Anomaly Detection in Smart Power Grids with Graph-Regularized MS-SVDD: a Multimodal Subspace Learning Approach

1. Il Problema: Rilevamento di Anomalie nelle Smart Grid

L'integrazione massiccia di fonti energetiche rinnovabili (eolico, solare, idroelettrico) nelle reti elettriche intelligenti (Smart Grid) ha introdotto complessità, eterogeneità e dinamicità nei flussi di dati dei sensori. Queste fonti sono intrinsecamente variabili e stocastiche, aumentando il rischio di disturbi, fluttuazioni e guasti che possono portare al collasso del sistema.

Il problema centrale affrontato è il rilevamento precoce delle anomalie (Event Detection - ED) in un contesto di Classificazione a Una Classe (OCC). Le sfide principali includono:

• Natura multimodale: I dati provengono da diverse grandezze elettriche (tensione, potenza attiva, potenza reattiva) che sono correlate ma non è noto a priori quale sia la più critica.
• Squilibrio dei dati: Le anomalie sono eventi rari rispetto ai dati normali, rendendo difficile l'addestramento di modelli supervisionati tradizionali.
• Vincoli temporali critici: Le anomalie devono essere rilevate e corrette entro un "Tempo di Eliminazione Critico" (CCT), solitamente tra 100 ms e 400 ms, per evitare l'instabilità della rete.
• Rumore e dimensionalità: I dati reali sono affetti da rumore e la grande quantità di sensori crea un problema di "maledizione della dimensionalità".

2. Metodologia: MS-SVDD con Regularizzazione Basata su Grafi

Gli autori propongono un'estensione del modello Multimodal Subspace Support Vector Data Description (MS-SVDD), integrando una regularizzazione basata su grafi per migliorare la robustezza.

Concetti Chiave:

• MS-SVDD: È un modello che proietta dati da spazi di feature ad alta dimensionalità (diverse modalità) in uno spazio condiviso a bassa dimensionalità. L'obiettivo è trovare un ipersfera di raggio minimo che racchiuda la maggior parte delle istanze della classe target (dati normali), minimizzando il volume dell'ipersfera.
• Apprendimento Multimodale: Il modello gestisce simultaneamente le tre modalità (tensione, potenza attiva, potenza reattiva) proiettandole in un sottospazio comune ottimizzato per l'OCC.
• Regularizzazione con Grafi (Novità): Per superare i limiti dei metodi esistenti che non sfruttano appieno le dipendenze strutturali, gli autori introducono regolarizzatori basati su grafi incorporati nel processo di ottimizzazione.
  • Vengono costruiti grafi per ciascuna modalità basati sulle distanze tra le istanze.
  • Vengono proposti tre tipi di Laplaciani di grafo:
    1. k-NN (k-Nearest Neighbors): Cattura le informazioni geometriche locali.
    2. Within-Cluster: Mantiene la coerenza all'interno di cluster definiti.
    3. Between-Cluster: Gestisce le relazioni tra cluster diversi.
  • Questi regolarizzatori (indicati come $\omega_7, \omega_8, \omega_9$) vengono aggiunti alla funzione di perdita per garantire che la proiezione nel sottospazio condivida preservi la struttura intrinseca dei dati originali, migliorando la robustezza al rumore.
• Trucco di Proiezione Non Lineare (NPT): Per gestire la non linearità dei dati, viene utilizzato un kernel Gaussiano (RBF) invece del trucco del kernel tradizionale, permettendo di mappare i dati in uno spazio di feature non lineare prima della proiezione nel sottospazio condiviso.
• Strategie di Decisione: Al termine del processo, le previsioni delle singole modalità vengono fuse utilizzando strategie booleane (AND, OR, o Unimodale) per determinare l'etichetta finale.

3. Contributi Chiave

1. Generalizzazione dei Regolarizzatori: Estensione dei regolarizzatori basati su grafi (precedentemente usati solo per SVDD unimodale) al contesto multimodale MS-SVDD, permettendo di gestire più di due modalità.
2. Framework per la Rilevazione Precoce: Applicazione specifica del MS-SVDD al problema della rilevazione di eventi nelle Smart Grid, con un focus sulla massimizzazione sia dell'affidabilità (reliability) che della tempestività (earliness).
3. Analisi delle Modalità: Dimostrazione che il modello può identificare quali modalità sono predominanti per il rilevamento delle anomalie attraverso strategie di decisione comparative.
4. Validazione su Dati Sintetici Realistici: Utilizzo del dataset PSML (Power System Measurement Library), che simula eventi reali su una rete di trasmissione, includendo rumore e scenari di guasto complessi.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un dataset sintetico con 550 eventi, suddivisi in tre modalità (tensione, potenza attiva, potenza reattiva). I risultati sono stati valutati su varianti lineari e non lineari (con NPT), con e senza rumore (0% e 10%).

• Prestazioni Generali:
  • I modelli lineari hanno mostrato scarse prestazioni (GM ~0.32-0.34), indicando che la trasformazione non lineare (NPT) è essenziale.
  • L'uso di MS-SVDD con NPT ha migliorato drasticamente le prestazioni, raggiungendo una Geometric Mean (GM) di 0.80 (senza rumore) e 0.78 (con 10% di rumore), superando i baseline come OCSVM e CCS-SVDD.
• Impatto dei Regolarizzatori a Grafo:
  • In assenza di rumore, i regolarizzatori a grafo non hanno mostrato vantaggi significativi rispetto ad altri regolarizzatori.
  • Sotto rumore, i regolarizzatori a grafo ($\omega_7, \omega_8, \omega_9$) hanno dimostrato un aumento dell'affidabilità tra il 6% e il 15% rispetto ai regolarizzatori classici. Hanno mantenuto un basso tasso di falsi trigger (False Trigger Rate), dimostrando una maggiore robustezza.
• Tempestività (Earliness):
  • Le configurazioni migliori hanno raggiunto un Average Earliness superiore a 0.90 (rispetto al CCT), significando che le anomalie vengono rilevate molto prima del tempo critico di eliminazione.
  • La strategia di decisione AND o UNI1 (basata sulla potenza reattiva) si è rivelata la più efficace, suggerendo che la potenza reattiva è una modalità particolarmente informativa in questo contesto.
• Complessità: L'aggiunta dei regolarizzatori a grafo aumenta leggermente il tempo di inferenza, ma il compromesso è giustificato dal guadagno in robustezza e affidabilità.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo per la sicurezza delle infrastrutture critiche:

• Resilienza della Rete: Fornisce un metodo robusto per rilevare anomalie in ambienti rumorosi e dinamici, essenziale per gestire l'alta penetrazione di energie rinnovabili.
• Generalizzabilità: La capacità di gestire più di due modalità e di incorporare informazioni strutturali (grafi) apre nuove prospettive per l'apprendimento automatico in altri settori con dati eterogenei, come la sanità, la cybersecurity e il monitoraggio industriale.
• Approccio Olistico: Dimostra come l'integrazione di informazioni relazionali (grafi) nei modelli di classificazione a una classe possa migliorare la capacità di generalizzazione in condizioni reali complesse, superando i limiti dei metodi tradizionali che trattano le modalità in isolamento o in modo puramente statistico.

In sintesi, il paper propone un framework matematicamente solido e praticamente efficace per la protezione delle Smart Grid, combinando l'apprendimento di sottospazi condivisi con la regolarizzazione geometrica per garantire stabilità e sicurezza energetica.