🤖 machine learning

Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks

Diese Arbeit stellt ein auf Physics-Informed Neural Networks (PINNs) basierendes Modell zur sicheren Zustandsschätzung in Stromnetzen vor, das durch eine dynamische Gewichtung der Verlustfunktion ohne adversariales Training eine höhere Robustheit gegenüber gezielten Datenmanipulationsangriffen (FDIA) aufweist.

Ursprüngliche Autoren: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

Veröffentlicht 2026-04-28

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Der „gefälschte Navigationsbericht“ im Stromnetz

Stellen Sie sich vor, das Stromnetz ist wie ein riesiges, hochkomplexes Autobahnnetz in einer Metropole. Damit die Verkehrsleitung (das „State Estimation“) weiß, wo Staus sind oder wo zu viele Autos unterwegs sind, verlässt sie sich auf Sensoren – wie kleine Kameras und Induktionsschleifen an den Straßen.

Jetzt kommt der Bösewicht: Ein Hacker (FDIA - False Data Injection Attack). Er knackt nicht die Ampeln, um sie auf Rot zu stellen, sondern er ist viel raffinierter. Er schleicht sich in das System ein und fälscht die Daten der Sensoren. Er meldet zum Beispiel: „Auf der A1 ist alles frei!“, obwohl dort eigentlich ein riesiger Stau ist. Das Schlimmste daran: Seine Fälschungen sind so geschickt, dass sie physikalisch plausibel klingen. Er sagt nicht einfach „0 Autos“, sondern er berechnet genau, wie viele Autos bei dieser Geschwindigkeit dort sein müssten, damit niemand Verdacht schöpft. Die Verkehrsleitung merkt nichts und trifft falsche Entscheidungen, was am Ende zu einem totalen Chaos (einem Blackout) führen kann.

Die bisherige Lösung: Der „sture Gesetzestreue“

Bisher hat man versucht, Computerprogramme (Neuronale Netze) zu trainieren, die diese Daten prüfen. Man hat ihnen zwei Regeln beigebracht:

„Glaub den Sensoren!“ (Die Daten)
„Glaub den Gesetzen der Physik!“ (Die Verkehrsregeln: Autos können nicht aus dem Nichts auftauchen oder sich mit Lichtgeschwindigkeit bewegen).

Das Problem war: Man musste den Computern vorher mühsam von Hand sagen, wie wichtig Regel 1 im Vergleich zu Regel 2 ist. Das war wie ein Lehrer, der sagt: „Hör zu, die Sensoren sind zu 70 % wichtig und die Physik zu 30 %.“ Wenn aber ein Hacker kommt und die Sensoren extrem stark manipuliert, ist diese feste Gewichtung völlig überfordert. Der Computer vertraut dann den falschen Daten zu sehr und ignoriert die Physik.

Die neue Lösung: Der „intelligente Detektiv“ (Das PINN-Modell)

Die Forscher haben nun ein neues System entwickelt. Man kann es sich wie einen Detektiv mit einem eingebauten Bauchgefühl vorstellen.

Dieses neue System (das „Dynamic PINN“) hat keine festen Regeln, sondern lernt während des Trainings selbst, wie viel Gewicht es den Sensoren und wie viel Gewicht der Physik geben muss.

Die Analogie des Detektivs:
Stellen Sie sich vor, der Detektiv sieht einen Bericht: „Auf der Autobahn fahren 100 Autos mit 200 km/h.“

Ein sturer Detektiv (das alte Modell) würde sagen: „Der Sensor sagt 200 km/h, also ist das so, egal wie unlogisch das klingt.“
Unser neuer Detektiv (das neue Modell) sagt: „Moment mal! Die Sensordaten klingen zwar plausibel, aber sie widersprechen den Gesetzen der Mechanik und der Straßenkapazität. Ich vertraue den Sensoren in diesem Moment weniger und verlasse mich mehr auf mein Wissen über die Physik.“

Das Besondere: Der Detektiv nutzt eine mathematische Methode (genannt homoscedastic uncertainty), um die „Unsicherheit“ zu messen. Wenn die Daten „zu schön sind, um wahr zu sein“ oder physikalisch keinen Sinn ergeben, regelt das System automatisch die Wichtigkeit der Sensoren herunter und schaltet die „Physik-Brille“ hoch.

Was hat das gebracht? (Das Ergebnis)

Die Forscher haben das System an einem großen Test-Stromnetz (dem IEEE 118-Bus-System) geprüft. Sie haben verschiedene Arten von „Hacker-Angriffen“ simuliert:

Denken, dass die Lasten woanders sind (Load Redistribution).
Versuchen, Leitungen künstlich zu überlasten (Line Overload).
Oder einfach nur die Werte ganz subtil zu verfälschen (State Corruption).

Das Ergebnis war beeindruckend: Das neue System war viel stabiler und genauer als die alten Methoden. Während die alten Programme bei Angriffen völlig den Faden verloren, blieb der „intelligente Detektiv“ ruhig. Er erkannte die Unstimmigkeiten und konnte den echten Zustand des Stromnetzes fast perfekt rekonstruieren – selbst wenn die Hacker versuchten, ihn zu täuschen.

Zusammenfassend in drei Sätzen:

Das Paper beschreibt einen neuen Weg, wie man die Überwachung von Stromnetzen sicherer macht. Anstatt Computern starre Regeln vorzugeben, lernt das System selbstständig, wann es den Sensoren vertrauen kann und wann es sich lieber auf die Gesetze der Physik verlassen muss. Dadurch wird das Stromnetz resistent gegen hochmoderne Hackerangriffe, die versuchen, die Sensoren zu manipulieren.

Zusammenfassung: Lernen ohne adversariales Training – Ein physikinformiertes neuronales Netz zur sicheren Zustandsschätzung in Stromnetzen unter False Data Injection Attacks (FDIA)

1. Problemstellung

Die Zustandsschätzung (State Estimation, PSSE) ist eine kritische Funktion für die Überwachung und Steuerung moderner Stromnetze. Mit der zunehmenden Digitalisierung steigt jedoch die Anfälligkeit für Cyber-Angriffe. Besonders problematisch sind False Data Injection Attacks (FDIA), bei denen Angreifer Messwerte gezielt manipulieren, um die Netztopologie und die physikalischen Gesetze (AC-Leistungsfluss) zu berücksichtigen. Solche „getarnten“ (stealthy) Angriffe können die Schätzwerte verfälschen, ohne die herkömmlichen Fehlererkennungsverfahren (Bad-Data Detection) auszulösen.

Bisherige datengesteuerte Ansätze (neuronale Netze) leiden oft unter mangelnder physikalischer Konsistenz, während physikinformierte neuronale Netze (Physics-Informed Neural Networks, PINNs) zwar physikalische Gesetze einbetten, aber extrem empfindlich auf die manuelle Gewichtung zwischen Daten-Loss (Übereinstimmung mit Messwerten) und Physik-Loss (Einhaltung der Leistungsflussgleichungen) reagieren. Eine falsche Gewichtung führt zu instabilem Verhalten, insbesondere unter Angriffsszenarien.

2. Methodik

Die Autoren schlagen ein robustes PINN-Modell vor, das ohne adversariales Training auskommt. Das Modell wird ausschließlich auf sauberen, ungestörten Betriebsdaten trainiert, ist jedoch durch seine Architektur gegen Angriffe resistent.

Kernkomponenten der Methodik:

Dynamische Verlustgewichtung (Dynamic Loss-Weighting): Anstatt feste Koeffizienten für die verschiedenen Verlustterme zu verwenden, nutzt das Modell eine Formulierung basierend auf homoskedastischer Unsicherheit. Das Netzwerk lernt während des Trainings selbstständig die optimalen Skalierungsfaktoren für die vier Verlustkomponenten: Wirkleistung ( $P$ ), Blindleistung ( $Q$ ), Spannungsmagnitude ( $V$ ) und Phasenwinkel ( $\theta$ ).
One-sided Log-Ratio Safeguard: Um zu verhindern, dass das Modell die physikalischen Constraints während des Trainings vernachlässigt (ein häufiges Problem bei rein datengetriebenen Ansätzen), wird ein zusätzlicher Regularisator eingeführt. Dieser greift nur dann ein, wenn der Einfluss der Physik im Verhältnis zu den Daten unter einen Zielwert fällt.
Angriffsszenarien (Benchmark): Zur Evaluierung wurde ein systematisches Framework für AC-konsistente und residuenbeschränkte FDIA entwickelt. Es umfasst vier Angriffstypen:
1. State Distortion (Zustandsverzerrung)
2. Load Redistribution (Lastumverteilung)
3. Line Overloading (gezielte Leitungsüberlastung)
4. Residual-constrained State Corruption (hochgradig getarnte Zustandsmanipulation)

3. Hauptbeiträge (Key Contributions)

Entwicklung eines robusten PINN-Frameworks: Einführung einer adaptiven Gewichtung mittels Unsicherheitsmodellierung, die die Balance zwischen Daten-Fidelität und physikalischer Konsistenz online optimiert.
Attack-Agnostic Design: Das Modell benötigt keine Informationen über die Art des Angriffs während des Trainings, bleibt aber durch die physikalische Einbettung gegenüber manipulierten Messwerten im Testbetrieb stabil.
Systematisches FDIA-Benchmarking: Bereitstellung einer standardisierten Pipeline zur Generierung von AC-konsistenten Angriffen, die über einfache Rauschmodelle hinausgeht und reale Angriffsziele (wie wirtschaftliche Manipulation oder Überlastung) simuliert.

4. Ergebnisse

Die Evaluierung erfolgte am IEEE 118-Bus-System. Die Ergebnisse zeigen eine signifikante Überlegenheit des vorgeschlagenen Modells gegenüber herkömmlichen PINNs mit festen Gewichten:

Genauigkeit: Der mittlere absolute Fehler (MAE) wurde im Vergleich zu Fixed-Weight-PINNs um durchschnittlich 82 % reduziert.
Spezifische Angriffe: Bei der Lastumverteilung sank der MAE von $9,46 \times 10^{-2}$ (Baseline) auf $1,85 \times 10^{-2}$ .
Stabilität: Das Modell zeigt eine deutlich höhere Robustheit gegenüber extremen Fehlern (95. und 99. Perzentil), was auf eine stabilere Schätzung auch bei starken Manipulationen hindeutet.
Gewichtsverlauf: Die Analyse zeigt, dass das Modell zu Beginn des Trainings die Physik stärker gewichtet und im Verlauf des Trainings die Daten stärker priorisiert, was zu einer optimalen Konvergenz führt.

5. Bedeutung (Significance)

Die Arbeit demonstriert, dass die Integration von physikalischem Wissen in neuronale Netze durch adaptive Lernmechanismen weitaus effektiver ist als durch manuelles Tuning. Für die Praxis bedeutet dies, dass Zustandsschätzer in Stromnetzen robuster gegenüber hochgradig koordinierten Cyberangriffen werden können, ohne dass das Modell auf die Kenntnis spezifischer Angriffsmuster angewiesen ist. Dies stellt einen wichtigen Schritt zur Absicherung kritischer Infrastrukturen in einer zunehmend digitalisierten Energiewelt dar.