارگیری نقطۀ جریان در فضای دوبُعدی که در شکل (2) نشان داده شده است، در لحظات متوالی چک می‌شود. در لحظۀ صفر، از آنجا که سیستم در شرایط نرمال خود است، الگوریتم در ناحیۀ ۱ قرار دارد. اما در صورتی که در لحظات بعد توالی حرکت شناخته‌شده‌ای‌ مطابق شکل (3) بین حالات مختلف فضای دوبُعدی شناسایی شود، دستورات لازم به بریکر‌ها داده می‌شود.

اگر حمله‌کننده مطابق شکل (1) با تزریق دادۀ اشتباه به جریان‌های اندازه‌گیری‌شده توسط رله دیفرانسیل قصد حمله داشته باشد، توالی حرکت شناخته‌شده‌ای شکل نمی‌گیرد که از این طریق، حملۀ سایبری قابل شناسایی خواهد بود. این موضوع در قسمت سوم به طور دقیق‌تر بررسی می‌شود.

 برای افزایش قابلیت اطمینان و پوشش ضعف‌های احتمالی رله‌های دیفرانسیل، در ساختار پیشنهادی از رلۀ دیستانس به ‌عنوان لایۀ پشتیبان استفاده شده است. در بخش حفاظت امپدانس‌محور، الگوریتم پیشنهادی از دو ماژول امپدانسی بهره می‌برد که به ‌ترتیب برای حفاظت مدار اول و مدار دوم خطوط دومداره به‌ کار گرفته می‌شوند. هر یک از این ماژول‌ها شامل شش المان حفاظتی است که سه المان برای هر فاز در نظر گرفته شده‌اند و تمامی انواع خطاهای ممکن را که آن فاز را درگیر می‌کنند، پوشش می‌دهند. این ساختار حالت‌محور باعث می‌شود رله بتواند در شرایطی که روش‌های کلاسیک دیفرانسیلی یا امپدانسی به‌تنهایی ناتوان هستند - مانند خطاهای انتهایی یا بین‌مداری – به ‌صورت دقیق و سریع عمل کند و از عملکرد اشتباه یا تأخیر در حفاظت جلوگیری کند.

شکل(3):  الگوریتم حفاظتی. (الف): بخش اول (ب): بخش دوم (ج): بخش سوم

3- حملۀ تزریق دادۀ اشتباه در طرح حفاظتی دیفرانسیل-دیستانس خط دومداره

رله‌های دیفرانسیل طولی مرسوم بر اساس شکل (4) عمل می‌کنند. اگر شرط (1) برقرار شود، رله در ناحیۀ عملکرد قرار می‌گیرد و فرمان تریپ رله را صادر می‌کند.

شکل (4): ناحیۀ عملکرد رلۀ دیفرانسیل [18]

در روابط (۱) تا (۴)،  و  به ترتیب جریان محدودکننده[xxiv] و جریان دیفرانسیلی[xxv] رله هستند. جریان‌های ورودی به امین پایانۀ خط چندمداره با  نشان داده شده‌اند که  بیانگر تعداد کل پایانه‌هاست. برای مثال، خط دومدارۀ نشان داده شده در شکل (1) دارای چهار پایانه است. تابع تحریک در مشخصۀ دیفرانسیل-محدودکننده با  نشان داده شده است که در رابطۀ (۴) حساب می‌شود. در این رابطه، ، ،  و  پارامترهای تنظیمی رلۀ دیفرانسیل هستند که در شکل (۲) نشان داده شده‌اند. به طور دقیق‌تر،  حداقل جریان تحریک در مشخصۀ دیفرانسیل-محدودکننده[xxvi]،  نقطۀ شکست در مشخصۀ دیفرانسیل-محدودکننده[xxvii] و  و  ضرایب محدودکنندۀ پایین و بالا در مشخصۀ دو‌-شیب[xxviii] رلۀ دیفرانسیل هستند[18].

در شرایط نرمال،  صفر است و بر اساس (۳) می‎توان رابطۀ زیر را نتیجه گرفت:

اگر حملۀ تزریق دادۀ اشتباه زاویۀ فاز جریان در شین  را از  به  تغییر دهد، خواهیم داشت:

بنابراین، بر اساس رابطۀ (۱)، رله در صورتی فعال ‎می‌شود که:

یک رلۀ دیفرانسیل با پارامترهای ، ،  و  انتخاب می‎شود[21]. عملکرد این رله در خطوط موازی بین شین 1-2 در شبکۀ استاندارد 14باسۀ IEEE که در شکل (5) نشان داده شده است، شبیه‌سازی می‌شود و با انجام مطالعات، حداقل تغییر در فاز جریان‌‌های ورودی رله که موجب تریپ آن می‌شود، تعیین می‎شود. نتایج این مطالعات در جدول (2) آورده شده است.

بر اساس نتایج به‌دست‌آمده در جدول (2)، مشاهده می‌شود با تغییر فاز جریان از ۴/۷ رادیان به ۷/۱۷۴ رادیان، در حالی که اندازۀ جریان تقریباً ثابت است، رلۀ دیفرانسل در ناحیۀ قطع قرار می‌گیرد و در نتیجه، تشخیص تمایز بین خطای عادی و حملۀ سایبری ممکن نخواهد بود. بنابراین، مهاجم می‌تواند با اعمال تغییر در فاز جریان ورودی به رلۀ دیفرانسیل در طرح حفاطتی دیفرانسیل-دیستانس، همان‌طور که در شکل (1) نشان داده شده است، موجب قطع خط دومداره شود.

شکل (5): شبکۀ 14شینۀ استاندارد [22]

جدول (2): نتایج آزمایش تعیین حداقل تغییر جریان‎های ورودی به رله برای عملکرد آن

4- الگوریتم پیشنهادی برای تشخیص حملۀ تزریق دادۀ اشتباه

فلوچارت الگوریتم پیشنهادی برای تشخیص حملۀ سایبری تزریق دادۀ اشتباه در شکل (6) نشان داده شده است. همان‌طور که مشاهده می‎شود، این الگوریتم دارای سه قسمت است که با رنگ‎های سیاه، قرمز، سبز و آبی از هم جدا شده‎اند. در ادامه، عملکرد هر کدام از این سه قسمت توضیح داده می‎شود.

تشخیص وقوع خطا توسط رلۀ دیفرانسیل، با استفاده از سیگنال‌های جریان دریافتی در هر لحظه و مطابق روابط (۱) تا (۴) انجام می‌شود، همان‌طور که پیش‌تر تشریح شد. در الگوریتم پیشنهادی، این مرحله با رنگ سیاه نمایش داده شده است. بر اساس الگوریتم حفاظتی ارائه‌شده در شکل (3)، با وقوع خطا، بسته به نوع و محل خطا، توالی گذار منحصربه‌فردی بین نواحی فضای دوبُعدی دیفرانسیلی شکل می‌گیرد و دستور قطع به بریکر ارسال می‎شود. حال، در صورت وقوع حملۀ سایبری، توالی گذار متناسب با نوع خطای شناسایی‌شده بین نواحی فضای دوبُعدی اتفاق نمی‎افتد که نشان‎دهندۀ احتمال وقوع حملۀ سایبری است. در الگوریتم پیشنهادی، این مرحله با رنگ آبی نمایش داده شده است.

میان خطاهای معمول شبکه و حملات سایبری مبتنی بر تزریق دادۀ اشتباه به رله، تفاوت‌هایی وجود دارند. با شناسایی این تفاوت‌ها و به‌کارگیری آنها در الگوریتم پیشنهادی، می‌توان در زمان وقوع چنین الگوهایی از عملکرد نادرست رله‌ها جلوگیری کرد. بر این اساس، در ادامه، دو تست الگو و توالی معرفی می‌شوند که در الگوریتم پیشنهادی برای افزایش دقت شناسایی حملۀ سایبری استفاده شده‌اند. تست الگو با رنگ سبز و تست توالی با رنگ قرمز نمایش داده شده است.

4-1- تست الگو

همان‌طور که بیان شد، در صورتی که گذار مناسب بعد از تشخیص خطا صورت نگیرد، احتمال وقوع حملۀ سایبری تشخیص داده می‌شود. این تست به‌ منظور اطمینان از صحت این تشخیص استفاده می‌شود.

در خطاهای عادی در خط انتقال دومداره، شکل موج جریان ورودی به رله به‌سرعت ولی نه به طور ناگهانی بالا می‌رود. اما در صورتی ‎که مهاجم به ورودی جریان رله سیگنالی وارد کند، یک جهش یا ناپیوستگی ناگهانی در شکل موج جریان ورودی به وجود می‌آید. بنابراین، برای تشخیص حملۀ سایبری و بلاک‌کردن صدور فرمان تریپ، لازم است در فواصل زمانی کوتاه از شکل موج جریان‌های ورودی به رله نمونه‌برداری انجام شود و در صورت مشاهدۀ ناپیوستگی، می‎توان حملۀ سایبری را تشخیص داد.

 برای تشخیص ناپیوستگی، از آنجا که جریان ورودی به رله یک سیگنال پیوسته و سطح نویز پایین است‎، می‎توان از مشتق آن استفاده کرد؛ به طوری که اگر تغییرات شدید (ناپیوستگی) در جریان ورودی به رله وجود داشته باشد، مشتق سیگنال جریان ورودی به رله ناگهان بزرگ می‌شود که می‌توان اطمینان داشت وقوع حملۀ سایبری درست تشخیص داده شده است. در غیر این صورت، می‌توان گفت خطایی رخ نداده است.

4-2- تست توالی

اگر پیچیدگی حمله سبب عملکرد نادرست یکی از رله‎ها شود، لازم است در این مرحله نیز حمله شناسایی و دستور وصل مجدد بریکر صادر شود. برای این منظور، در این قسمت روش تست توالی برای شناسایی حمله پس از تأثیر حمله بر روی رله‎ها ارائه می‌شود.

پس از تشخیص خطا، دستور قطع بریکرها صادر می‌شود. با قطع بریکرها، توالی گذر متناسبی باید رعایت شود که در شکل (3) نشان داده شده است. در غیر این صورت، می‌توان نتیجه گرفت خطا ناشی از یک حملۀ سایبری بوده است و صحت وقوع خطا تأیید نمی‌شود. برای مثال، در شکل (3) بخش (الف)، اگر جریان در ناحیۀ 3 قرار گیرد، بریکر 1 تریپ می‎شود. با تریپ این بریکر، انتظار می‌رود نقطۀ کار به یکی از نواحی 4، 5 یا 6 جابه‌جا شود. در غیر این صورت، حملۀ سایبری تشخیص داده می‌شود و بریکر 1 مجدداً وصل می‌شود و وضعیت به ناحیۀ 1 بازمی‌گردد.

شکل (6): فلوچارت الگوریتم پیشنهادی برای تشخیص حملۀ سایبری تزیریق دادۀ اشتباه

5- شبیه سازی و مطالعۀ موردی

 الگوریتم پیشنهادی در شکل (6) در نرم‌افزار MATLAB کدنویسی شده است. به منظور بررسی صحت عملکرد روش پیشنهادی، با استفاده از داده‌های به‌دست‌آمده از آنالیزهای RMS-SIMULATION بر روی شبکۀ 14شینۀ IEEE در نرم‌افزار دیگسایلنت، عملکرد الگوریتم در تشخیص حملۀ FDIA در حضور خطا و حمله بررسی شده است. مرجع [22] اطلاعات لازم برای اجرای شبکۀ ۱۴شینۀ IEEE در نرم‌افزار DIgSILENT را داراست.

پارامترهای مربوط به تنظیمات رلۀ دیفرانسیل استفاده‌شده در شبیه‌سازی‌ها در جدول (3) ارائه شده‌اند. همچنین، مقدار آستانه در تست الگو برابر ۲۰۰ پریونیت بر ثانیه در نظر گرفته شده است. نرخ نمونه‌برداری از جریان ورودی به رله در هر سیکل برابر ۴۰ نمونه است.

ادامۀ مطالعه‌های موردی برای سنجش صحت عملکرد الگوریتم پیشنهادی ارائه می‌شود.

جدول (3): تنظیمات رلۀ دیفرانسیل

5-1- مطالعۀ موردی اول: بررسی عملکرد الگوریتم

در ابتدا، همان‌طور که در قسمت 3 توضیح داده شد، یک حملۀ سایبری تزریق دادۀ اشتباه به رلۀ حفاظتی خط 1-2 طراحی می‌شود. به عبارتی، یک جریان تزریقی به ورودی گیت رله به نحوی طراحی می‎شود که سبب عملکرد اشتباه آن شود. شکل (7) جریان تزریقی طراحی‌شده برای حملۀ تزریق دادۀ اشتباه را نشان می‌دهد.

شکل (7): شکل موج جریان حمله

در ابتدا، برای مبنای مقایسه، حملۀ طراحی‌شده به رلۀ دیفرانسیل در طرح حفاظتی دیستانس-دیفرانسیل خط دومداره، در شرایط غیرفعال‌بودن الگوریتم تشخیص حمله، اعمال می‌شود. برای این منظور، موج جریان حمله با ورودی جریان به رلۀ دیفرانسیل جمع می‌شود. همان‌طور که در شکل (8) مشاهده می‌شود، این حمله موجب تریپ رله می‌شود.

شکل (8): نتیجۀ اعمال حمله به رلۀ دیفرانسیل مرسوم

مطالعۀ موردی  اول با در نظر گرفتن الگوریتم پیشنهادی انجام شده است. در این مطالعۀ موردی، حملۀ تزریق دادۀ اشتباه تشخیص داده می‌شود و سیگنال بلاک فعال و از تریپ اشتباه رله جلوگیری می‌شود. سیگنال بلاک و سیگنال تریپ بریکرها در هنگام اعمال حملۀ FDIA در شکل (9) نشان داده شده‌اند. زمان اجرای کل فرایند تشخیص توسط الگوریتم پیشنهادی کمتر از ۱0 میلی‌ثانیه است که با زمان‌های نمونه‌برداری معمول در رله‌های حفاظتی سازگار است. همچنین، ساختار سادۀ الگوریتم و عدم نیاز به تکرارهای عددی پیچیده باعث می‌شود اجرای آن در رله‌های دیجیتال یا سیستم‌های کنترل بلادرنگ قابل انجام
باشد.

شکل (9): عملکرد الگوریتم پیشنهادی برای تشخیص حملۀ FDIA

5-2- مطالعۀ موردی دوم: تأثیر انواع خطا و حمله بر عملکرد صحیح الگوریتم

در این مطالعۀ موردی، انواع متفاوت خطا‎ و حمله به خط دومدارۀ یادشده اعمال می‌شوند و نتایج عملکرد الگوهای تست و توالی بررسی می‌شود. نتایج این شبیه‌سازی‌ها در جدول (4) آورده شده است. نتایج سه سناریوی اول تا سوم نشان می‌دهد الگوریتم پیشنهادی در برابر خطای تک‌فاز به زمین در هر دو فاز و نیز دوفاز به‌خوبی عمل می‌کند و دستور تریپ صحیح را به بریکرهای مربوط ارسال می‌کند.

به منظور بررسی انواع خطا، دو حمله در مدار اول و مدار دوم در سناریوهای چهارم و پنجم انجام می‌شوند. همان‌طور که مشاهده می‌شود، الگوریتم پیشنهادی حملات را به‌درستی تشخیص داده و به منظور افزایش دقت از تست الگو استفاده شده است. در دو سناریوی ششم و هفتم، ابتدا الگوریتم پیشنهادی غیرفعال شده است تا حمله منجر به تریپ رله‌های مربوط شود. سپس، با فعال‌سازی الگوریتم پیشنهادی، مشاهده می‌شود با استفاده از تست الگو، حمله تشخیص داده شده است و دستور وصل مجدد بریکرها صادر می‌شود. گفتنی است، زمان اجرای کل فرایند تشخیص توسط الگوریتم پیشنهادی کمتر از ۱0 میلی‌ثانیه است.

جدول (۴): مطالعۀ موردی دوم: نتایج شبیه‌سازی با انواع مختلف خطا

5-3- مطالعۀ موردی سوم: تأثیر شدت حمله بر عملکرد صحیح الگوریتم

در این مطالعۀ موردی، شش سناریوی جدول (5) برای بررسی تأثیر شدت حمله بر عملکرد الگوریتم پیشنهادی در شرایط مختلف طراحی شده‌اند. هر سناریو در ۲۵ حالت جریان اندازه‌گیری و با نویز گوسی ۱ درصد در انواع متفاوت خطا و حمله ارزیابی می‌شود. برای این منظور، از چهار شاخص زیر استفاده می‌شود [23]:

- نرخ تشخیص صحیح حملات (DR) : برابر با تعداد حملات صحیح شناسایی‌شده نسبت به تعداد کل سناریوهاست. این شاخص درصد حملات واقعی را نشان می‌دهد که الگوریتم موفق به شناسایی آنها شده است. هرچه زیادتر باشد، الگوریتم دقیق‌تر است.

- نرخ هشدار اشتباه (FPR) : برابر با تعداد حملات اشتباه شناسایی‌شده نسبت به تعداد کل حملات است. این شاخص میزان هشدارهای نادرست (وقتی سیستم سالم است اما الگوریتم حمله شناسایی می‌کند) را نشان می‌دهد. مقدار کمتر آن بهتر است.

• تأخیر شناسایی (DD)[xxix]: برابر با تفاضل بین زمان شروع حمله و زمان تشخیص آن توسط الگوریتم است. این شاخص سرعت واکنش الگوریتم را نشان می‌دهد. هرچه کمتر باشد، الگوریتم سریع‌تر عمل می‌کند.

جدول (۵): مطالعۀ موردی سوم: سناریوهای طراحی‌شده به منظور ارزیابی شدت حمله بر الگوریتم پیشنهادی

نتایج به‌دست‌آمده در جدول (6) ارائه شده است. همان‌طور که مشخص است، در سناریوهای اول تا سوم، نرخ تشخیص بیشتر از ۹۵ درصد توانایی الگوریتم پیشنهادی در شناسایی حملات حتی در شرایط چندمرحله‌ای را نشان می‌دهد. در سناریوی چهارم، همان‌طور که انتظار می‌رود، عملکرد الگوریتم کمی کاهش یافته است، زیرا حملات با دامنۀ کم و به ‌صورت تدریجی تزریق می‌شوند. تأخیر تشخیص در تمامی سناریوها کمتر از ۵۰  میلی‌ثانیه و نرخ مثبت کاذب نیز کمتر از ۴ درصد باقی مانده است که نشان‌دهندۀ دقت و پایداری روش است.

جدول (۶): ارزیابی سناریوهای طراحی‌شده در مطالعۀ موردی سوم بر اساس شاخص‌های تعریف‌شده

6- نتیجه گیری

با توجه به افزایش تهدیدات سایبری علیه شبکه‌های قدرت و به ویژه گسترش حملات تزریق دادۀ اشتباه، طراحی راهکارهای حفاظتی کارآمد امری اجتناب‌ناپذیر است. در این مقاله، یک الگوریتم حفاظتی مبتنی بر ترکیب حفاظت دیفرانسیل و دیستانس برای ایمن‌سازی خطوط انتقال دومداره ارائه شد. الگوریتم پیشنهادی با بهره‌گیری از تحلیل ناپیوستگی سیگنال جریان و بررسی توالی گذار بین نواحی فضای دیفرانسیلی، توانست حملات سایبری را به ‌طور دقیق شناسایی و از عملکرد نادرست رله‌ها جلوگیری کند. نتایج حاصل از شبیه‌سازی‌ها در سیستم استاندارد شبکۀ ۱۴شینۀ IEEE  حاکی از دقت و سرعت پاسخ الگوریتم پیشنهادی در تشخیص حملات سایبری تزریق دادۀ اشتباه از انواع خطاهای سه‌فاز، تک‌فاز به زمین و بین‌مداری است. دقت تشخیص (DR) در شش سناریو بین ۹۱ تا ۱۰۰ درصد قرار داشت و نرخ مثبت کاذب (FPR) کمتر از ۷/۳ درصد بود. همچنین، زمان پاسخ الگوریتم (DD) بین ۸ تا ۳۱ میلی‌ثانیه متغیر بود که نشان‌دهندۀ سرعت عملکرد مناسب آن است. با توجه به دقت زیاد، نرخ کم FPR و زمان پاسخ سریع، الگوریتم معرفی‌شده می‌تواند به عنوان راهکاری مؤثر و عملی برای افزایش امنیت شبکه‌های انتقال در برابر حملات سایبری استفاده شود.

[1] تاریخ ارسال مقاله : 10/02/1402

تاریخ پذیرش مقاله : 06/08/1404

نام نویسنده مسئول : محمد رضا مزیدی

نشانی نویسنده مسئول: ایران، یزد، دانشگاه یزد، دانشکدۀ مهندسی برق

[ii] High-Voltage Transmission Networks

[iii] Magnetic Coupling Between Circuits

[iv] Operational Configuration

[v] Black Out

[vi]  Distance protection methods

[vii] Digitalization of Power Networks

[viii] Real-Time Data Exchange

[ix] Differential methods

[x] Travelling Waves

[xi] Data Driven

[xii] Machine Learning

[xiii]  Cyber Threats

[xiv] Cyber Attacks

[xv] Cyber Security

[xvi] False Data Injection Attacks

[xvii] Denial-of-Service

[xviii] Wavelet Transformation

[xix] Estate Estimation

[xx] Deep Learning

[xxi] Graph informed

[xxii] Graph Neural Network

[xxiii] Two Dimension Differential Area

[xxiv] Magnitude of restraining current

[xxv] Magnitude of differential current

[xxvi] Minimum pickup current

[xxvii] Breaking point

[xxviii] The lower and higher percentage restraining settings

[xxix] Detection Delay