PHÁT HIỆN TRẠNG THÁI HỆ THỐNG ĐIỆN BỊ TẤN CÔNG AN NINH MẠNG DỰA TRÊN MÁY HỌC

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 9, 2021 43 PHÁT HIỆN TRẠNG THÁI HỆ THỐNG ĐIỆN BỊ TẤN CÔNG AN NINH MẠNG DỰA TRÊN MÁY HỌC POWER SYSTEMS CYBER-ATTACK DETECTION BASED ON MACHINE LEARNING Nguyễn Quốc Minh1*, Nguyễn Trần Minh Trang1, Nguyễn Tiến Thành1, Đàm Tá Hải2 Trường Đại học Bách khoa Hà Nội Công ty TNHH MTV Thí nghiệm điện miền Bắc *Tác giả liên hệ: minh.nguyenquoc@hust.edu.vn (Nhận bài: 21/6/2021; Chấp nhận đăng: 09/8/2021) Tóm tắt - Trong nghiên cứu này, nhóm tác giả đề xuất sử dụng thuật toán máy học (machine learning) để phát trạng thái hệ thống điện bị công an ninh mạng Bộ liệu sử dụng lấy từ phịng thí nghiệm Oak Ridge National Laboratory Hoa Kỳ Bộ liệu bao gồm 128 đặc trưng thu từ Phasor Measurement Unit (PMU), giá trị biên độ, góc pha điện áp dòng điện, tần số, tổng trở, trạng thái hệ thống điều khiển bảo vệ Bộ liệu đưa vào lớp trích chọn đặc trưng, nhằm loại bớt đặc trưng khơng ảnh hưởng ảnh hưởng đến tốn nhận dạng, sau đưa vào lớp nhận dạng để phát trạng thái bị công an ninh mạng Kết cho thấy, thuật tốn machine learing nhận dạng trạng thái hệ thống điện bị công an ninh mạng với độ xác đạt 92,39% Abstract - In this research, the authors propose a novel method to detect 34567890- based on machine learning We use the data from the Oak Ridge National Laboratory, USA The data consist of 128 features from Phasor Measurement Unit (PMU) including phase and magnitude of the voltage and current, frequency, impedance and status from control panel The data are first fed into feature extraction layer to detect and eliminate the unaffected features The data are then split into training and testing sets We use several machine learning algorithms to train the power system cyber-attack detection model such as random forest, support vector machine, K-nearest neighbor and neural network The results show that, the cyber-attack can be detected with the accuracy of 92.39% by proposed method Từ khóa - Hệ thống điện; an ninh mạng; trích xuất đặc trưng; phân loại; máy học Key words - Power system; cyber security; feature extraction; classification; machine learning Đặt vấn đề Ngày nay, mức độ tự động hóa hệ thống điện ngày cao, đặc biệt với phát triển lưới điện thơng minh, tích hợp nguồn điện phân tán Ở Việt Nam, với công nghệ trạm không người trực, việc thu thập, giám sát, điều khiển, vận hành trạm biến áp thực trung tâm điều khiển xa thơng qua hệ thống máy tính human machine interface (HMI), giao thức truyền thông Modbus, IEC60870-5-101/103/104, DNP3 IEC61850 (Hình 1) Việc ứng dụng cơng nghệ thơng tin có vai trị lớn việc đại hóa vận hành trạm biến áp, tiết giảm nhân lực tiết kiệm chi phí vận hành hệ thống điện Tuy nhiên, việc ngày phụ thuộc vào công nghệ thông tin điều khiển, vận hành hệ thống điện khiến cho vấn đề an ninh bảo mật hệ thống điện trở nên cấp thiết Ngày có nhiều vụ cơng an ninh mạng vào hệ thống điện giới ghi nhận Điển hình kể đến vụ công an ninh mạng vào hệ thống điện Ukraine năm 2015 Vào ngày 23/12/2015, hacker thâm nhập vào hệ thống thông tin ba công ty phân phối điện Ukraine Một ba công ty bị ảnh hưởng nặng với 30 trạm biến áp (7 trạm 110kV 23 trạm 35kV) bị cắt điện thời gian từ đến giờ, khoảng 230 nghìn người bị ảnh hưởng điện Theo kết điều tra sau đó, vụ cơng thực từ máy tính có địa IP từ Nga Hacker gửi mã độc đến công ty điện lực qua email, sau truy cập vào quyền điều khiển hệ thống SCADA, gửi lệnh cắt điện đến trạm Hình Quy định 176/EVN cấu hình SCADA trạm 500/220/110kV biến áp, xóa file liệu hệ thống máy tính, cơng từ chối dịch vụ chăm sóc khách hàng để ngăn chặn thơng tin phản ánh điện tổng đài Đây vụ công an ninh mạng vào hệ thống điện thành công ghi nhận Các vụ công an ninh mạng tương tự vào hệ thống điện nước Mỹ, Nga, Iran ghi Hanoi University of Science and Technology (Nguyen Quoc Minh, Nguyen Tran Minh Trang, Nguyen Tien Thanh) Northern Electrical Testing one member Company Limited (Dam Ta Hai) 44 Nguyễn Quốc Minh, Nguyễn Trần Minh Trang, Nguyễn Tiến Thành, Đàm Tá Hải nhận với mức độ ảnh hưởng thiệt hại khác Ở Việt Nam, chưa ghi nhận vụ công an ninh mạng vào hệ thống điện nào, nhiên với phát triển lưới điện đại, ứng dụng công nghệ thông tin ngày mạnh mẽ vào khâu giám sát, điều khiển vận hành hệ thống điện nguy ngày trở nên hữu Cách thức vụ công an ninh mạng thường sử dụng truy cập vào quyền điều khiển hệ thống SCADA/EMS, gửi lệnh đóng cắt thiết bị để gây điện, thay đổi cài đặt hệ thống rơ le bảo vệ, xóa thay đổi thơng số vận hành dịng điện, điện áp, công suất đo khiến hệ thống bảo vệ hiểu nhầm có cố Việc phân loại trạng thái hệ thống điện bị cố cách tự nhiên trạng thái hệ thống điện bị công an ninh mạng vào thông số đo trường hợp khó khăn, kỹ sư vận hành lâu năm khó phát Trong năm gần đây, xuất lưới điện thơng minh góp phần thúc đẩy nghiên cứu kỹ thuật phát hành vi xâm nhập công vào hệ thống điện Một phương pháp phát xâm nhập tập trung vào thiết bị điện tử thông minh (IED) lưới điện Nghiên cứu Chee-Wooi Ten [1] phát triển phương pháp phát xâm nhập dựa lịch sử ghi kiện thiết bị thơng minh Phương pháp Chee-Wooi Ten có hạn chế, phát xâm nhập vào 01 thiết bị điện tử thông minh thời điểm Một phương pháp khác đề xuất Chen [2], nhằm phát xâm nhập vào hệ thống điện hộ dân tịa nhà thơng minh Trong phương pháp này, Chen đề xuất mơ hình hàm để phát xâm nhập vào 03 yếu tố: Mức độ bảo mật thiết bị, lịch sử sử dụng điện giá điện Mơ hình phát xâm nhập vào nhiều thiết bị điện tử thông minh lúc Một hướng nghiên cứu khác tập trung vào phân tích, đánh giá luồng liệu thơng tin trao đổi hệ thống điện thông qua giao thức công nghiệp IEC61850, Modbus/TCP Nghiên cứu Hadeli [3] đề xuất phương pháp phát xâm nhập dựa phân tích mẫu liệu tạo thiết bị truyền qua giao thức công nghiệp Phương pháp Hadeli tỏ hiệu việc phát xâm nhập thông qua mẫu liệu bất thường truyền qua mạng; Tuy nhiên, phương pháp không phát việc can thiệp trực tiếp vào hệ thống điều khiển, truyền lệnh đóng cắt đến thiết bị đóng cắt gây điện diện rộng Một số nghiên cứu cho thấy, thuật tốn máy học có khả ứng dụng mạnh mẽ vấn đề hệ thống điện toán dự báo phụ tải [4-5], dự báo xạ/ công suất phát điện mặt trời [6], nhận dạng định vị cố [7-8] … Trong nghiên cứu này, nhóm tác giả đề xuất sử dụng thuật toán máy học nhằm phát trạng thái hệ thống điện bị công an ninh mạng Mơ hình thuật tốn máy học Trong phần này, nhóm tác giả giới thiệu mơ hình số thuật toán máy học ứng dụng lớp tốn nhận dạng trạng thái, từ áp dụng vào toán nhận dạng trạng thái hệ thống điện bị cơng an ninh mạng 2.1 Thuật tốn random forest Thuật toán random forest thuật tốn máy học phổ biến, có khả ứng dụng lớp toán hồi quy phân loại [9] Tư tưởng thuật toán tạo khu rừng với nhiều định (decision tree) Nói chung, có nhiều định dự đốn chắn, độ xác mơ hình cao Mỗi định mơ hình có node Các node thể câu hỏi node hình chữ nhật, node thể kết node hình trịn Các câu hỏi mơ hình định câu hỏi dạng nhị phân (đúng sai) Khi liệu huấn luyện đưa vào định đưa kết phân loại, dựa câu hỏi nhị phân Kết phân loại thuật toán random forest dựa số lượng phiếu bầu (vote) lớn từ định Thuật toán random forest có ưu điểm có khả phân loại với độ xác cao với liệu bị thiếu, có khả tính tốn với liệu đầu vào lớn, đa chiều 2.2 Thuật toán support vector machine (SVM) SVM thuật tốn sử dụng cho toán phân loại hồi quy, nhiên chủ yếu sử dụng cho toán phân loại [9] Trong thuật toán này, liệu biểu diễn dạng điểm không gian n chiều (với n số đặc trưng liệu) Thuật tốn tìm đường ranh giới (hyperlane) để phân chia điểm liệu thành hay nhiều loại cho khoảng cách từ điểm liệu tới đường ranh giới xa 2.3 Thuật tốn K-nearest neighbor (KNN) KNN thuật toán máy học đơn giản Khi huấn luyện mơ hình, thuật tốn khơng học từ liệu, tính tốn thực cần dự đốn kết liệu [9] KNN áp dụng toán phân loại hồi quy Trong toán phân loại, điểm liệu phân loại trực tiếp từ K điểm liệu gần tập liệu huấn luyện 2.4 Thuật toán XGBoost XGBoost, viết tắt từ eXtreme Gradient Boosting thuật toán máy học dựa định, sử dụng phương pháp độ dốc tăng cường [9] Đây thuật toán phát triển từ năm 2016 Đại học Washington, Hoa Kỳ có khả ứng dụng để giải toán hồi quy, phân loại, xếp hạng dự đốn Thuật tốn có ưu điểm có tốc độ tính tốn nhanh với liệu lớn, đa chiều 2.5 Mạng nơ ron nhân tạo Khi nói đến liệu dạng bảng có cấu trúc thuật tốn máy học dựa định thường cho kết tốt Tuy nhiên, dạng liệu phi cấu trúc hình ảnh, giọng nói, văn mạng nơ ron nhân tạo lại có xu hướng làm việc tốt Mạng nơ ron nhân tạo mô hoạt động não người Cấu trúc bao gồm lớp liệu đầu vào (input layer), lớp ẩn (hidden layer) lớp kết đầu (output layer) Các nơ ron lớp liên kết với nơ ron lớp liền kề thông qua hàm kích hoạt (activation function) có trọng số Các hàm kích hoạt hàm phi tuyến, đặc trưng cho mối quan hệ phức tạp liệu ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 9, 2021 Hình Hàm kích hoạt sigmoid (trái) ReLU (phải) Có hai hàm kích hoạt sử dụng phổ biến mạng nơ ron nhân tạo hàm sigmoid (PT 1) hàm reLU (PT 2) 𝜎(𝑥) = 1+𝑒 −𝑥 45 Dòng điện điện áp thành phần thứ tự thuận, nghịch, không; Tần số; tốc độ biến thiên tần số; Tổng trở Mỗi PMU đo 29 thông số, PMU đo 116 thông số, ngồi có thêm 12 thơng số từ điều khiển, trạng thái rơ le nên tổng số thơng số đầu vào 128 (Hình 4) Đây 128 đặc trưng sử dụng mơ hình nhận dạng Các thiết bị nối trực tiếp tới hệ thống điều khiển trung tâm Hệ thống tạo kịch bản: 1) Hệ thống làm việc bình thường; 2) Sự cố ngắn mạch đường dây; 3) Thay đổi cài đặt rơ le; 4) Gửi lệnh đóng cắt tới rơ le; 5) Chèn liệu, thay đổi thông số U, I (1) 𝑅(𝑥) = 𝑚𝑎𝑥(0, 𝑥) (2) Hàm sigmoid hàm kích hoạt phi tuyến sử dụng phổ biến mạng nơ ron nhân tạo Hàm nhận giá trị đầu vào cho giá trị đầu biến thiên khoảng (0-1) Chính đặc điểm nên hàm sigmoid thường dùng để biến giá trị thực thành xác suất Với giá trị đầu vào âm lớn hàm sigmoid tiến dần tới 0, ngược lại với giá trị đầu vào dương lớn hàm sigmoid tiến dần tới 1, đầu vào hàm sigmoid có giá trị 0,5 Chính vậy, phương trình giá trị đầu vào thường coi đường biên để phân loại đầu theo dạng nhị phân Nhược điểm hàm sigmoid nhanh chóng bão hòa đến giá trị trị tuyệt đối giá trị đầu vào lớn, điều dẫn tới đạo hàm bị triệt tiêu, khiến cho tốc độ tính tốn bị suy giảm đáng kể Một số nghiên cứu gần rằng, việc sử dụng hàm kích hoạt ReLU khắc phục vấn đề triệt tiêu đạo hàm, tốc độ tính tốn cải thiện đạo hàm hàm ReLU số giá trị đầu vào dương Hình Các thông số PMU đo Trong số kịch kịch ban đầu chế độ làm việc hệ thống điện khơng có can thiệp cơng an ninh mạng, cịn kịch sau kịch có can thiệp công an ninh mạng Để thuận lợi cho việc xây dựng mơ hình nhóm tác giả rút gọn kịch thành kịch bản: 1) Hệ thống điện làm việc bình thường; 2) Có cố ngắn mạch đường dây; 3) Có can thiệp công an ninh mạng Bộ liệu dùng nghiên cứu Hình Mơ hình thí nghiệm ORNL Trong nghiên cứu này, nhóm tác giả sử dụng liệu tạo từ phịng thí nghiệm Oak Rigdge National Laboratory, Hoa Kỳ [10] Mơ hình thể Hình Mơ hình bao gồm hệ thống điện đơn giản với máy phát G1, G2 nối vào đường dây Các máy cắt BR1, BR2, BR3, BR4 đặt đầu đường dây Bốn thiết bị PMU R1, R2, R3, R4 đặt vị trí để đo giá trị biên độ, góc pha dịng điện điện áp pha; Hình Sơ đồ khối mơ hình nhận dạng trạng thái hệ thống điện bị công an ninh mạng dựa machine learning Hình thể sơ đồ khối mơ hình nhận dạng trạng thái hệ thống điện bị công an ninh mạng dựa machine learning Đầu tiên, mơ hình đánh giá mức độ ảnh hưởng đặc trưng, đặc trưng có mức độ ảnh hưởng đáng kể lại Bước tiếp theo, liệu chuẩn hóa theo phương pháp min-max scaling để đưa Nguyễn Quốc Minh, Nguyễn Trần Minh Trang, Nguyễn Tiến Thành, Đàm Tá Hải 46 giá trị biến thiên khoảng khác đặc trưng khoảng biến thiên Sau chuẩn hóa liệu, nhóm nghiên cứu có sử dụng kỹ thuật Grid Search, phương pháp hiệu để tìm tham số tốt học có giám sát cải thiện hiệu suất tổng quát hóa mơ hình Sau tìm tham số tối ưu cho mơ hình bước cuối đánh giá độ xác mơ hình Kết Hình Dạng liệu đo từ PMU Hình thể cấu trúc bảng liệu đầu vào Bảng liệu bao gồm 128 cột (tính từ cột B) thể 128 đặc trưng đo từ PMU, 74490 hàng đại diện cho số lượng trạng thái tạo từ hệ thống điều khiển trung tâm Đây liệu tương đối lớn với nhiều đặc trưng nên cần thiết phải có bước tiền xử lý nhằm giảm thời gian tính tốn mơ hình Trước hết nhận thấy, đặc trưng dịng điện, điện áp, tần số, tổng trở có giải biến thiên tương đối khác Điều dẫn đến sai số việc xác định trọng số mơ hình, nhóm tác giả chuẩn hóa đặc trưng theo phương pháp min-max scaling (PT 3) Hình Mức độ ảnh hưởng 128 đặc trưng đến mơ hình nhận dạng trạng thái Đây phương pháp đơn giản cho phép biến đại lượng X có giải biến thiên thành đại lượng X’ có giải biến thiên từ đến 𝑋′ = 𝑋−𝑋𝑚𝑖𝑛 𝑋𝑚𝑎𝑥 −𝑋𝑚𝑖𝑛 (3) Sau chuẩn hóa đặc trưng, bước nhóm tác giả sử dụng mơ hình random forest để đánh giá sơ ảnh hưởng đặc trưng đến toán nhận dạng trạng thái, kết thể Hình 12 Trong hình này, trục tung đặc trưng, cịn trục hồnh thể mức độ ảnh hưởng đặc trưng đến toán nhận dạng trạng thái, cho tổng chúng Căn vào Hình 12 thấy, đặc trưng có mức độ ảnh hưởng khác đến mơ hình nhận dạng trạng thái Có 72 đặc trưng có ảnh hưởng lớn, đặc trưng biên độ góc pha dịng điện, điện áp pha; dịng điện, điện áp thành phần thứ tự thuận, nghịch không Các đặc trưng lại để huấn luyện mơ hình 56 đặc trưng cịn lại đặc trưng trạng thái on/ off rơ le (S), tổng trở rơ le đo (PA:Z), tốc độ biến thiên tần số (DF), độ lớn tần số (F) ảnh hưởng đến mơ hình nhận dạng trạng thái nên bị loại bỏ Việc loại bỏ đặc trưng khơng ảnh hưởng đến toán nhận dạng trạng thái thủ thuật phổ biến nhằm làm tăng tốc độ tính tốn thuật tốn mà đảm bảo độ xác Sau loại bỏ đặc trưng không quan trọng, vấn đề cần giải số liệu nhóm tác giả sử dụng có cân lớn tỉ lệ trạng thái Trong số 03 trạng thái trạng hệ thống điện bị công chiếm đa số (> 70%) liệu mà nhóm nghiên cứu có sử dụng Việc cân liệu lớn làm cho việc nhận dạng xác nhóm trạng thái thiểu số trạng thái bình thường trạng thái có ngắn mạch đường dây Trong nghiên cứu này, nhóm tác giả để xuất sử dụng phương pháp SMOTE (Synthetic Minority Oversampling Technique) nhằm giải vấn đề cân liệu Kỹ thuật tạo liệu tổng hợp cho trạng thái liệu thiểu số thiểu số, tiến hành cách nối điểm lớp thiểu số với đoạn thẳng sau đặt điểm nhân tạo đoạn thẳng này.Về bản, thuật toán SMOTE hoạt động theo bước đơn giản: Chọn vectơ đầu vào lớp thiểu số Tìm k lân cận gần vectơ Chọn vùng lân cận đặt điểm tổng hợp đâu đường thẳng nối với điểm xem xét điểm lân cận chọn Lặp lại bước liệu cân Để đánh giá trực quan độ xác mơ hình nhận dạng, nhóm tác giả sử dụng ma trận hợp (confusion matrix) Hình thể ma trận hợp thuật toán random forest Ma trận có kích thước 3×3 có trạng thái cần phân loại: no event trạng thái hệ thống điện làm việc bình thường, natural event trạng thái cố ngắn mạch đường dây (khơng có can thiệp cơng an ninh mạng) attack event trạng thái có can thiệp cơng an ninh mạng Trục hồnh thể trạng thái dự đốn mơ hình, cịn trục tung thể trạng thái thực tế mô hình ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 9, 2021 47 Với định nghĩa thấy, phần tử đường chéo ma trận thể số trạng thái có dự đốn giống với thực tế, cịn phần tử nằm ngồi đường chéo thể số dự đốn khác với thực tế Ví dụ, phần tử C(3,2) ma trận có trị số 1367, nghĩa có 1367 trạng thái thực tế chế độ cố ngắn mạch mơ hình dự đốn nhầm thành trạng thái bị công an ninh mạng Căn vào ma trận hợp ta tính độ xác mơ hình theo cơng thức: 𝑎𝑐𝑐 = 𝑆ố 𝑑ự đ𝑜á𝑛 đú𝑛𝑔 𝑇ổ𝑛𝑔 𝑠ố 𝑑ự đ𝑜á𝑛 (4) Ta thấy, độ xác thuật tốn random forest trường hợp 0,9239 Tương tự, ma trận hợp thuật toán XGBoost, KNN, SVM ANN thể Hình 9-12 Hình 11 Ma trận hợp thuật tốn SVM Hình Ma trận hợp thuật tốn random forest Hình 12 Ma trận hợp thuật tốn ANN Hình Ma trận hợp thuật tốn XGBoost Hình 13 So sánh độ xác thuật tốn Hình 10 Ma trận hợp thuật tốn KNN Độ xác thuật toán theo phần trăm thể Hình 13 Có thể thấy, thuật tốn random forest đạt độ xác cao 92,39% Các thuật toán máy học khác XGBoost, SVM, KNN đạt độ xác khoảng 67%-83% Thuật tốn random forest thể ưu điểm rõ rệt liệu lớn có cấu trúc dạng bảng, chế sử dụng nhiều định nên có khả phân loại tốt trường hợp mà liệu đầu vào có chênh lệch lớn số lượng trạng thái Bên cạnh độ xác thời gian huấn luyện nhận dạng yếu tố quan trọng để đánh giá hiệu thuật toán Bảng thể thời gian huấn luyện tính tốn thuật tốn sử Nguyễn Quốc Minh, Nguyễn Trần Minh Trang, Nguyễn Tiến Thành, Đàm Tá Hải 48 dụng nghiên cứu Có thể thấy, mạng nơ ron nhân tạo khơng thể ưu dạng liệu cấu trúc có thời gian tính tốn lớn (1742 giây) đạt độ xác 77,58% Bảng So sánh thời gian huấn luyện nhận dạng thuật toán Random XGBoost SVM KNN Forest Thời gian huấn luyện (s) 384 Thời gian nhận dạng (s) 0,0611 59 450 12 0,00461 0,0160 0,0040 Neural Network 1742 0,0432 Kết luận Trong nghiên cứu này, nhóm tác giả đề xuất sử dụng thuật toán máy học nhằm phát trạng thái hệ thống điện bị công an ninh mạng Với đặc điểm liệu đo từ hệ thống điều khiển xa loại liệu có cấu trúc thuật tốn máy học tỏ có ưu điểm, đặc biệt thuật tốn random forest đạt độ xác 92,39% Việc phát trạng thái hệ thống điện có can thiệp cơng an ninh mạng đóng vai trị quan trọng, giúp cho người hệ thống điều khiển đưa định xác kịp thời nhằm ngăn chặn giảm thiểu nguy từ không gian mạng đến vận hành an toàn hệ thống điện Trong nghiên cứu tiếp theo, nhóm tác giả tập trung vào việc cải thiện mơ hình có nhằm nâng cao độ xác toán nhận dạng trạng thái TÀI LIỆU THAM KHẢO [1] Chee-Wooi Ten, Junho Hong and Chen-Ching Liu, "Anomaly Detection for Cybersecurity of the Substations”, IEEE Transactions on Smart Grids,vol 2, no 4, pp.865,873, Dec 2011 [2] Y Chen and B Lou, “S2a: Secure smart household appliances”, in ACM Conference in Data Application Security Privacy, San Antonio, TX, USA, pp 217-228, Feb 2012 [3] Hadeli, H.; Schierholz, R.; Braendle, M and Tuduce, C., "Leveraging determinism in industrial control systems for advanced anomaly detection and reliable security configuration”, Emerging Technologies & Factory Automation (ETFA), pp.1-8, 22-25, Sept 2009 [4] W Kong, Z Y Dong, D J Hill, F Luo and Y Xu, "Short-Term Residential Load Forecasting Based on Resident Behaviour Learning”, in IEEE Transactions on Power Systems, vol 33, no 1, pp 1087-1088, Jan 2018 [5] C Huang and P Kuo, "Multiple-Input Deep Convolutional Neural Network Model for Short-Term Photovoltaic Power Forecasting”, in IEEE Access, vol 7, pp 74822-74834, 2019 [6] B P Mukhoty, V Maurya and S K Shukla, "Sequence to sequence deep learning models for solar irradiation forecasting”, IEEE Milan PowerTech, pp 1-6, 2019 [7] K Moloi and A O Akumu, "Power distribution fault diagnostic method based on machine learning technique”, 2019 IEEE PES/IAS PowerAfrica, pp 238-242, 2019 [8] T Goswami and U B Roy, "Predictive Model for Classification of Power System Faults using Machine Learning”, in IEEE Region 10 Conference (TENCON), pp 1881-1885, 2019 [9] Aurélien Géron, “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”, O’Reilly, 2nd edition, 2019, ISBN: 978-1492-03264-9 [10] S Pan, T Morris and U Adhikari, "Developing a Hybrid Intrusion Detection System Using Data Mining for Power Systems”, in IEEE Transactions on Smart Grid, vol 6, no 6, pp 3104-3113, Nov 2015