⚡ electrical engineering

Resilient Frequency Control of Low-Inertia Smart Islanded Microgrids Under FDI Attack Using Kalman Filter Observer

Este artículo propone una estrategia de control de frecuencia resiliente para microrredes aisladas de baja inercia bajo ataques de inyección de datos falsos mediante el empleo de un observador de filtro de Kalman de estado aumentado para estimar simultáneamente los estados del sistema, las perturbaciones de carga y las señales de ataque, reduciendo así significativamente las desviaciones de frecuencia y los errores de estimación a través de diversos niveles de inercia.

Autores originales: Mahmoud Mollayousefi Zadeh, Mohammadreza Toulabi, Gholamreza Farahani, Turaj Amraee

Publicado 2026-09-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mahmoud Mollayousefi Zadeh, Mohammadreza Toulabi, Gholamreza Farahani, Turaj Amraee

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La red eléctrica moderna está experimentando una transformación silenciosa. Durante décadas, la estabilidad del sistema eléctrico dependió de enormes turbinas giratorias en las centrales eléctricas tradicionales. Estas máquinas pesadas actuaban como un amortiguador natural, una inercia física que mantenía el flujo de electricidad constante incluso cuando la demanda cambiaba repentinamente. Hoy en día, sin embargo, la red se alimenta cada vez más de fuentes renovables como paneles solares y turbinas eólicas. Estas fuentes de energía limpia son excelentes, pero se conectan a la red a través de interruptores electrónicos en lugar de metal giratorio. Esto significa que no proporcionan ese mismo peso estabilizador y pesado. Cuando una red de potencia local, conocida como microrred, se desconecta de la red principal para operar por su cuenta, la pérdida de esta inercia física hace que el sistema sea increíblemente frágil. Un pequeño cambio en la demanda de energía puede hacer que la frecuencia de la electricidad oscile violentamente, provocando potencialmente un apagón.

Agravando esta fragilidad física, existe una vulnerabilidad digital. Para gestionar estas redes complejas y descentralizadas, los ingenieros dependen de sensores inteligentes y enlaces de comunicación para coordinar la generación de energía. Esta capa digital, aunque eficiente, abre la puerta a ciberamenazas. Un tipo de ataque particularmente peligroso implica que un intruso introduzca secretamente datos falsos en el sistema de control. Imagine a un hacker diciéndole al sistema que la frecuencia está bien cuando en realidad se está desplomando, o viceversa. El sistema, creyendo las mentiras, podría realizar los ajustes incorrectos, acelerando la inestabilidad en lugar de corregirla. Para una microrred de baja inercia, que ya lucha por mantenerse estable, tal engaño podría ser catastrófico. El desafío para los investigadores es crear un sistema que pueda ver a través de estas mentiras en tiempo real, distinguiendo entre un problema genuino y un truco digital, y corrigiendo el rumbo antes de que se apaguen las luces.

En un estudio reciente, un equipo de ingenieros de Irán abordó este doble desafío de la fragilidad física y el engaño digital. Se centraron en microrredes "aisladas": pequeñas redes de potencia autocontenidas que operan independientemente de la red principal. Su objetivo era diseñar un observador digital, una especie de vigilante inteligente, capaz de detectar y neutralizar ataques de inyección de datos falsos mientras el sistema estaba en funcionamiento. Los investigadores construyeron un modelo matemático de una microrred inteligente que incluía una mezcla de fuentes de energía renovables, almacenamiento de baterías y algunos generadores tradicionales. Luego simularon un escenario en el que el sistema estaba bajo ataque. El intruso en su simulación no intentó cortar las líneas de comunicación; en su lugar, inyectó cuidadosamente números falsos en las señales de control, tratando de engañar al sistema para que cometiera errores peligrosos sin levantar alarmas.

La solución desarrollada por el equipo se basa en una herramienta de estimación sofisticada conocida como filtro de Kalman. Piense en este filtro como un navegante altamente experimentado que conoce las reglas de la carretera mejor que nadie. En este caso, el navegante sabe exactamente cómo debería comportarse el sistema de potencia bajo condiciones normales. El filtro vigila constantemente dos piezas clave de información: la frecuencia real de la electricidad y la salida de potencia de los generadores. Al comparar lo que ve con lo que espera ver, el filtro puede detectar inconsistencias. Si los números no cuadran, el filtro asume que algo anda mal. La innovación en este trabajo fue ampliar la descripción de tareas del filtro. En lugar de solo rastrear el estado del sistema, los investigadores enseñaron al filtro a rastrear también la mano invisible del atacante. Trata los datos falsos como una variable oculta, intentando estimar su tamaño y forma en tiempo real.

Los investigadores probaron este enfoque en una serie de simulaciones rigurosas, creando seis escenarios diferentes para ver cómo resistiría el sistema. Introdujeron varios tipos de ataques, incluyendo cambios lentos y progresivos que eran difíciles de detectar, picos repentinos de datos falsos y patrones ondulados complejos diseñados para confundir al sistema. También variaron las condiciones físicas, probando el sistema cuando tenía una buena cantidad de inercia y cuando tenía muy poca, simulando una red alimentada casi exclusivamente por energía solar y eólica. En todos los casos, el filtro fue capaz de distinguir entre perturbaciones genuinas, como un cambio repentino en la cobertura de las nubes que afectaba la energía solar, y los datos falsos maliciosos inyectados por el atacante. Estimó con éxito el tamaño del ataque con alta precisión, reduciendo el error a una fracción minúscula de una unidad.

Una vez que el filtro identificó los datos falsos, el sistema utilizó esa información para cancelarlos. Restó la mentira estimada de la señal de control, neutralizando efectivamente la influencia del atacante antes de que pudiera causar daño. Los resultados fueron sorprendentes. En los escenarios donde el sistema se dejó sin protección, las desviaciones de frecuencia fueron severas, oscilando a menudo cerca de los dos hercios, un nivel de inestabilidad que podría activar paradas de seguridad y provocar un apagón total. Con el nuevo filtro implementado, esas oscilaciones se redujeron drásticamente. En las pruebas más desafiantes, que involucraban sistemas de inercia ultra baja que apenas se mantenían en pie, el filtro redujo la desviación de la frecuencia en casi un 49 por ciento. Mantuvo la estabilidad del sistema incluso cuando la inercia física era mínima, una condición en la que las defensas tradicionales probablemente fallarían.

El estudio también exploró cómo se comportaba el sistema cuando la inercia física de la red cambiaba. Los investigadores encontraron que el filtro funcionaba bien en todos los ámbitos, pero fue más efectivo cuando el sistema era más vulnerable. Cuando la red tenía muy poca inercia física, la capacidad del filtro para detectar y corregir el ataque marcaba la diferencia entre una red estable y una en colapso. La investigación sugiere que, si bien añadir inercia virtual mediante software puede ayudar, no es suficiente por sí solo para detener a un atacante cibernético decidido. La defensa digital proporcionada por el filtro es esencial para complementar el soporte físico. El equipo concluyó que este método ofrece una forma robusta de asegurar el futuro de las microrredes inteligentes impulsadas por energías renovables, garantizando que puedan operar de forma segura incluso cuando el mundo físico es ligero y el mundo digital es hostil. El trabajo demuestra que, con las herramientas matemáticas adecuadas, es posible construir un sistema de potencia que no solo sea inteligente, sino también resiliente contra las amenazas invisibles de la era moderna.

Resumen Técnico: Control de Frecuencia Resiliente de Microrredes Inteligentes de Baja Inercia en Modo Isla bajo Ataques FDI mediante un Observador de Filtro de Kalman

Planteamiento del Problema
La creciente penetración de recursos de energía renovable basados en inversores en las microrredes (MG) ha conducido a una reducción significativa de la inercia efectiva del sistema. Mientras que las microrredes en modo isla dependen de medios internos para la estabilidad de la frecuencia, la baja inercia las hace altamente susceptibles a las perturbaciones, caracterizadas por altas tasas de cambio de frecuencia (RoCoF) y profundos nadires de frecuencia. Concurrentemente, la digitalización de las microrredes introduce vulnerabilidades cibernéticas, particularmente en el lazo de control de frecuencia secundaria, el cual depende de redes de comunicación. Los ataques de Inyección de Datos Falsos (FDI) representan una amenaza crítica en este contexto; a diferencia de los ataques de Denegación de Servicio (DoS), los ataques FDI manipulan de forma encubierta los puntos de consigna y las mediciones sin interrumpir la comunicación, pudiendo potencialmente conducir al sistema hacia la inestabilidad. El desafío se ve agravado por el hecho de que los sistemas de baja inercia ofrecen un tiempo mínimo para la detección y defensa, y los datos de medición en las microrredes suelen ser limitados (típicamente frecuencia y potencia), lo que dificulta distinguir entre perturbaciones de carga legítimas, la dinámica del sistema y señales maliciosas de FDI.

Metodología
El artículo propone una estrategia de control de frecuencia resiliente utilizando un observador de Filtro de Kalman (KF) de Estado Aumentado. La metodología involucra los siguientes componentes clave:

Modelado del Sistema: La dinámica de frecuencia de la micorred se modela como un sistema de espacio de estados lineal e invariante en el tiempo. El vector de estado incluye la desviación de frecuencia ( $\Delta\omega$ ), la potencia de salida del regulador ( $\Delta P_m$ ) y el estado integral del controlador secundario ( $\Delta P_c$ ). El modelo incorpora la emulación de inercia virtual en el nivel de control primario y contabiliza las perturbaciones de carga y los ataques FDI como entradas exógenas.
Formulación del Estado Aumentado: Para estimar simultáneamente el ataque FDI y las perturbaciones de carga junto con los estados del sistema, el vector de estado es aumentado. La señal de ataque ( $FDI$ ) y la perturbación de carga ( $\Delta P_L$ ) son tratadas como estados adicionales con dinámicas de variación lenta modeladas por procesos de primer orden impulsados por ruido blanco.
Diseño del Observador: Se diseña un KF de tiempo discreto utilizando el modelo de espacio de estados aumentado. El observador utiliza únicamente dos salidas medibles: la desviación de frecuencia y la salida de potencia del regulador. El KF opera mediante recursiones estándar de predicción-corrección para estimar el vector de estado aumentado.
Estrategia de Mitigación: La señal de FDI estimada se extrae del estado aumentado y se resta de la entrada de control secundario. Esta compensación neutraliza efectivamente el impacto del ataque en la dinámica del regulador, permitiendo que el controlador responda únicamente a las perturbaciones legítimas del sistema.
Análisis de Observabilidad: El artículo realiza un riguroso análisis de observabilidad del sistema aumentado. Este revela que, con solo dos mediciones, el sistema es parcialmente observable. Específicamente, el estado integral del controlador secundario y la señal de ataque FDI están acoplados en el subespacio inobservable. El KF depende de la dinámica conocida de la señal de ataque (modelada por el parámetro $\alpha_{fdi}$ ) y la covarianza del ruido del proceso para discriminar entre los cambios lentos en la salida de control integral y los cambios lentos en la señal de ataque.

Contribuciones Clave

Enfoque en la Operación de Isla de Baja Inercia: El estudio aborda específicamente el escenario crítico de las microrredes inteligentes en modo isla con baja inercia y sin soporte de red, donde los márgenes de estabilidad de frecuencia son mínimos.
KF de Estado Aumentado para la Estimación Simultánea: El artículo desarrolla un enfoque de espacio de estados aumentado completo capaz de estimar conjuntamente los estados del sistema, las perturbaciones de carga y las señales de ataque FDI utilizando mediciones limitadas (frecuencia y potencia).
Integración de la Inercia Virtual: El diseño del observador tiene en cuenta explícitamente los efectos de la emulación de inercia virtual en el nivel de control primario, asegurando una estimación de estado precisa bajo condiciones de baja inercia.
Evaluación Exhaustiva: El método propuesto es validado a través de seis escenarios distintos, incluyendo diversos patrones de ataque (escalón, rampa, sinusoidal y de componentes múltiples), fluctuaciones de renovables y un espectro de condiciones de inercia que van desde alta hasta ultra baja.

Resultos
Los resultados de la simulación utilizando MATLAB/Simulink demuestran la eficacia del observador KF propuesto:

Precisión de la Estimación de FDI: El KF estima con éxito las señales de FDI con un Error Cuadrático Medio (MSE) del orden de $10^{-3}$ a $10^{-2}$ , incluso en presencia de fluctuaciones de renovables y ataques complejos de componentes múltiples.
Reducción de la Desviación de Frecuencia: La estrategia de compensación reduce significativamente las desviaciones de frecuencia. A través de los escenarios probados, las reducciones de la desviación de frecuencia oscilaron entre el 33.3% y el 48.9%.
- En un escenario de ataque de rampa sigiloso, la desviación se redujo en un 47.5%.
- En un ataque de escalón con perturbaciones simultáneas, la desviación se redujo en un 45.5%.
- En un escenario de ataque sinusoidal, la desviación se redujo en un 50.0%.
Sensibilidad a la Inercia: La mejora del rendimiento es inversamente proporcional a la inercia del sistema. El KF proporciona el mayor beneficio en escenarios de inercia ultra baja ( $H_{eff} = 1$ s), donde redujo el nadir de frecuencia de 3.5 Hz a 1.6 Hz (una mejora del 54.3%) y el RoCoF de 4.5 Hz/s a 2.3 Hz/s (una mejora del 48.9%). Este cambio evita que el sistema entre en un régimen inestable que de otro modo activaría el deslastre de carga o apagones.
Robustez: El observador desacopla eficazmente las perturbaciones de carga de los ataques FDI, manteniendo la precisión de la estimación incluso cuando ocurren simultáneamente fluctuaciones de renovables y escalones de carga con los ataques.

Significancia y Reivindicaciones
El artículo afirma que el observador basado en KF ofrece una solución robusta para mantener la estabilidad de la frecuencia en microrredes inteligentes de baja inercia en modo isla bajo ataques FDI. La significancia del trabajo radica en su capacidad para operar con datos de medición limitados mientras estima simultáneamente los estados del sistema y las señales maliciosas. Los autores destacan que el método es particularmente efectivo cuando el sistema es más vulnerable (es decir, bajo condiciones de inercia ultra baja), donde los métodos de detección tradicionales podrían fallar debido a la velocidad de la dinámica de frecuencia. Al compensar los ataques FDI en tiempo real, el enfoque evita la desestabilización artificial de la micorred, asegurando que el sistema permanezca dentro de los límites operativos seguros incluso cuando el lazo de control secundario está comprometido. El estudio concluye que, si bien la inercia virtual proporciona el soporte inicial necesario, el observador KF es esencial para neutralizar la amenaza específica de los ataques FDI que explotan la capa de control secundario dependiente de la comunicación.

Más como este