Robust Power System State Estimation using Physics-Informed Neural Networks

Titolo: Stima Robusta dello Stato del Sistema Elettrico tramite Reti Neurali Informate dalla Fisica (PINN)

1. Il Problema

I moderni sistemi elettrici affrontano sfide critiche nella stima dello stato e nel monitoraggio in tempo reale, aggravate da:

• Complessità e Dinamicità: L'integrazione di fonti rinnovabili intermittenti (solare, eolico) e le tecnologie delle smart grid introducono fluttuazioni rapide e transitori che i metodi tradizionali faticano a gestire.
• Limitazioni dei Metodi Tradizionali: Le tecniche convenzionali, come i Minimi Quadrati Ponderati (WLS), dipendono da sistemi SCADA e processi iterativi. Sono computazionalmente onerose, richiedono dati sparsi e hanno capacità di risposta in tempo reale insufficienti.
• Vulnerabilità Cyber-fisica: Le reti elettriche sono bersagli primari per attacchi informatici, in particolare gli attacchi di iniezione di dati falsi (FDI - False Data Injection) e manipolazione dei sensori. Questi attacchi compromettono l'integrità dei dati, portando a stime errate, blackout e danni fisici.
• Limiti dell'Apprendimento Automatico Puro: Sebbene le reti neurali (NN) tradizionali offrano velocità e capacità di gestire non linearità, tendono a ignorare i vincoli fisici fondamentali. Questo le rende poco affidabili in condizioni operative variabili, con dati scarsi o sotto attacco, poiché possono produrre previsioni fisicamente inconsistenti.

2. Metodologia

Il paper propone un approccio ibrido basato sulle Reti Neurali Informate dalla Fisica (PINN). L'idea centrale è incorporare le leggi fisiche direttamente nell'architettura della rete neurale e nel processo di addestramento, anziché affidarsi esclusivamente ai dati.

• Funzione di Perdita Ibrida: La funzione di perdita ($Loss$) non si basa solo sull'errore tra dati previsti e reali, ma è composta da tre termini ponderati:
  $$Loss = \lambda_d \cdot d + \lambda_p \cdot p + \lambda_c \cdot c$$
  Dove:

  • $d$ (Termine Dati): L'errore quadratico medio (MSE) tra le tensioni stimate e i dati reali (ground truth).
  • $p$ (Termine Fisica): Un termine di regolarizzazione che impone il rispetto delle leggi fisiche. Nello specifico, utilizza le equazioni del flusso di potenza e la matrice di ammettenza ($Y$) per calcolare le correnti iniettate. La rete deve minimizzare la discrepanza tra le correnti calcolate dalle tensioni stimate e quelle reali ($I = Y \cdot V$). Questo forza la rete a rispettare la topologia della rete e le leggi di Kirchhoff.
  • $c$ (Termine Costanti): Include vincoli noti, come le tensioni regolate ai bus di generazione o il bus di riferimento (slack bus), trattandoli come costanti durante lo stato stazionario.

• Input e Output:

  • Input: Iniezioni di potenza attiva ($P$) e reattiva ($Q$) misurate.
  • Output: Tensione complessa (modulo e fase) stimata per ogni bus.

• Ottimizzazione degli Iperparametri: È stato sviluppato un processo sistematico (Algoritmo 1) che utilizza un meta-ottimizzatore (Tree-Structured Parzen Estimator - TPE) per trovare la combinazione ottimale dei pesi ($\lambda_d, \lambda_p, \lambda_c$) e dell'architettura della rete (numero di layer, neuroni, learning rate), garantendo che il modello sia bilanciato tra apprendimento dai dati e rispetto della fisica.

3. Contributi Chiave

1. Modello Ibrido: Proposta di un framework che integra leggi fisiche (equazioni di flusso di potenza, matrice di ammettenza) nelle reti neurali per migliorare l'accuratezza della stima dello stato.
2. Valutazione Completa: Un benchmark esteso contro reti neurali puramente basate sui dati (NN) e altri metodi dello stato dell'arte, testato su scenari complessi.
3. Robustezza Estrema: Dimostrazione di miglioramenti significativi nell'accuratezza e nella resilienza in condizioni critiche, inclusi guasti trifase e attacchi di manipolazione dei dati.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sui sistemi benchmark IEEE 14-bus e IEEE 118-bus, simulando diverse condizioni operative e disturbi.

• Confronto con NN Tradizionali:

  • Il PINN ha superato le NN tradizionali su tutti i fronti.
  • Accuratezza: Fino al ~83% di miglioramento in sottogruppi non visti del dataset di addestramento e ~65% su dataset completamente nuovi e non correlati.
  • Stato Stazionario: Riduzione dell'errore assoluto medio (MAE) fino al 57,3% nel sistema IEEE 14-bus.

• Robustezza ai Guasti e Variazioni:

  • In scenari di spegnimento di generatori o variazioni di carico, il PINN ha mostrato una stabilità superiore, mantenendo un errore basso mentre le NN tradizionali degradavano.
  • In caso di guasti trifase transitori, il PINN ha mostrato un miglioramento di accuratezza medio del ~20-37% rispetto alle NN, dimostrando una migliore capacità di generalizzazione spaziale.

• Resilienza agli Attacchi (FDI):

  • Questo è il risultato più significativo. In scenari di manipolazione dei dati (attacchi su bus critici con bias del 10-30%), il PINN è stato in grado di "filtrare" i dati errati grazie ai vincoli fisici.
  • Il PINN ha raggiunto un miglioramento di accuratezza fino al ~93% rispetto a una NN equivalente durante un attacco al sistema IEEE 14-bus e fino al ~76% nel sistema IEEE 118-bus.

• Efficienza Computazionale:

  • Il tempo di inferenza è estremamente rapido (circa 0,035 ms per il sistema IEEE 118-bus), rendendo il metodo adatto per applicazioni in tempo reale.

5. Significato e Implicazioni

Questo lavoro dimostra che l'integrazione della conoscenza fisica nell'apprendimento automatico non è solo un miglioramento teorico, ma una necessità pratica per la sicurezza delle reti elettriche moderne.

• Sicurezza: Le PINN offrono una difesa intrinseca contro gli attacchi informatici, poiché i dati manipolati che violano le leggi fisiche (es. conservazione dell'energia) vengono penalizzati dalla funzione di perdita, rendendo l'attacco meno efficace.
• Affidabilità: Riducendo la dipendenza da grandi quantità di dati di alta qualità, le PINN sono più robuste in scenari con dati scarsi o rumorosi.
• Scalabilità: I risultati su sistemi di grandi dimensioni (118 bus) confermano che l'approccio è scalabile e pronto per l'implementazione in reti reali.

In conclusione, l'uso delle PINN rappresenta un passo avanti fondamentale verso sistemi di gestione dell'energia più intelligenti, resilienti e sicuri, capaci di mantenere la stabilità della rete anche in presenza di guasti fisici o minacce cyber.