Dynamic Average Consensus with Privacy Guarantees and Its Application to Battery Energy Storage Systems

Questo articolo propone un algoritmo di consenso medio dinamico che preserva la privacy mascherando i segnali di riferimento con componenti sinusoidali scambiate tra agenti, garantendo al contempo la convergenza e dimostrando la sua efficacia pratica nel bilanciamento dello stato di carica di sistemi di accumulo energetico a batteria.

L'essenziale

Ecco una spiegazione semplice e creativa del paper, pensata per chiunque, anche senza un background tecnico.

🏰 Il Problema: Il Segreto del Consiglio di Guerra

Immagina un gruppo di 6 guardiani (le batterie) che devono proteggere un castello. Ognuno di loro ha una scorta di energia diversa e deve decidere quanto "lavorare" (scaricare energia) per mantenere il castello illuminato.

Per funzionare bene, devono coordinarsi:

1. Equità: Tutti devono lavorare allo stesso ritmo, così nessuno si esaurisce prima degli altri (questo è il bilanciamento della carica).
2. Precisione: Insieme devono produrre esattamente la quantità di luce richiesta dal castello (questo è il tracking della potenza).

Il problema? Per coordinarsi, i guardiani devono parlarsi. Ma c'è un spione (l'eavesdropper) che ascolta tutte le loro conversazioni. Se i guardiani si dicono: "Io ho 100 batterie, tu ne hai 50", lo spione capisce subito chi è debole e chi è forte, e potrebbe attaccare il più debole o manipolare il sistema.

💡 La Soluzione: La Maschera Sinusoidale

Gli autori di questo studio hanno inventato un modo geniale per parlarsi senza rivelare i propri segreti. Immagina che ogni guardiano, prima di iniziare la riunione, si prepari una maschera magica.

Ecco come funziona il loro trucco, passo dopo passo:

1. Il Rituale di Inizio (La Generazione dei Segnali)

Prima di iniziare, ogni guardiano sceglie a caso una canzone (un segnale sinusoidale) con una frequenza unica.

• Il Guardiano 1 canta una nota al Guardiano 2.
• Il Guardiano 2 canta una nota al Guardiano 3.
• E così via.

Queste "canzoni" sono scambiate in modo sicuro solo tra vicini. Nessuno esterno le sente.

2. La Maschera Composta

Ogni guardiano prende tutte le canzoni che ha ricevuto dai vicini e le mescola con quelle che ha cantato lui stesso.

• Il trucco magico: La somma di tutte queste canzoni mescolate tra tutti i guardiani è zero. È come se avessero creato un rumore di fondo che si annulla da solo quando lo si ascolta da lontano.
• Questo rumore diventa la loro maschera.

3. Il Messaggio Camuffato

Ora, quando un guardiano deve dire al gruppo: "La mia energia è X", non lo dice direttamente.
Dice invece: "La mia energia è X + la mia maschera".

Poiché la maschera è fatta di note casuali che cambiano continuamente, il messaggio sembra un caos inutile per lo spione.

4. La Magia della Matematica (Il Consenso)

Qui sta la parte brillante. Anche se ogni guardiano sta parlando di "X + Maschera", quando tutti i guardiani fanno i calcoli insieme per trovare la media (quanto lavoro serve in totale), le maschere si cancellano a vicenda perché la loro somma è zero.

• Risultato: Il gruppo ottiene la media perfetta e si coordina perfettamente (come se non ci fosse stata alcuna maschera).
• Per lo spione: Vede solo un flusso di dati caotici. Non può capire qual era il valore originale "X" né come stava cambiando (la derivata), perché è sepolto sotto il rumore della maschera. È come cercare di capire il testo di una lettera leggendo solo la macchia d'inchiostro che ha fatto il postino.

🎯 Perché è importante? (L'Applicazione Reale)

Il paper applica questo metodo a un sistema di batterie per l'energia (BESS).

• Senza privacy: Se un hacker vede quanto sta scaricando una batteria, può capire quanto è piena o vuota, o quanto costa l'energia in quel momento, e potrebbe manipolare il mercato o spegnere le luci.
• Con il nuovo metodo: Le batterie si coordinano perfettamente per mantenere la luce accesa e bilanciare il carico, ma l'hacker che ascolta le comunicazioni vede solo "rumore". Non può rubare informazioni sensibili.

🌟 In Sintesi: L'Analogia della Festa

Immagina una festa dove tutti devono decidere quanto cibo ordinare in base a quanto hanno fame.

• Metodo vecchio: Ognuno urla "Ho fame di 5 panini!". Uno spia sente tutto e sa chi ha fame.
• Metodo nuovo: Ognuno si mette un orecchino che emette un suono casuale. Quando urlano la loro fame, urlano "Ho fame di 5 panini + il suono del mio orecchino".
• Il risultato: Quando tutti sommano i loro urli per fare l'ordine totale, i suoni degli orecchini si annullano e l'ordine è perfetto. Ma la spia, che sente solo un frastuono di suoni e numeri, non riesce a capire chi ha fame di 5 panini e chi di 10.

Conclusione

Gli autori hanno creato un sistema che è veloce, preciso e sicuro. Non rallenta la coordinazione (come facevano metodi precedenti che aggiungevano solo "rumore statico") e protegge sia il valore attuale che la velocità con cui cambia (la derivata), garantendo che le batterie lavorino insieme senza mai svelare i loro segreti.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "Dynamic Average Consensus with Privacy Guarantees and Its Application to Battery Energy Storage Systems" in lingua italiana.

Titolo: Consenso Medio Dinamico con Garanzie di Privacy e Applicazione ai Sistemi di Accumulo di Energia a Batteria (BESS)

Autori: Mihitha Maithripala, Chenyang Qiu, e Zongli Lin (Università della Virginia).

---

1. Problema e Contesto

Il Consenso Medio Dinamico (DAC - Dynamic Average Consensus) è uno strumento fondamentale nei sistemi multi-agente per tracciare in modo distribuito la media di segnali di riferimento variabili nel tempo. Tuttavia, gli algoritmi DAC convenzionali richiedono lo scambio diretto di informazioni di stato tra agenti vicini, esponendo il sistema a rischi di sicurezza e privacy.

• Vulnerabilità: Un avversario esterno (eavesdropper) che intercetta le comunicazioni può utilizzare metodi basati su osservatori per ricostruire i segnali di riferimento privati $z_i(t)$ e le loro derivate $\dot{z}_i(t)$ di ciascun agente.
• Limitazioni delle soluzioni esistenti:
  • I metodi di privacy differenziale aggiungono rumore, compromettendo la precisione della convergenza.
  • Le tecniche basate sulla crittografia introducono costi computazionali e di comunicazione elevati.
  • I metodi di decomposizione dello stato o le maschere statiche (proposte in lavori precedenti degli stessi autori) proteggono solo il segnale di riferimento ma non la sua derivata, o non permettono di regolare il livello di privacy.
• Obiettivo: Sviluppare un algoritmo DAC che preservi la privacy sia dei segnali di riferimento che delle loro derivate, mantenendo intatte le proprietà di convergenza (velocità e accuratezza) del DAC convenzionale, con complessità computazionale ridotta.

2. Metodologia Proposta

Gli autori propongono una strategia di mascheramento dei segnali di riferimento basata su segnali sinusoidali.

Fase di Inizializzazione

1. Ogni agente $i$ genera un insieme di segnali sinusoidali $s_{ij}(t)$ per ogni vicino $j$, con frequenze $\omega_{ij}$ scelte casualmente e un'ampiezza comune predefinita $A_m$.
2. Questi segnali vengono scambiati tra vicini tramite un canale sicuro (durante l'inizializzazione).
3. Ogni agente costruisce un segnale di mascheramento $m_i(t)$ combinando i segnali ricevuti e inviati:
   $$m_i(t) = \sum_{j \in \mathcal{N}_i} (s_{ji}(t) - s_{ij}(t))$$
   Questa costruzione garantisce che la somma dei segnali di mascheramento su tutti gli agenti sia zero ($\sum m_i(t) = 0$) e che la somma delle loro derivate sia anch'essa zero.

Fase di Esecuzione (Aggiornamento DAC)

1. Ogni agente maschera il proprio segnale di riferimento $z_i(t)$ aggiungendo il segnale di mascheramento:
   $$z_{m,i}(t) = z_i(t) + m_i(t)$$
2. L'algoritmo di aggiornamento DAC viene eseguito utilizzando il segnale mascherato invece di quello originale:
   $$\dot{\hat{z}}_{a,i}(t) = \dot{z}_{m,i}(t) - \beta \sum_{j=1}^N a_{ij} (\hat{z}_{a,i}(t) - \hat{z}_{a,j}(t))$$
   Dove $\hat{z}_{a,i}(t)$ è la stima della media e $\beta$ è un parametro di sintonizzazione.

3. Contributi Chiave e Risultati Teorici

• Convergenza (Teorema 1):

  • È stato dimostrato che lo schema proposto mantiene la velocità di convergenza esponenziale e l'accuratezza dello stato stazionario del DAC convenzionale.
  • Il meccanismo di mascheramento non modifica la matrice Laplaciana del grafo di comunicazione, preservando così il tasso di decadimento dell'errore governato da $\beta \lambda_2$ (dove $\lambda_2$ è l'autovalore non nullo più piccolo della Laplaciana).
  • L'errore di tracciamento rimane limitato e può essere reso arbitrariamente piccolo aumentando il guadagno $\beta$.

• Privacy (Teorema 2):

  • È stato provato che un eavesdropper esterno, pur avendo accesso a tutte le comunicazioni di rete e ai parametri del sistema, non può ricostruire univocamente né il segnale di riferimento $z_i(t)$ né la sua derivata $\dot{z}_i(t)$.
  • La prova si basa sulla dimostrazione che esistono infinite traiettorie di riferimento distinte (differenti per un termine $\delta(t)$ a somma zero) che generano esattamente la stessa traiettoria osservata dagli estimatori.
  • Il livello di privacy è regolabile tramite l'ampiezza $A_m$ del segnale sinusoidale: un'ampiezza maggiore aumenta l'errore di ricostruzione per l'attaccante.

4. Applicazione: Bilanciamento dello Stato di Carica (SoC) nei BESS

Gli autori applicano l'algoritmo a un sistema di accumulo di energia a batteria (BESS) interconnesso per risolvere il problema del bilanciamento dello Stato di Carica (SoC) e del tracciamento della potenza.

• Obiettivo: Far sì che tutti i moduli batteria raggiungano lo stesso livello di SoC e che la potenza totale erogata segua un riferimento $p^*(t)$, senza rivelare la potenza individuale o lo stato di carica di ogni singola batteria.
• Implementazione:
  • Lo stato energetico di ogni batteria ($x_i(t)$) viene trattato come il segnale di riferimento da mediare.
  • Viene utilizzata una legge di allocazione della potenza distribuita che si basa sulle stime della media dello stato ($\hat{x}_a$) e della potenza media desiderata ($\hat{p}_a$).
  • L'algoritmo DAC privacy-preserving stima la media dello stato energetico, mentre un altro osservatore stima la potenza media desiderata.
• Risultati Teorici (Teorema 3): La legge di allocazione garantisce che il SoC sia bilanciato e la potenza totale tracciata con un errore limitato, purché i parametri $\beta$ e $\kappa$ siano scelti sufficientemente grandi.

5. Risultati delle Simulazioni

Le simulazioni sono state condotte su un sistema BESS a 6 unità con topologia ad anello.

• Prestazioni: I risultati mostrano che le unità raggiungono il bilanciamento del SoC e tracciano con precisione la potenza di riferimento desiderata (onda sinusoidale).
• Validazione della Privacy:
  • Un attaccante che tenta di ricostruire gli stati privati ($x_i$) e le potenze individuali ($p_i$) utilizzando un osservatore standard fallisce.
  • I segnali ricostruiti dall'attaccante deviano significativamente dalle traiettorie reali.
  • L'analisi dell'errore quadratico medio (RMSE) conferma che aumentando l'ampiezza $A_m$ del segnale di mascheramento, la privacy migliora (l'errore di ricostruzione dell'attaccante aumenta).

6. Significato e Conclusione

Questo lavoro rappresenta un avanzamento significativo nel campo del controllo distribuito sicuro:

1. Superamento dei limiti precedenti: Risolve il problema della protezione delle derivate dei segnali, spesso trascurato nelle tecniche di mascheramento statico.
2. Efficienza: Offre un compromesso ottimale tra privacy e prestazioni, evitando i costi computazionali della crittografia e la perdita di precisione del rumore differenziale.
3. Applicabilità pratica: Dimostra la fattibilità di algoritmi di consenso dinamico sicuri in scenari critici come la gestione delle reti elettriche e dei sistemi di accumulo energetico, dove la privacy dei dati operativi è essenziale per la sicurezza del mercato e della rete.

In sintesi, l'approccio proposto permette di ottenere la cooperazione necessaria per il controllo distribuito senza sacrificare la riservatezza delle informazioni sensibili degli agenti.