Dynamic Average Consensus with Privacy Guarantees and Its Application to Battery Energy Storage Systems

Diese Arbeit stellt einen privacy-preserving dynamischen Durchschnittskonsens-Algorithmus vor, der mithilfe von zufälligen sinusförmigen Maskierungssignalen die Konvergenz gewährleistet und gleichzeitig das Abhören von Referenzsignalen verhindert, was insbesondere für das SoC-Ausgleichsmanagement in vernetzten Batteriespeichersystemen demonstriert wird.

Das Wesentliche

Hier ist eine einfache Erklärung des Papers, als würde man sie einem Freund beim Kaffee erzählen – auf Deutsch, mit ein paar bildhaften Vergleichen.

Das große Problem: „Alle müssen mitreden, aber niemand darf lauschen"

Stell dir vor, du hast eine Gruppe von Freunden (die Batterien in einem Energiespeicher-System), die zusammenarbeiten müssen, um einen Kuchen (den Strombedarf) gerecht aufzuteilen. Damit das funktioniert, müssen sie sich ständig unterhalten und sagen: „Ich habe noch viel Energie" oder „Ich bin fast leer".

Das Problem ist: Wenn sie das laut schreien, kann ein Lauscher (ein Hacker oder neugieriger Spion) mithören. Aus diesen Gesprächen könnte der Lauscher herausfinden, wann genau du deine Batterie entlädst, wie viel Strom du hast oder sogar, was du gerade machst. Das ist wie bei einem Geheimtreffen, bei dem jeder seine Pläne auf ein Blatt Papier schreibt und es in die Mitte legt – jeder kann es lesen, auch die Spione.

Die Lösung: Ein cleverer „Tarnmantel"

Die Autoren dieses Papers haben eine geniale Idee entwickelt, wie diese Gruppe trotzdem perfekt zusammenarbeiten kann, ohne dass der Lauscher etwas verraten kann. Sie nennen das „Dynamischer Durchschnittskonsens mit Privatsphäre".

Hier ist das Konzept in drei einfachen Schritten:

1. Das geheime Flüstern (Die Maskierung)

Bevor die Batterien anfangen, ihre echten Daten auszutauschen, starten sie eine kurze „Vorbereitungsphase".

• Die Analogie: Stell dir vor, jeder Freund schreibt auf ein Zettelchen ein zufälliges Lied (ein Sinussignal) mit einer zufälligen Melodie (Frequenz).
• Jeder Freund gibt dieses Liedchen nur seinem direkten Nachbarn.
• Dann rechnet jeder für sich aus: „Was habe ich von meinen Nachbarn bekommen minus was ich ihnen gegeben habe?"
• Das Ergebnis ist ein Tarnsignal (eine Art unsichtbarer Mantel). Wichtig ist: Wenn man alle Tarnsignale der Gruppe zusammenzählt, heben sie sich gegenseitig auf (Summe = 0).

2. Das Versteckspiel

Jetzt kommt der eigentliche Trick. Bevor eine Batterie ihre echten Daten (z. B. „Ich habe 50% Ladung") weitergibt, zieht sie ihren Tarnmantel an.

• Sie sagt nicht: „Ich habe 50%".
• Sie sagt: „Ich habe 50% + mein Tarnsignal".
• Die Nachbarn hören nur diese gemischte Nachricht. Da sie aber wissen, wie ihr eigenes Tarnsignal aussieht, können sie es wieder abziehen und den wahren Durchschnitt berechnen.
• Der Lauscher draußen hört aber nur das Chaos aus echten Daten und zufälligen Tarnsignalen. Für ihn ist es wie ein verrauschtes Radio: Er kann das echte Signal nicht herausfiltern.

3. Das Ergebnis: Perfekte Balance ohne Geheimnisverlust

Das Geniale an dieser Methode ist:

• Die Batterien wissen am Ende trotzdem genau, wie viel Energie die Gruppe insgesamt hat und können sich perfekt ausbalancieren (wenn eine Batterie voll ist, gibt sie ab; wenn eine leer ist, lädt sie auf).
• Der Lauscher kann nicht nur die aktuelle Ladung nicht erraten, sondern auch nicht, wie schnell sich die Ladung ändert (das ist wie die Geschwindigkeit, mit der jemand den Kuchen isst).
• Und das Beste: Die Gruppe wird nicht langsamer oder ungenauer. Sie arbeiten genauso schnell zusammen wie ohne den Tarnmantel.

Warum ist das wichtig? (Der Akku-Vergleich)

Das Paper zeigt dieses System am Beispiel von Batteriespeichern (BESS).
Stell dir ein ganzes Viertel vor, das Solarstrom speichert. Wenn alle Batterien nicht koordiniert sind, kann es zu Blackouts kommen oder die Batterien gehen kaputt, weil eine überlastet ist.
Mit diesem neuen Algorithmus können die Batterien sich absprechen, um den Strombedarf des Viertels zu decken und sich gleichzeitig gegenseitig zu entlasten.

Der Clou: Niemand von außen kann herausfinden, welche Familie gerade viel Strom verbraucht oder wann eine Batterie leer ist. Das schützt die Privatsphäre der Nutzer, ohne die Sicherheit des Stromnetzes zu gefährden.

Zusammenfassung in einem Satz

Die Autoren haben einen mathematischen „Tarnanzug" erfunden, der es Batterien erlaubt, sich perfekt abzustimmen, während sie gleichzeitig ihre geheimen Daten so stark verschleiern, dass selbst ein Spion mit einem Vergrößerungsglas nichts davon entschlüsseln kann.

Das Fazit: Wir können effizient zusammenarbeiten, ohne unsere intimsten Daten preiszugeben. Ein Gewinn für Sicherheit und Effizienz!

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Dynamischer Durchschnittskonsens mit Privatsphäregarantien und seine Anwendung auf Batteriespeichersysteme (BESS)

Autoren: Mihitha Maithripala, Chenyang Qiu und Zongli Lin

---

1. Problemstellung

Der dynamische Durchschnittskonsens (Dynamic Average Consensus, DAC) ist ein fundamentales Werkzeug in Multi-Agenten-Systemen, um den zeitlichen Durchschnitt veränderlicher Referenzsignale zu verfolgen. Herkömmliche DAC-Algorithmen erfordern den direkten Austausch lokaler Zustandsinformationen zwischen benachbarten Agenten.

Das Hauptproblem liegt in der Verwundbarkeit gegenüber Privatsphärenverletzungen:

• Sensitivität: Die ausgetauschten Signale können Rückschlüsse auf sensible lokale Referenzsignale $z_i(t)$ und deren Ableitungen $\dot{z}_i(t)$ zulassen.
• Bedrohung: Externe Lauscher (Eavesdroppers) oder sogar interne Angreifer können durch beobachtete Kommunikationsdaten und beobachterbasierte Methoden diese privaten Signale rekonstruieren.
• Limitationen bestehender Lösungen:
  • Differential Privacy: Fügt Rauschen hinzu, was zu einer ungenauen Konvergenz (Abweichung vom wahren Durchschnitt) führt.
  • Kryptographie: Hoher Rechenaufwand und Kommunikationskosten.
  • Zustandszerlegung: Oft komplex oder bietet nur Schutz für statische Konsensprobleme.
  • Bestehende Maskierungsansätze: Schützen oft nur das Referenzsignal, nicht aber dessen Ableitung, oder erlauben keine Anpassung des Privatsphärenniveaus.

Das Ziel ist es, einen DAC-Algorithmus zu entwickeln, der die Konvergenzeigenschaften (Geschwindigkeit und Genauigkeit) des konventionellen DAC beibehält, während gleichzeitig sowohl die Referenzsignale als auch deren Ableitungen vor externen Lauschern geschützt werden.

---

2. Methodik

Die Autoren schlagen einen neuen privatsphäreschützenden DAC-Algorithmus vor, der auf einer Maskierungstechnik mittels Sinussignalen basiert.

A. Algorithmisches Design

1. Initialisierungsphase:
   • Jeder Agent $i$ generiert für jeden Nachbarn $j$ ein Paar von Maskierungssignalen $s_{ij}(t)$ mit zufällig gewählten Frequenzen $\omega_{ij}$ und einer gemeinsamen Amplitude $A_m$.
   • Diese Signale werden über sichere Verbindungen ausgetauscht: $s_{ij}(t) = A_m \sin(\omega_{ij} t)$.
2. Konstruktion der Maskierung:
   • Jeder Agent konstruiert ein lokales Maskierungssignal $m_i(t)$ durch die Summe der empfangenen und gesendeten Differenzsignale:
     $$m_i(t) = \sum_{j \in \mathcal{N}_i} (s_{ji}(t) - s_{ij}(t))$$
   • Eigenschaft: Durch diese Konstruktion gilt für alle $t \geq 0$: $\sum m_i(t) = 0$ und $\sum \dot{m}_i(t) = 0$. Das globale Mittel bleibt also unverändert.
3. Maskierte Referenzsignale:
   • Der Agent maskiert sein Referenzsignal: $z_{m,i}(t) = z_i(t) + m_i(t)$.
4. Update-Regel:
   • Der DAC-Update-Algorithmus wird auf das maskierte Signal angewendet:
     $$\dot{\hat{z}}_{a,i}(t) = \dot{z}_{m,i}(t) - \beta \sum_{j=1}^N a_{ij} (\hat{z}_{a,i}(t) - \hat{z}_{a,j}(t))$$
   • Da die Summe der Masken null ist, konvergiert der Schätzwert $\hat{z}_{a,i}(t)$ gegen den wahren Durchschnitt der ursprünglichen Signale $z_i(t)$.

B. Theoretische Analyse

• Konvergenz (Satz 1): Es wird bewiesen, dass der Algorithmus die gleiche exponentielle Konvergenzrate wie das konventionelle DAC beibehält. Der stationäre Fehler bleibt begrenzt und kann durch Erhöhung des Gewinns $\beta$ beliebig klein gemacht werden. Die Maskierung verändert die Laplace-Matrix des Graphen nicht.
• Privatsphäre (Satz 2): Es wird gezeigt, dass ein externer Lauscher, der alle Kommunikationsverbindungen und die Schätzwerte $\hat{z}_{a,i}(t)$ beobachtet, die ursprünglichen Signale $z_i(t)$ und deren Ableitungen $\dot{z}_i(t)$ nicht eindeutig identifizieren kann.
  • Beweisidee: Es existieren unendlich viele verschiedene Trajektorien $z'(t) = z(t) + \delta(t)$ (wobei $\sum \delta_i(t) = 0$), die zusammen mit einer angepassten Maske $m'(t)$ exakt dieselben beobachteten Schätzwerte erzeugen. Daher ist das ursprüngliche Signal nicht rekonstruierbar.

---

3. Anwendung: State-of-Charge (SoC) Balancing in BESS

Der Algorithmus wird auf ein vernetztes Batteriespeichersystem (BESS) angewendet, um den Ladezustand (SoC) der Batteriezellen auszugleichen und die Gesamtleistung zu verfolgen.

• Ziel: Ausgleich der SoC-Werte aller Batterien ($S_i \approx S_j$) und Verfolgung einer gewünschten Gesamtleistung $p^*(t)$.
• Implementierung:
  • Der lokale Zustand $x_i(t)$ (energetische Kapazität) wird als Referenzsignal für den DAC verwendet.
  • Ein privatsphäreschützender DAC schätzt den Durchschnittszustand $\hat{x}_a(t)$.
  • Ein separater Konsens-Algorithmus schätzt den Durchschnitt der gewünschten Leistung $\hat{p}_a(t)$.
  • Die Leistungsverteilung erfolgt dezentral basierend auf diesen Schätzwerten, ohne dass private Zustände offengelegt werden.

---

4. Ergebnisse (Simulation)

Die Autoren simulierten ein System mit 6 Batteriezellen in einer Ringtopologie.

• Konvergenz: Die Batterien erreichten erfolgreich einen ausgeglichenen SoC, und die Gesamtleistung folgte präzise dem gewünschten Verlauf ($p^*(t) = 4200 \sin(t) + 4200$ W).
• Privatsphäre-Schutz:
  • Ein externer Angreifer versuchte, die privaten Zustände $x_i(t)$ und die individuellen Leistungen $p_i(t)$ mittels eines Beobachters (basierend auf [4]) zu rekonstruieren.
  • Ergebnis: Die rekonstruierten Signale weichen signifikant von den wahren Signalen ab (sichtbar in den Fehlerkurven).
  • Metrik: Der Root-Mean-Square-Error (RMSE) zwischen echter und rekonstruierter Leistung wurde als Maß für den Privatsphärenschutz verwendet.
  • Parametereinfluss: Eine Erhöhung der Maskierungs-Amplitude $A_m$ führte zu einem höheren RMSE, was eine stärkere Privatsphäre bedeutet. Dies bestätigt $A_m$ als einstellbaren Parameter zur Anpassung des Schutzniveaus.

---

5. Bedeutung und Beiträge

Die wichtigsten Beiträge dieser Arbeit sind:

1. Neue Maskierungsstrategie: Einführung einer Sinus-basierten Maskierung, die sowohl Referenzsignale als auch deren Ableitungen schützt (im Gegensatz zu früheren Methoden, die oft nur das Signal schützten).
2. Erhaltung der Leistungsfähigkeit: Der Algorithmus beeinträchtigt nicht die Konvergenzgeschwindigkeit oder die stationäre Genauigkeit des konventionellen DAC, da die Laplace-Matrix unverändert bleibt.
3. Anpassbarkeit: Das Schutzniveau kann über die Amplitude der Maskierungssignale ($A_m$) gesteuert werden, ohne die Systemdynamik grundlegend zu ändern.
4. Praktische Relevanz: Die erfolgreiche Anwendung auf das SoC-Balancing in BESS demonstriert die Machbarkeit in realen Energiesystemen, wo sowohl Effizienz als auch Datenschutz (z.B. zur Verhinderung von Marktmanipulation oder Angriffen) kritisch sind.
5. Theoretische Fundierung: Strenge Beweise für die Konvergenz und die Unmöglichkeit der Rekonstruktion privater Daten durch externe Angreifer.

Zusammenfassend bietet das vorgestellte Verfahren einen effizienten Weg, um verteilte Kontrollsysteme sicherer zu machen, ohne die Leistungsfähigkeit der Netzwerkkontrolle zu opfern.