Distributed Snitch Digital Twin-Based Anomaly Detection for Smart Voltage Source Converter-Enabled Wind Power Systems

Titolo: Rilevamento Distribuito di Anomalie Basato su Digital Twin "Snitch" per Sistemi Eolici con Convertitori di Tensione Intelligente

1. Il Problema

L'integrazione massiccia di risorse energetiche distribuite (DER), in particolare generatori eolici dotati di Convertitori di Tensione Sorgente (VSC) intelligenti, è fondamentale per la transizione verso reti energetiche resilienti. Tuttavia, la crescente digitalizzazione e le capacità di comunicazione di questi dispositivi li rendono vulnerabili a cyberattacchi sofisticati, come l'iniezione di dati falsi (FDI - False Data Injection).

Le attuali metodologie di rilevamento degli attacchi, basate su Reti Neurali Artificiali (ANN) e Apprendimento per Rinforzo Profondo (DRL), presentano diverse limitazioni critiche:

• Scarsa adattabilità e coordinamento: Spesso trattano ogni inverter come un'unità isolata, fallendo nel rilevare attacchi coordinati o "stealth" che si propagano attraverso più nodi della rete.
• Tempo di risposta: Possono soffrire di ritardi nella rilevazione, specialmente in presenza di incertezze del sistema o ritardi di comunicazione.
• Dipendenza dai dati: I metodi basati puramente sull'apprendimento richiedono un addestramento offline estensivo e mancano di spiegabilità in tempo reale, rendendo difficile l'identificazione di anomalie non viste durante l'addestramento.

2. Metodologia Proposta: Snitch Digital Twin (Snitch-DT)

Il paper propone un'architettura innovativa denominata Snitch Digital Twin (Snitch-DT) per il rilevamento di anomalie cyber-fisiche nelle fattorie eoliche connesse alla rete.

• Architettura Distribuita: Ogni generatore eolico è equipaggiato con un modulo Snitch-DT locale. Questo modulo è una replica digitale ad alta fedeltà del sistema fisico VSC, eseguita in tempo reale (co-simulazione).
• Meccanismo di Rilevamento:
  1. Il Snitch-DT riceve gli stessi segnali di input del sistema fisico (tensione di rete, corrente, potenza reattiva).
  2. Simula l'output atteso basandosi su un modello fisico-informato, assumendo l'assenza di attacchi.
  3. Calcola un segnale di residuo ($r(t)$) come differenza tra i dati misurati fisicamente e quelli simulati dal gemello digitale.
  4. Se il residuo supera una soglia calibrata ($\epsilon$), viene generato un segnale di allarme.
• Punteggio di Fiducia (Trust Score): Oltre al rilevamento binario, il sistema calcola dinamicamente un punteggio di fiducia $\tau(t) \in [0,1]$ per ogni flusso di dati, utilizzando una finestra temporale scorrevole dei residui passati.
• Coordinamento Distribuito: I punteggi di fiducia vengono condivisi tra i nodi adiacenti. Un meccanismo di consenso aggrega questi dati per rilevare non solo anomalie locali, ma anche attacchi coordinati multi-nodo, che sono spesso invisibili ai sistemi isolati.

3. Contributi Chiave

I principali contributi scientifici e tecnici del lavoro sono:

1. Sviluppo di Modelli Snitch-DT: Creazione di modelli gemelli digitali ad alta fedeltà per ogni nodo inverter in un sistema multi-generatore, abilitando il rilevamento locale tramite calcolo dei residui e punteggi di fiducia.
2. Meccanismo di Coordinamento Distribuito: Introduzione di una strategia di aggregazione dei punteggi di fiducia che migliora la robustezza contro attacchi spazialmente correlati e coordinati.
3. Validazione Estensiva: Test del sistema su un modello dettagliato MATLAB/Simulink del sistema di prova IEEE a 39 bus con integrazione eolica, sottoposto a scenari di attacco FDI (bias, rampa, ritardo) e attacchi coordinati.
4. Benchmark Comparativo: Confronto diretto e rigoroso contro due metodologie esistenti sviluppate dagli stessi autori: un approccio basato su ANN (apprendimento supervisionato) e uno basato su DRL (PPO - Proximal Policy Optimization).

4. Risultati Sperimentali

Le simulazioni hanno dimostrato la superiorità dell'approccio Snitch-DT rispetto alle tecniche ANN e DRL in termini di:

• Accuratezza: Snitch-DT ha raggiunto un'accuratezza del 95%, superando DRL e ANN.
• Tassi di Errore: Ha registrato il tasso più basso di Falsi Positivi (FPR = 10%) e Falsi Negativi (FNR = 8%).
• Velocità di Risposta: Il ritardo di rilevamento è stato di soli 100 passi temporali, contro i 400 passi del DRL e i 600 passi dell'ANN.
• Precisione nel Tracking: Il RMSE (Root Mean Square Error) nel tracciamento della potenza reattiva post-attacco è stato di 0.05 pu per Snitch-DT, significativamente inferiore a 0.15 pu (DRL) e 0.25 pu (ANN).
• Curva ROC: La curva ROC di Snitch-DT ha mostrato l'Area Under Curve (AUC) più alta, indicando una migliore capacità discriminativa e una minore generalizzazione dell'errore rispetto agli altri metodi.
• Stabilità del Sistema: Grazie alla rilevazione precoce, il sistema Snitch-DT ha permesso una stabilizzazione più rapida delle tensioni e delle potenze dopo l'attacco, riducendo i danni potenziali.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nella sicurezza delle reti elettriche intelligenti (Smart Grids):

• Transizione da Data-Driven a Fisica-Informata: Dimostra che l'uso di gemelli digitali fisicamente informati può superare i limiti dei modelli puramente basati sui dati (ANN/DRL), offrendo maggiore interpretabilità e robustezza in scenari dinamici.
• Sicurezza Collaborativa: L'approccio distribuito risolve il problema della "visione a tunnel" dei sistemi di sicurezza isolati, rendendo possibile il rilevamento di attacchi coordinati complessi.
• Applicabilità in Tempo Reale: La bassa latenza computazionale e l'alta accuratezza rendono l'architettura Snitch-DT un candidato ideale per l'implementazione in sistemi di protezione cyber-fisica di prossima generazione, garantendo la stabilità della rete anche in presenza di minacce sofisticate.

In conclusione, l'architettura Snitch-DT offre un compromesso ottimale tra velocità, precisione e carico computazionale, posizionandosi come soluzione superiore per la difesa delle infrastrutture energetiche critiche basate su inverter.