Riassunto Tecnico: Apprendimento senza Addestramento Avversario per la Stima dello Stato in Reti Elettriche tramite PINN

1. Il Problema: Vulnerabilità della Stima dello Stato (PSSE)

La Stima dello Stato delle Reti Elettriche (PSSE) è un processo fondamentale per il monitoraggio e il controllo dei centri operativi. Con la digitalizzazione delle reti, questo processo è diventato vulnerabile agli Attacchi di Iniezione di Dati Falsi (FDIA).

Il problema specifico affrontato è l'attacco AC-FDIA stealthy (furtivo): un avversario manipola un sottoinsieme di misurazioni (potenze attive e reattive) in modo che l'errore introdotto sia fisicamente plausibile e non venga rilevato dai tradizionali test di rilevamento dei dati errati (Bad-Data Detection - BDD). Questi attacchi possono distorcere le stime di tensione e angolo di fase, compromettendo la consapevolezza situazionale degli operatori.

2. Metodologia: PINN con Ponderazione Dinamica dell'Incertezza

Il lavoro propone un approccio basato sulle Physics-Informed Neural Networks (PINN). A differenza dei modelli puramente basati sui dati, le PINN integrano le leggi fisiche (le equazioni del flusso di potenza AC) direttamente nella funzione di perdita (loss function) durante l'addestramento.

Innovazione Chiave: Ponderazione Adattiva

Il limite principale delle PINN esistenti è la necessità di bilanciare manualmente i pesi tra la perdita dei dati (supervised data-fit) e la perdita della fisica (physics-residual). Un bilanciamento errato può rendere il modello instabile o troppo dipendente dai dati (rendendolo vulnerabile agli attacchi).

Gli autori introducono un meccanismo di ponderazione dinamica basato sull'incertezza omoschedastica:

• Obiettivo di apprendimento: Invece di usare pesi fissi, il modello apprende scalari addestrabili che regolano l'importanza relativa di ogni termine di perdita durante l'addestramento.
• Regolarizzazione a rapporto logaritmico (One-sided safeguard): Per evitare che il modello "ignori" la fisica a favore dei dati (fenomeno del physics collapse), viene introdotta una penalità che interviene solo se l'influenza dei termini fisici scende sotto una soglia critica.
• Approccio Attack-Agnostic: Il modello viene addestrato esclusivamente su dati di funzionamento normali (senza attacchi). La robustezza emerge dal fatto che il modello impara che uno stato è valido solo se soddisfa contemporaneamente le misurazioni e le leggi di Kirchhoff.

3. Contributi Principali

1. Nuova formulazione PINN robusta: Un modello che utilizza l'incertezza per bilanciare fedeltà dei dati e coerenza fisica senza necessità di tuning manuale.
2. Framework di benchmarking per FDIA: Una metodologia sistematica per generare attacchi AC-FDI strutturati e "stealthy" (distorsione dello stato, ridistribuzione del carico, sovraccarico delle linee e corruzione dei residui) per testare la robustezza dei modelli.
3. Superamento dell'addestramento avversario: Dimostrazione che è possibile ottenere robustezza contro attacchi sofisticati senza dover esporre il modello ad attacchi durante la fase di training.

4. Risultati Sperimentali

I test sono stati condotti sul sistema benchmark IEEE 118-bus. I risultati mostrano una superiorità netta del modello proposto rispetto alle varianti PINN con pesi fissi e ai modelli precedenti:

• Riduzione dell'errore (MAE): Il modello dinamico ha ridotto l'errore medio assoluto (MAE) del 82% rispetto alla PINN a pesi fissi.
• Performance per tipo di attacco: Rispetto alla migliore baseline precedente, il MAE è sceso drasticamente (es. da $9.46 \times 10^{-2}$ a $1.85 \times 10^{-2}$ sotto attacchi di ridistribuzione del carico).
• Stabilità: Il modello mostra una maggiore stabilità anche nei casi peggiori (95° e 99° percentile), dimostrando di non essere facilmente destabilizzato da manipolazioni mirate.
• Efficacia della ponderazione: L'analisi mostra che durante l'addestramento il modello assegna inizialmente più peso alla fisica e, man mano che converge, aumenta l'importanza dei dati, mantenendo però un equilibrio ottimale.

5. Significato e Conclusioni

Il lavoro dimostra che l'integrazione intelligente della fisica tramite l'apprendimento dell'incertezza può creare stimatori di stato estremamente resilienti alle minacce cyber-fisiche. La capacità di mantenere la coerenza fisica anche quando i dati di input sono manipolati rende questo approccio una difesa promettente per le moderne reti elettriche digitalizzate, offrendo un equilibrio tra precisione dei dati e rigore delle leggi fisiche senza la complessità computazionale dell'addestramento avversario.