⚡ electrical engineering

FDIA-Resilient Dynamic State Estimation for Distribution Networks via LSTM-Integrated RAEC-CKF

Este artículo propone un método de estimación de estado dinámico resiliente para redes de distribución bajo ataques de inyección de datos falsos mediante la integración de un filtro de Kalman de cubatura de ensamble adaptativo de residuos con una red de memoria de corto plazo de largo plazo para detectar anomalías vía comparación de mínimos cuadrados ponderados y restaurar datos corrompidos a través de la predicción de series temporales.

Autores originales: Bao Zhen Bao, Yunfei Li, Wengen Gao, Wenlong Jiang, Jinglong Qiu

Publicado 2026-07-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bao Zhen Bao, Yunfei Li, Wengen Gao, Wenlong Jiang, Jinglong Qiu

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

Imagina la red eléctrica de una ciudad como un sistema nervioso masivo y complejo. Para mantener las luces encendidas y los electrodomésticos funcionando de forma segura, el centro de control necesita un "escaneo corporal" perfecto y en tiempo real de toda la red. Este proceso se llama Estimación de Estado. Es como un médico que intenta determinar la salud de un paciente basándose en sus signos vitales, como la frecuencia cardíica y la presión arterial.

Sin embargo, los hackers han encontrado una forma de engañar a este sistema. Lanzan Ataques de Inyección de Datos Falsos (FDIA). Piensa en esto como un hacker que se infiltra en un hospital y cambia el monitor de presión arterial real de un paciente por uno falso que muestra números normales, incluso cuando el paciente está en crisis. Debido a que los números falsos parecen muy realistas, las alarmas estándar del hospital (llamadas "Detectores de Datos Malos") no se activan, y los médicos (los operadores de la red) toman decisiones peligrosas basadas en mentiras.

Este artículo propone una forma nueva y más inteligente de atrapar a estos mentirosos y corregir los datos. Así es como funciona, desglosado en pasos sencillos:

1. El chequeo de los "Dos Doctores"

Los investigadores se dieron cuenta de que confiar en un solo método para verificar la salud de la red es arriesgado. Por ello, crearon un sistema que utiliza dos "doctores" diferentes para observar los mismos datos al mismo tiempo:

Doctor WLS (La Instantánea): Este doctor observa los datos de este preciso instante. Es rápido, pero no recuerda lo que sucedió hace un segundo.
Doctor RAEC-CKF (El Narrador): Este doctor utiliza un filtro matemático especial (un Filtro de Kalman de Cubatura) que recuerda la historia de la red. Sabe cómo fluyen el voltaje y la corriente normalmente a lo largo del tiempo.

El truco: En condiciones normales, ambos doctores están de acuerdo con la salud del paciente. Pero cuando un hacker inyecta datos falsos, el doctor de la "Instantánea" se confunde inmediatamente, mientras que el doctor "Narrador" nota que algo anda mal porque los datos no encajan con la historia. Al comparar ambos, el sistema puede detectar la mentira.

2. El problema de la "Decadencia" (Por qué fallan los métodos anteriores)

El artículo señala un fallo en los intentos previos para atrapar a estos hackers. Imagina que el doctor "Narrador" es tan bueno adivinando que, tras unos segundos de datos falsos, comienza a creer la mentira y ajusta su historia para que coincida con los números falsos. Una vez que lo hace, la diferencia entre los dos doctores desaparece y la alarma deja de sonar. El hacker gana porque el sistema piensa que el ataque ha terminado, aunque todavía esté ocurriendo.

3. El asistente de "Viaje en el Tiempo" (LSTM)

Para resolver esto, los autores añadieron una red de Memoria a Largo Corto (LSTM). Piensa en la LSTM como un asistente altamente capacitado que ha memorizado toda la historia de la red.

La Predicción: Cuando el sistema detecta una mentira, la LSTM interviene. Observa los últimos 20 segundos de datos reales del vecindario y predice cuáles deberían ser los números en este momento, ignorando los datos falsos que el hacker envió.
El Intercambio: El sistema toma la predicción de este "Asistente de Viaje en el Tiempo" y la intercambia con los datos falsos del hacker.
El Resultado: Ahora, el doctor "Narrador" (RAEC-CKF) está trabajando con datos corregidos y fiables. Nunca es engañado para creer la mentira, por lo que la alarma se mantiene fuerte y clara durante toda la duración del ataque.

4. El "Sensor Virtual"

El artículo describe a la LSTM como un "Sensor Virtual". Si un sensor real está roto o fue hackeado, el Sensor Virtual actúa como un sensor fantasma que sabe exactamente qué habría dicho el sensor real si estuviera funcionando. Esto permite que la red siga funcionando sin interrupciones.

Los Resultados

Los investigadores probaron esto en un modelo estándar de una red eléctrica (el sistema IEEE 33-bus) con un ataque de hacker simulado.

Método Antiguo: Detectó el ataque al principio, pero luego "se rindió" y dejó de detectarlo después de un corto tiempo. Era como una alarma de humo que deja de pitar cuando el humo se vuelve espeso.
Nuevo Método: Detectó el ataque y mantuvo la alarma sonando todo el tiempo. También corrigió los datos con tanta precisión que el error en el "escaneo corporal" de la red disminuyó en más de un 50%.

En Resumen

Este artículo presenta un sistema de seguridad para redes eléctricas que no solo hace sonar la alarma, sino que también corrige activamente la información errónea en tiempo real. Al combinar un filtro matemático basado en la "memoria" con un asistente de IA que predice la verdad, el sistema puede detectar hackers, ignorar sus mentiras y mantener la red eléctrica segura y estable.

Resumen Técnico: Estimación de Estado Dinámica Resiliente a FDIA mediante RAEC-CKF Integrado con LSTM

Planteamiento del Problema
Las redes de distribución modernas, al evolucionar hacia sistemas ciberfísicos (CPS) complejos, enfrentan vulnerabilidades significativas ante Ataques de Inyección de Datos Falsos (FDIA). A diferencia de los datos erróneos tradicionales, los vectores de FDIA son diseñados cuidadosamente para eludir los Detectores de Datos Erróneos (BDD) estándar mediante la manipulación de los datos de medición sin activar los umbrales de residuo. Esto conduce a estimaciones de estado erróneas que comprometen el monitoreo, el control y las decisiones de despacho de la red eléctrica.

Las soluciones existentes enfrentan tres limitaciones principales:

Decaimiento de las Señales de Detección: Los métodos convencionales que comparan estimaciones estáticas y dinámicas a menudo producen una señal de detección fuerte inicialmente, la cual decae con el tiempo a medida que el filtro converge al estado estacionario comprometido, dejando al sistema expuesto a ataques persistentes.
Desconexión Modular: La detección de FDIA y la corrección de datos se diseñan frecuentemente como módulos separados, careciendo de un marco unificado que active la corrección inmediatamente tras la detección.
Manejo de Ruido Complejo: El ruido no gaussiano, las incertidumbres dinámicas y los ataques sigilosos requieren soluciones adaptativas que no sacrifiquen la precisión de la estimación.

Metodología
El artículo propone un marco unificado que integra una red de Memoria a Corto Plazo (LSTM) con un Filtro de Kalman de Cubatura de Ensamble de Residuos Adaptativo (RAEC-CKF) y un estimador de Mínimos Cuadrados Ponderados (WLS) estático.

Mecanismo de Detección de FDIA:
La estrategia de detección se basa en un enfoque de doble capa para asegurar la persistencia:
1. Prueba de Consistencia: Calcula la distancia euclidiana entre la estimación estática WLS ( $\hat{x}_{WLS}$ ), que reacciona instantáneamente a los cambios de medición, y la estimación dinámica RAEC-CKF ( $\hat{x}_{RAEC-CKF}$ ), que evoluciona suavemente basándose en modelos temporales. Un sesgo significativo indica una anomalía.
2. Verificación por LSTM: Un detector LSTM dedicado, entrenado con datos históricos libres de ataques, reconstruye las mediciones actuales utilizando una ventana deslizante de datos pasados. Si el error de reconstrucción excede un umbral, se marca un posible ataque.
3. Lógica de Decisión: Se declara un FDIA si se viola la condición tradicional de BDD y el test de consistencia o el detector LSTM se activan. Esta lógica distingue el FDIA de las perturbaciones de carga inofensivas.
Corrección de Datos y Estimación:
Tras detectar un ataque en un nodo específico, el marco activa un bucle de corrección:
1. Predicción por LSTM: Modelos LSTM preentrenados predicen las mediciones de series temporales para el nodo atacado y sus vecinos basándose en datos históricos.
2. Reemplazo de Mediciones: Estos valores predichos reemplazan las mediciones corruptas en el vector de entrada para el RAEC-CKF.
3. Escalamiento de Incertidumbre: Para dar cuenta de la incertidumbre inherente de la predicción, las entradas diagonales correspondientes de la matriz de covarianza del ruido de medición ( $R_k$ ) se escalan por un factor $\beta > 1$ , evitando que el filtro confíe excesivamente en las pseudo-mediciones.
4. Operación Continua: El RAEC-CKF continúa actualizando la estimación de estado utilizando estos datos corregidos, evitando que el filtro converja a un falso estado estacionario. La corrección persiste hasta que la prueba de consistencia se estabiliza por debajo del umbral durante un número definido de pasos.

Contribuciones Clave

Estrategia de Detección Persistente: El artículo introduce un método que mantiene una señal de detección constante durante toda la duración de un ataque, superando el problema de "decaimiento" inherente a los filtros que convergen hacia estados comprometidos.
Marco Unificado de Detección-Corrección: Integra la detección y la corrección en un solo bucle coherente. El mismo módulo LSTM utilizado para la verificación proporciona los datos corregidos, permitiendo la corrección de errores en tiempo real y evitando la divergencia del filtro.
Arquitectura de Estimación Resiliente: La combinación de RAEC-CKF (que maneja el ruido no gaussiano y las incertidumbres dinámicas) con LSTM (que proporciona la predicción basada en datos) crea un estimador robusto capaz de operar bajo amenazas cibernéticas.

Resultados Experimentales
El método fue validado en el sistema IEEE 33-bus bajo un escenario de FDIA de mutación de un solo nodo (Nodo 9).

Desempeño de Detección: El propuesto LSTM-RAEC-CKF logró un F1 score de 0.9933 (99.83% de precisión, 99.33% de recall). En contraste, el enfoque convencional WLS-RAEC-CKF (sin corrección por LSTM) sufrió un rápido decaimiento de la señal, resultando en un recall de solo 2.67% y un F1 score de 0.0519.
Precisión de Estimación: Bajo ataque, el método corregido redujo los errores de estimación de voltaje en más de un 50% en comparación con los filtros no corregidos.
- Error de Voltaje Promedio: 0.004430 p.u. (vs. 0.010158 p.u. para el RAEC-CKF no corregido).
- Error de Fase Promedio: 0.272° (vs. 0.949° para el RAEC-CKF no corregido).
- Las estimaciones corregidas se mantuvieron dentro de un error de voltaje del 0.5% y un error de fase de 0.3° durante toda la duración del ataque.

Significancia y Reivindicaciones
Los autores afirman que este marco aborda eficazmente la limitación crítica del decaimiento de la señal de detección en la estimación de estado dinámica. Al unificar la detección y la corrección, el método asegura que las redes de distribución puedan mantener estimaciones de estado confiables y estabilidad operativa incluso cuando son sometidas a ataques cibernéticos sofisticados y persistentes. El estudio demuestra que integrar la predicción basada en datos con el filtrado basado en modelos proporciona una solución práctica para asegurar los sistemas de gestión de energía contra FDIA.

Limitaciones y Trabajo Futuro
El artículo reconoce que los modelos LSTM actuales fueron entrenados y probados bajo perfiles de carga idénticos; las variaciones de carga del mundo real y los cambios estacionales pueden impactar la precisión de la predicción. Además, el marco actualmente asume que el nodo atacado es identificado; aún no se ha implementado un mecanismo de localización de ataques totalmente automático. El trabajo futuro propuesto se centrará en el reentrenamiento en línea para la adaptación dinámica y en la extensión del método para manejar ataques coordinados que involucren denegación de servicio o suplantación de GPS.