Generative AI Enabled Robust Sensor Placement in Cyber-Physical Power Systems: A Graph Diffusion Approach

Problem Statement (Enunciato del problema)

L'integrazione di reti elettriche fisiche con reti di comunicazione ha creato i Sistemi di Potenza Cyber-Fisici (CPPS), che migliorano l'efficienza del monitoraggio e del controllo ma introducono sfide progettuali complesse. Esiste una lacuna critica nell'ottimizzazione simultanea dello strato fisico (posizionamento dei sensori per il rilevamento delle anomalie) e dello strato cyber (robustezza della rete di comunicazione). Gli approcci esistenti spesso trattano questi strati separatamente o si affidano ad algoritmi greedy che non riescono a trovare gli ottimi globali per problemi NP-difficili.

Il documento affronta due sfide primarie:

1. Ottimizzazione del Trade-off: Budget limitati per i sensori richiedono il posizionamento dei sensori in nodi critici per massimizzare l'accuratezza del rilevamento delle anomalie. Tuttavia, disperdere i sensori può degradare la connettività della rete a causa di collegamenti wireless lunghi, mentre concentrarli può ridurre la copertura di rilevamento. Una strategia efficace deve bilanciare l'accuratezza del monitoraggio fisico con la connettività dello strato cyber.
2. Complessità Computazionale: L'ottimizzazione congiunta della selezione dei nodi e della robustezza della rete è dimostrata essere NP-difficile. L'ottimizzazione matematica tradizionale e gli algoritmi greedy spesso convergono a ottimi locali e faticano con gli spazi di soluzione vasti delle complesse reti elettriche.

Methodology (Metodologia)

Gli autori propongono un framework che modella il CPPS come una rete interdipendente e risolve il problema del posizionamento dei sensori utilizzando un nuovo approccio di Intelligenza Artificiale Generativa.

1. Modellazione del Sistema

• Struttura Interdipendente: Il sistema è modellato come una rete interdipendente uno-a-uno in cui i nodi della rete fisica e i nodi di comunicazione cyber condividono lo stesso insieme di vertici ($V_P = V_C$).
• Strato Cyber (Robustezza): L'affidabilità della comunicazione è valutata utilizzando il modello Log-Normal Shadowing Path Loss (LNSPL) per determinare l'attivazione dei collegamenti in base al Rapporto Segnale-Rumore (SNR). La robustezza della rete contro i guasti dei collegamenti è quantificata utilizzando metriche della teoria dei grafi spettrali: la costante di Cheeger e il valore di Fiedler (il secondo autovalore più piccolo del Laplaciano del grafo). Massimizzare il valore di Fiedler funge da proxy per massimizzare la connettività e la resilienza della rete.
• Strato Fisico (Rilevamento Anomalie): Vengono impiegati tre rilevatori di anomalie specifici per identificare i guasti alla rete:
  • Rilevatore Single-Edge: Monitora la variazione massima di potenza sui collegamenti adiacenti.
  • Rilevatore Group Anomaly: Somma le variazioni di potenza sui collegamenti adiacenti.
  • Rilevatore Group-Diversion: Calcola la deviazione assoluta totale delle variazioni di potenza.
    Lo score complessivo dell'anomalia è derivato da questi rilevatori per valutare le prestazioni di rilevamento.

2. Formulazione dell'Ottimizzazione
Il problema è formulato per massimizzare il valore di Fiedler (robustezza cyber) soggetto a vincoli sull'accuratezza del rilevamento delle anomalie, sulle soglie di perdita di percorso di comunicazione e a un budget massimo di sensori ($N$). Gli autori dimostrano che questo problema di ottimizzazione è NP-difficile riducendolo dal problema del massimo aumento della connettività algebrica.

3. Algoritmo Proposto: Experience Feedback Graph Diffusion (EFGD)
Per risolvere il problema NP-difficile, gli autori introducono EFGD, un algoritmo di Reinforcement Learning (RL) basato su modelli di diffusione su grafi discreti.

• Diffusione del Grafo: L'algoritmo tratta il posizionamento dei sensori come un processo generativo. Parte da un grafo rumoroso e lo de-noisa iterativamente per generare un grafo di posizionamento dei sensori ottimale ($G_0$).
• Policy Gradient con Cross-Entropy: A differenza dei normali gradienti di log-verosimiglianza negativa, EFGD utilizza un gradiente cross-entropy. Questo approccio minimizza la differenza tra la distribuzione prevista e la distribuzione latente, pesata dai premi (rewards), per esplorare strategie a più alto rendimento in modo più efficace.
• Experience Feedback: Per accelerare la tipicamente lenta convergenza dei modelli di diffusione, EFGD incorpora un meccanismo di feedback dell'esperienza. Esso mantiene un buffer di traiettorie ad alto rendimento (strutture di grafo ottimali trovate durante l'addestramento). Questi grafi ad alto rendimento fungono da "dimostrazioni esperte" per guidare il processo di de-noising, trascinando la policy verso regioni di soluzione ottimali più velocemente.
• Funzione di Reward: Viene utilizzata una funzione di reward con penalità sui vincoli. I premi positivi vengono assegnati solo quando i vincoli (budget dei sensori, accuratezza del rilevamento, perdita di percorso) sono rispettati, scalati dal valore di Fiedler. Le violazioni comportano penalità negative.

Key Contributions (Contributi Chiave)

1. Framework di Co-Design: Questo è il primo lavoro che considera simultaneamente la robustezza della rete fisica (rilevamento anomalie) e la robustezza della rete cyber (connettività sotto guasti dei collegamenti) nel posizionamento dei sensori per i CPPS.
2. Dimostrazione di NP-Hardness: Il documento dimostra formalmente che il problema del posizionamento robusto dei sensori formulato è NP-difficile, giustificando la necessità di approcci data-driven non-greedy.
3. Algoritmo EFGD: Gli autori propongono l'algoritmo EFGD, che integra:
   • Un modello di diffusione su grafi discreti per generare strategie di posizionamento dei sensori.
   • Un gradiente cross-entropy per migliorare l'esplorazione del reward.
   • Un ciclo di feedback dell'esperienza utilizzando traiettorie ad alto rendimento per accelerare significativamente la convergenza.
4. Metriche Spettrali: L'uso del valore di Fiedler e della costante di Cheeger fornisce un metodo teoricamente fondato per ottimizzare la resilienza della topologia di rete contro i guasti dei collegamenti.

Experimental Results (Risultati Sperimentali)

Il metodo proposto è stato valutato sul sistema IEEE 118-Bus utilizzando il simulatore PyPower.

• Velocità di Convergenza: EFGD è convergito in 60 epoche, rispetto alle circa 74 epoche di baseline GDPO (Graph Diffusion Policy Optimization) e DDPO (Denoising Diffusion Policy Optimization). Ciò rappresenta un miglioramento del 18,9% nella velocità di convergenza.
• Performance (Reward Medio):
  • EFGD ha ottenuto un reward medio di 2,2007.
  • Si tratta di un miglioramento del 22,90% rispetto a DDPO (-9,9470) e di un miglioramento del 19,57% rispetto a GDPO (-8,4694).
  • EFGD ha superato significativamente i metodi tradizionali greedy e casuali (che hanno prodotto reward negativi o altamente variabili), dimostrando un guadagno di performance superiore al 400% rispetto ai baseline tradizionali.
• Robustezza: Le strategie di posizionamento dei sensori generate hanno mostrato una varianza inferiore nei reward attraverso 100 condizioni di test con shadowing casuale, indicando maggiore stabilità e robustezza.
• Efficienza: L'addestramento ha richiesto circa un'ora (60 epoche) e l'inferenza (generazione di una strategia) ha richiesto circa 1 secondo, rendendolo adatto alla pianificazione offline e all'analisi rapida "what-if".

Significance and Claims (Significato e Rivendicazioni)

Il documento afferma che il framework EFGD offre un avanzamento significativo nella sicurezza delle operazioni CPPS. Sfruttando l'IA Generativa, specificamente i modelli di diffusione potenziati dal feedback dell'esperienza, il metodo supera i limiti dell'ottimizzazione tradizionale nel gestire problemi combinatori NP-difficili con vincoli complessi.

Gli autori sostengono che il loro approccio fornisce un trade-off fondato tra prestazioni di sensing e robustezza strutturale. L'integrazione del feedback dell'esperienza ad alto rendimento consente al modello di uscire dagli ottimi locali e di convergere più rapidamente verso strategie di posizionamento dei sensori globalmente superiori, garantendo che il CPPS rimanga sia sicuro (tramite l'accurato rilevamento delle anomalie) che resiliente (tramite una connettività di comunicazione robusta) in condizioni avverse. Il lavoro dimostra che l'IA generativa può efficacementamente sostituire o integrare i metodi euristici tradizionali nella pianificazione delle infrastrutture critiche.