Generating adversarial inputs for a graph neural network model of AC power flow

Sintesi Tecnica: Generazione di Input Avversari per un Modello di Reti Neurali a Grafo per il Flusso di Potenza AC

Definizione del Problema
I modelli surrogati basati su reti neurali (NN), inclusi i Graph Neural Networks (GNN) e i Physics-Informed Neural Networks (PINN), sono sempre più utilizzati per approssimare le soluzioni delle equazioni del flusso di potenza in corrente alternata (ACPF). Sebbene questi modelli offrano un'inferenza rapida online, adatta alla dispacciamento della trasmissione elettrica, sono noti per la loro mancanza di robustezza contro le perturbazioni avversarie. In domini critici per la sicurezza come la trasmissione di energia elettrica, questa mancanza di robustezza pone un rischio significativo. La domanda centrale affrontata da questo lavoro è: dato un modello surrogato specifico per il flusso di potenza AC, è possibile identificare punti di input che producano grandi errori tra l'output del surrogato e la soluzione "ground truth" delle equazioni ACPF?

Metodologia
Gli autori formulano e risolvono due tipi distinti di problemi di ottimizzazione per generare punti di input avversari per il modello GNN CANOS-PF (un'architettura allo stato dell'arte implementata tramite la libreria benchmark PF∆) operante sul sistema di prova IEEE 14-bus.

1. Problema dell'Errore Massimo (Problema 1): Questa ottimizzazione massimizza la differenza tra una specifica coordinata dell'output della rete neurale ($y_{NN}$) e la corrispondente coordinata della soluzione ACPF ($y_{PF}$). Il problema è delimitato da vincoli di input ($L \le x \le U$) che rappresentano i limiti fisici sulle iniezioni di potenza e sulle magnitudo di tensione. Gli autori risolvono istanze con obiettivi sia di massimizzazione che di minimizzazione per catturare sia le deviazioni di errore positive che quelle negative.
2. Problema dell'Errore Vincolato (Problema 2): Questa ottimizzazione cerca la minima perturbazione dell'input da un punto di riferimento dell'addestramento ($x_0$) necessaria per soddisfare specifici vincoli avversari. I vincoli impongono una differenza minima ($\delta$) tra la predizione della NN e la soluzione ACPF per una specifica variabile di output (ad esempio, la magnitide di tensione). Nello specifico, il problema forza la NN a predire un valore entro un limite ammissibile (ad esempio, $y_{NN,i} \ge l_i$) mentre la vera soluzione ACPF viola tale limite di almeno $\delta$ (ad esempio, $y_{PF,i} \le l_i - \delta$).

Configurazione Sperimentale

• Modello: CANOS-PF GNN con circa 7,5 milioni di parametri addestrabili, addestrato sul dataset PF∆ Task-1.1 (48.600 punti) utilizzando una combinazione di Mean Squared Error (MSE) e Power Balance Loss (PBL).
• Sistema: Rete di prova IEEE 14-bus da PGLib-OPF.
• Vincoli: I carichi sui bus PQ e le variabili dei bus di riferimento sono stati fissati. I gradi di libertà sono stati limitati alle iniezioni di potenza attiva netta e alle magnitudi di tensione nei bus PV.
• Solver: L'ottimizzazione è stata eseguita utilizzando JuMP e IPOPT, interfacciandosi con PyTorch tramite una formulazione gray-box accelerata da GPU (MathOptAI.jl).

Risultati Chiave

• Errori Massimi: Lo studio ha identificato con successo punti di input che causano discrepanze significative. I massimi errori osservati sono stati di 3,7 per-unit (p.u.) nella potenza reattiva e 0,08 p.u. nella magnitide di tensione.
  • L'analisi ha indicato che gli errori di magnitide di tensione erano sistematicamente più grandi quando si massimizzavano gli errori rispetto a quando si minimizzavano, suggerendo che il modello fatica ad approssimare accuratamente le soluzioni quando il vero flusso di potenza produce tensioni relativamente basse.
• Perturbazioni Minime: Per il problema dell'errore vincolato, gli autori hanno scoperto che i vincoli avversari potevano essere soddisfatti con perturbazioni molto piccole. La minima perturbazione richiesta è stata di 0,04 p.u. nella magnitide di tensione su un singolo bus.
  • In 64 casi su 90 tentativi, l'ottimizzazione è convergente verso punti primal-ammissibili.
  • La "norma zero" (numero di variabili di input perturbate) era bassa; nella maggior parte dei casi di convergenza, perturbare due o meno variabili di input è stato sufficiente per generare l'esito avversario.
  • I casi avversari selezionati richiedevano spesso l'impostazione delle magnitidi di tensione sui bus PV vicine ai loro limiti inferiori (0,94 p.u.), suggerendo che i dati di addestramento del modello potrebbero mancare di una copertura sufficiente vicino a questi limiti operativi.
• Prestazioni Computazionali: Nonostante la complessità di differenziare un GNN con strati ReLU non differenziabili (il che tecnicamente viola le assunzioni di IPOPT), il solver è convergente nel 74% dei problemi tentati. Tuttavia, i tempi di risoluzione sono stati relativamente alti (mediando 92 secondi per il Problema 1 e 14 secondi per il Problema 2), dominati dalle valutazioni di funzione e derivate della rete neurale incorporata.

Significato e Rivendicazioni
Il documento si pone come una prova di concetto dimostrando che punti avversari possono essere identificati sistematicamente per modelli state-of-the-art di flusso di potenza AC. Gli autori non pretendono di aver compromesso il modello in un modo che possa immediatamente compromettere le operazioni di rete, ma piuttosto evidenziano l'esistenza di discrepanze significative che potrebbero essere critiche per gli operatori di rete.

Il contributo primario è la formulazione di problemi di ottimizzazione trattabili che rivelano queste vulnerabilità in un surrogato GNN. I risultati motivano tre aree specifiche di ricerca futura:

1. Lo sviluppo di metodi di verifica rigorosi per i surrogati del flusso di potenza AC.
2. La creazione di metodologie di addestramento robuste per migliorare la resilienza del modello.
3. L'applicazione di questi metodi di test avversari a reti più grandi e ulteriori architetture di reti neurali.

Gli autori notano che i loro risultati sono conservativi, poiché hanno fissato carichi e parametri di linea; consentire a questi di variare come gradi di libertà porterebbe probabilmente a punti avversari ancora più severi.