Résumé technique : Benchmark d'apprentissage profond conscient de la latence pour la classification en temps réel d'attaques cyber-physiques et de défauts

Énoncé du problème

Les réseaux électriques modernes subissent une transformation pilotée par l'intégration de ressources à base d'onduleurs (IBR) et d'infrastructures cyber-physiques sophistiquées. Ce changement introduit des modes de défaillance complexes où les IBR présentent des caractéristiques de courant de défaut (amplitudes limitées, harmoniques haute fréquence) qui défient les schémas de protection hérités, tandis que la digitalisation élargit la surface d'attaque cybernétique. Bien que l'apprentissage profond (DL) ait montré des promesses pour détecter les défauts physiques et les cyber-attaques avec une haute précision hors ligne, un écart critique subsiste dans la littérature : la plupart des études privilégient la précision sur des jeux de données statiques tout en négligeant la latence d'inférence de bout en bout dans des contextes de flux réalistes.

La chronologie opérationnelle pour la protection des réseaux électriques est exceptionnellement exigeante, nécessitant souvent l'isolement des défauts en un à deux cycles (16–34 ms). La recherche actuelle manque de benchmarks rigoureux et comparatifs quantifiant la latence des modèles DL par rapport à ces exigences temporelles strictes. Par conséquent, les affirmations d'applicabilité « temps réel » sont fréquemment non étayées, créant un obstacle au déploiement des méthodes d'apprentissage automatique, des prototypes de recherche vers des systèmes de niveau protection.

Méthodologie

Pour combler cet écart, les auteurs ont développé un cadre de benchmarking conscient de la latence utilisant des signaux haute fidélité dans le domaine temporel générés à partir d'un simulateur de transitoires électromagnétiques de niveau industriel (WinIGS).

1. Génération de données et banc d'essai :

• Simulateur : Le jeu de données a été généré à l'aide de WinIGS pour modéliser la dynamique du réseau, l'intégration des énergies renouvelables et les injections d'anomalies avec une précision microseconde.
• Banc d'essai : Un micro-réseau riche en onduleurs comportant un onduleur photovoltaïque de 50 kVA et un système de stockage d'énergie par batterie (BESS) de 30 kVA.
• Acquisition de données : Flux de valeurs échantillonnées (Sampled Value - SV) IEC 61850 émulsés à 4,8 kHz (résolution de 208 µs) provenant de deux unités de fusion (MU).
• Anomalies : L'étude couvre 17 classes distinctes, incluant le fonctionnement normal, divers défauts physiques (SLG, LL, DLG, Triphasé) et cyber-attaques (attaques sur les rapports TC/TP, falsification GPS).
• Prétraitement : Les caractéristiques ont été standardisées et des séquences de 50 échantillons ont été générées en utilisant une approche de fenêtre glissante.

2. Architectures de modèles :
Huit architectures DL distinctes ont été systématiquement évaluées :

• Perceptron multicouche (MLP)
• Réseau de neurones convolutif 1D (1D-CNN)
• Mémoire à court et long terme (LSTM)
• Hybride CNN-LSTM
• Transformer
• Réseau de convolution temporelle (TCN)
• ResNet1D
• Réseau de convolution graphique spatio-temporel (ST-GCN)

3. Pipeline d'inférence en temps réel :
L'évaluation a été menée sur un pipeline de flux traitant des échantillons bruts du domaine temporel. Pour assurer la stabilité des décisions, le cadre a employé :

• Moyenne mobile d'un cycle : Un filtre de moyenne mobile centré ($N_{cyc} = 80$ échantillons) pour lisser les vecteurs de probabilité.
• Abstention basée sur la confiance : Un mécanisme de décision où les prédictions ne sont émises que si la confiance maximale dépasse un seuil ($\tau = 0,6$). Sinon, le système s'abstient (sortie -1), empêchant les mauvaises classifications à faible confiance.

4. Métriques d'évaluation :
L'étude a défini quatre métriques clés pour évaluer les performances sous contraintes temps réel :

• Précision : Proportion d'échantillons correctement classés.
• Couverture : Fraction d'échantillons avec des décisions confiantes (non abstention).
• Temps de classification ($T_{cls}$) : L'intervalle entre le début de l'anomalie et son identification correcte.
• Latence d'inférence ($T_{inf}$) : Le délai de calcul (temps moyen de passage avant) requis pour générer une décision à partir des mesures brutes.

Contributions clés

L'article présente trois contributions principales :

1. Comparaison systématique : Une évaluation directe de huit architectures DL sur des données de flux haute fidélité couvrant 17 anomalies physiques et cybernétiques différentes.
2. Pipeline d'inférence pratique : Mise en œuvre d'un pipeline temps réel intégrant un filtrage cyclique et une abstention basée sur la confiance pour améliorer la stabilité des décisions dans les environnements de flux.
3. Benchmark quantitatif de latence : La première preuve comparative de latences de détection et de classification infra-cycle pour cette suite diversifiée de modèles, distinguant explicitement la vitesse de classification algorithmique de la latence d'inférence de bout en bout.

Résultats

Performance d'entraînement :
Tous les modèles ont atteint une haute précision hors ligne (>94 %). Le modèle MLP a obtenu les meilleurs résultats avec une précision de 99,66 %, malgré le nombre le plus faible de paramètres (157 k). Le modèle Transformer a démontré la plus haute précision équilibrée (99,88 %), indiquant une robustesse face au déséquilibre des classes, bien qu'il ait eu une précision brute plus faible (95,37 %).

Inférence en flux et latence :

• Stabilité : Les prédictions brutes en flux présentaient un jitter et des oscillations significatifs. L'application du filtre de moyenne mobile d'un cycle avec contrôle de confiance a stabilisé avec succès les classifications, éliminant les fausses alarmes et assurant une confiance durable du modèle.
• Temps de classification : Tous les modèles ont atteint des temps de classification infra-cycle (variant de 3,38 ms à 14,83 ms), identifiant avec succès les anomalies dans la fenêtre de protection requise (généralement <16 ms).
• Latence d'inférence : Malgré des temps de classification rapides, la latence moyenne d'inférence de bout en bout a constamment dépassé trois cycles (50–90 ms) pour tous les modèles. Par exemple, le MLP avait une latence de 57,20 ms, tandis que le ST-GCN atteignait 88,89 ms.
• Scénarios spécifiques :
  • Attaques sur le rapport TC : Les modèles MLP et Transformer ont réagi le plus rapidement (<10 ms), tandis que les modèles récurrents (LSTM, CNN-LSTM) étaient plus lents (>50 ms).
  • Défauts hors zone : Le système a correctement identifié les défauts en dehors de la zone d'entraînement en réduisant la confiance et en les signalant comme « non vus » (-1) plutôt que de les classer incorrectement.

Signification et affirmations

L'article conclut que, bien que les modèles d'apprentissage profond possèdent la capacité algorithmique de détecter et de classifier les anomalies des réseaux électriques avec des temps de réponse infra-cycle, un écart critique persiste entre cette capacité et le déploiement de niveau protection. La latence d'inférence de bout en bout constante (50–90 ms) dépasse la fenêtre typique de 16–34 ms requise pour les fonctions de protection primaire.

Les auteurs affirment que ces résultats établissent un benchmark reproductible pour la détection d'anomalies infra-cycle. Le travail souligne que les profils de latence actuels sont plus adaptés aux fonctions de contrôle et de conscience situationnelle qu'à la protection primaire. L'article met l'accent que le passage de ces méthodes vers des applications réelles nécessite une optimisation supplémentaire et une accélération matérielle pour combler l'écart de latence, plutôt que de se concentrer uniquement sur la précision du modèle. L'étude sert de guide pour comprendre les compromis entre précision, vitesse et complexité dans la conception des systèmes de protection intelligents de nouvelle génération.