Riepilogo Tecnico: Benchmark di Deep Learning Consapevole della Latenza per la Classificazione in Tempo Reale di Attacchi e Guasti Cyber-Fisici

Enunciato del Problema

I moderni sistemi di potenza stanno subendo una trasformazione guidata dall'integrazione di Risorse Basate su Inverter (IBR) e infrastrutture cyber-fisiche sofisticate. Questo cambiamento introduce modalità di guasto complesse in cui gli IBR presentano caratteristiche di corrente di guasto (magnitudini limitate, armoniche ad alta frequenza) che mettono alla prova gli schemi di protezione legacy, mentre la digitalizzazione espande la superficie di attacco informatico. Sebbene il Deep Learning (DL) abbia dimostrato promesse nel rilevare guasti fisici e attacchi informatici con elevata accuratezza offline, nella letteratura rimane un divario critico: la maggior parte degli studi privilegia l'accuratezza su dataset statici, trascurando la latenza di inferenza end-to-end in contesti di streaming realistici.

La tempistica operativa per la protezione dei sistemi di potenza è eccezionalmente esigente, richiedendo spesso l'isolamento del guasto entro uno o due cicli (16–34 ms). La ricerca attuale manca di benchmark rigorosi e comparativi che quantifichino la latenza dei modelli DL rispetto a questi requisiti temporali stringenti. Di conseguenza, le affermazioni di applicabilità "in tempo reale" sono frequentemente non verificate, creando un ostacolo al passaggio dei metodi di machine learning dai prototipi di ricerca ai sistemi di livello protezione.

Metodologia

Per colmare questo divario, gli autori hanno sviluppato un framework di benchmarking consapevole della latenza utilizzando segnali ad alta fedeltà nel dominio del tempo generati da un simulatore di transienti elettromagnetici di livello industriale (WinIGS).

1. Generazione dei Dati e Ambiente di Test:

• Simulatore: Il dataset è stato generato utilizzando WinIGS per modellare le dinamiche della rete, l'integrazione delle rinnovabili e l'iniezione di anomalie con precisione al microsecondo.
• Ambiente di Test: Una microrete ricca di inverter dotata di un inverter fotovoltaico da 50 kVA e un Sistema di Accumulo di Energia a Batteria (BESS) da 30 kVA.
• Acquisizione Dati: Stream emulati di Valori Campionati (Sampled Value - SV) IEC 61850 a 4,8 kHz (risoluzione di 208 µs) provenienti da due Unità di Fusione (Merging Units - MUs).
• Anomalie: Lo studio copre 17 classi distinte, inclusa l'operazione normale, vari guasti fisici (SLG, LL, DLG, Trifase) e attacchi informatici (attacchi al rapporto TC/TP, spoofing GPS).
• Preprocessing: Le caratteristiche sono state standardizzate e sono state generate sequenze di 50 campioni utilizzando un approccio a finestra scorrevole.

2. Architetture del Modello:
Otto distinte architetture DL sono state valutate sistematicamente:

• Perceptron Multistrato (MLP)
• Rete Neurale Convoluzionale 1D (1D-CNN)
• Memoria a Lungo Breve Termine (LSTM)
• Ibrido CNN-LSTM
• Transformer
• Rete Convoluzionale Temporale (TCN)
• ResNet1D
• Rete Neurale Convoluzionale Grafica Spazio-Temporale (ST-GCN)

3. Pipeline di Inferenza in Tempo Reale:
La valutazione è stata condotta su una pipeline di streaming che elabora campioni grezzi nel dominio del tempo. Per garantire la stabilità delle decisioni, il framework ha impiegato:

• Media Mobile di un Ciclo: Un filtro a media mobile centrato ($N_{cyc} = 80$ campioni) per levigare i vettori di probabilità.
• Astensione Basata sulla Confidenza: Un meccanismo decisionale in cui le previsioni vengono emesse solo se la massima confidenza supera una soglia ($\tau = 0,6$). In caso contrario, il sistema astiene (output -1), prevenendo classificazioni errate a bassa confidenza.

4. Metriche di Valutazione:
Lo studio ha definito quattro metriche chiave per valutare le prestazioni sotto vincoli di tempo reale:

• Accuratezza: Proporzione di campioni classificati correttamente.
• Copertura: Frazione di campioni con decisioni confidenti (non astenute).
• Tempo di Classificazione ($T_{cls}$): L'intervallo tra l'insorgenza dell'anomalia e l'identificazione corretta.
• Latenza di Inferenza ($T_{inf}$): Il ritardo computazionale (tempo medio di passaggio in avanti) richiesto per generare una decisione dai dati grezzi.

Contributi Chiave

Il documento presenta tre contributi principali:

1. Confronto Sistematico: Una valutazione testa a testa di otto architetture DL su dati di streaming ad alta fedeltà che coprono 17 diverse anomalie fisiche e informatiche.
2. Pipeline di Inferenza Pratica: Implementazione di una pipeline in tempo reale dotata di filtraggio ciclico e astensione basata sulla confidenza per migliorare la stabilità decisionale negli ambienti di streaming.
3. Benchmark Quantitativo della Latenza: La prima evidenza comparativa di latenze di rilevamento e classificazione sub-ciclo per questa diversificata suite di modelli, distinguendo esplicitamente tra la velocità di classificazione algoritmica e la latenza di inferenza end-to-end.

Risultati

Prestazioni di Addestramento:
Tutti i modelli hanno raggiunto un'alta accuratezza offline (>94%). Il modello MLP ha ottenuto le prestazioni migliori con un'accuratezza del 99,66% nonostante avesse il minor numero di parametri (157k). Il modello Transformer ha dimostrato la massima accuratezza bilanciata (99,88%), indicando robustezza allo squilibrio delle classi, sebbene avesse un'accurzza grezza inferiore (95,37%).

Inferenza in Streaming e Latenza:

• Stabilità: Le previsioni grezze in streaming hanno mostrato un significativo jitter e oscillazione. L'applicazione del filtro a media mobile di un ciclo con gating della confidenza ha stabilizzato con successo le classificazioni, eliminando i falsi allarmi e garantendo una confidenza del modello sostenuta.
• Tempo di Classificazione: Tutti i modelli hanno raggiunto tempi di classificazione sub-ciclo (da 3,38 ms a 14,83 ms), identificando con successo le anomalie entro la finestra di protezione richiesta (tipicamente <16 ms).
• Latenza di Inferenza: Nonostante i tempi di classificazione rapidi, la latenza media di inferenza end-to-end ha costantemente superato tre cicli (50–90 ms) per tutti i modelli. Ad esempio, l'MLP ha avuto una latenza di 57,20 ms, mentre lo ST-GCN ha raggiunto 88,89 ms.
• Scenari Specifici:
  • Attacchi al Rapporto TC: I modelli MLP e Transformer hanno reagito più velocemente (<10 ms), mentre i modelli ricorrenti (LSTM, CNN-LSTM) sono stati più lenti (>50 ms).
  • Guasti Fuori Zona: Il sistema ha correttamente identificato i guasti al di fuori della zona di addestramento riducendo la confidenza e segnalandoli come "inediti" (-1) anziché classificarli erroneamente.

Significato e Affermazioni

Il documento conclude che, sebbene i modelli di deep learning possiedano la capacità algoritmica di rilevare e classificare le anomalie dei sistemi di potenza con tempi di risposta sub-ciclo, persiste un divario critico tra questa capacità e il dispiegamento di livello protezione. La costante latenza di inferenza end-to-end (50–90 ms) supera la tipica finestra di 16–34 ms richiesta per le funzioni di protezione primaria.

Gli autori affermano che questi risultati stabiliscono un benchmark riproducibile per il rilevamento di anomalie sub-ciclo. Il lavoro evidenzia che i profili di latenza attuali sono più adatti a funzioni di controllo e consapevolezza situazionale piuttosto che alla protezione primaria. Il documento sottolinea che il passaggio di questi metodi ad applicazioni reali richiede un'ulteriore ottimizzazione e accelerazione hardware per colmare il divario di latenza, piuttosto che concentrarsi esclusivamente sull'accuratezza del modello. Lo studio funge da guida per comprendere i compromessi tra accuratezza, velocità e complessità nella progettazione di sistemi di protezione intelligenti di prossima generazione.