⚡ electrical engineering

The Wisdom of the Crowd: High-Fidelity Classification of Cyber-Attacks and Faults in Power Systems Using Ensemble and Machine Learning

본 논문은 오프라인 정확도가 현장 준비도의 신뢰할 수 있는 지표가 되지 못하지만, 다층 퍼셉트론이 전력 시스템의 고충실도 사이버 공격 및 고장 분류를 위한 실시간 스트리밍 환경에서 앙상블 방법보다 우수한 성능을 발휘함을 보여주며, 인버터 기반 자원 네트워크에서 현실적인 추론 파이프라인의 중요성을 강조합니다.

원저자: Emad Abukhousa, Syed Sohail Feroz Syed Afroz, Fahad Alsaeed, Abdulaziz Qwbaiban, Saman Zonouz, A. P. Sakis Meliopoulos

게시일 2026-05-20

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Emad Abukhousa, Syed Sohail Feroz Syed Afroz, Fahad Alsaeed, Abdulaziz Qwbaiban, Saman Zonouz, A. P. Sakis Meliopoulos

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전력망을 거대하고 복잡한 오케스트라로 상상해 보세요. 오랫동안 이 오케스트라는 대형 회전 발전기 같은 전통적인 악기로 연주해 왔습니다. 하지만 지금은 태양광 패널, 배터리, 인버터처럼 다르게 연주하는 새로운 디지털 악기들이 많이 추가되고 있습니다. 이로 인해 음악이 더 유연해지기는 했지만, 아름다운 복잡한 솔로를 연주하는 음악가와 실제로 잘못된 음을 연주하거나 해커에 의해 방해받는 음악가를 구별하기는 더 어려워졌습니다.

이 논문은 어떤 컴퓨터 프로그램 (머신러닝 모델) 이 이 오케스트라를 듣고 즉각 "그건 진짜 악기 고장이다!"라고 외치거나 "그건 해커다!"라고 외치는지 확인하기 위한 엄격한 '오디션'과 같습니다.

다음은 그들의 실험과 발견을 요약한 것입니다:

1. 훈련장: 초현실적 시뮬레이터

연구자들은 단순하고 가짜 데이터 (회로의 만화 그림 같은 것) 로 컴퓨터 프로그램을 테스트하는 대신, 실제 전력 시스템의 고충실도 디지털 트윈을 구축했습니다.

비유: 간단한 비디오 게임이 아니라, 돌풍, 엔진 진동, 심지어 타는 연료 냄새까지 완벽하게 모방하는 비행 시뮬레이터에서 조종사를 훈련하는 것을 상상해 보세요.
설정: 그들은 태양광 패널, 배터리, 전통적인 발전기가 포함된 '마이크로그리드'를 시뮬레이션했습니다. 느린 시스템이 놓칠 수 있는 작고 빠른 고장을 포착하기 위해 초당 4,800 회의 속도로 데이터를 기록했습니다.
테스트: 그들은 컴퓨터가 해결해야 할 두 가지 유형의 문제를 만들었습니다:
- 물리적 고장: 전선이 끊기거나 단락되는 것과 같습니다.
- 사이버 공격: 해커가 시스템이 읽는 숫자를 몰래 변경하는 것과 같습니다 (예: 전압이 실제로는 위험한데 정상이라고 시스템에 알려주는 것).

2. 참가자들: 12 개의 서로 다른 두뇌

연구자들은 12 개의 서로 다른 머신러닝 모델을 서로 맞붙였습니다.

"앙상블" 팀: 이들은 전문가 위원회와 같습니다. 의사결정나무나 랜덤 포레스트와 같은 여러 가지 단순한 모델을 가져와서 모두 의견을 묻고, 그 다음 투표로 답을 결정합니다.
"신경망" 팀: 이들은 다층 퍼셉트론 (MLP) 과 같이 많은 층의 '뉴런'을 연결하여 패턴을 학습하는 단일의 깊이 있는 사고를 가진 두뇌와 같습니다.

3. 큰 놀라움: 오프라인 vs 실시간

이것이 이 논문의 가장 중요한 부분입니다.

1 단계: 필기시험 (오프라인)
먼저, 그들은 모델들을 정적 데이터셋으로 테스트했습니다. 마치 시간이 무제한인 객관식 시험을 치르는 것과 같습니다.

결과: 거의 모든 사람이 A+ (99.8% 정확도) 를 받았습니다. "위원회" (앙상블) 와 "깊은 두뇌" (MLP) 모두 종이 위에서는 완벽해 보였습니다.

2 단계: 라이브 공연 (스트리밍)
그런 다음, 그들은 모델들을 실시간 스트리밍 환경에 투입했습니다. 이는 음악이 연주되는 동안 멈추고 생각하지 않고 오케스트라를 라이브로 듣고 순간적인 결정을 내리도록 요구하는 것과 같습니다.

반전: "위원회" 모델 (앙상블) 은 얼어붙기 시작했습니다. 실수를 두려워해서 대부분의 시간 동안 답변을 거부했습니다. 그들은 "나는 확실하지 않아, 넘어갈게"라고 말하며 기권했습니다.
- 비유: 100% 확신할 때만 "침입자!"라고 외치는 매우 신중한 보안 요원을 상상해 보세요. 90% 확신하면 침묵합니다. 그는 결코 오보를 내지 않지만, 너무 주저하기 때문에 실제 침입자들을 많이 놓칩니다.
승자: "깊은 두뇌" (MLP) 는 훨씬 더 자신감 있었습니다. 거의 내내 결정을 내렸으며 (98~99% 커버리지), 여전히 매우 정확했습니다. 이는 라이브 스트림의 빠르고 messy 한 현실을 처리하는 데 더 뛰어났습니다.

4. 안전망: 평활화 및 임계값

모델들이 실시간으로 더 나은 결정을 내릴 수 있도록 연구자들은 두 가지 안전 장치를 추가했습니다.

평활화 필터: 데이터의 모든 작은 점프 (단순한 노이즈일 수 있음) 에 반응하는 대신, 모델은 아주 짧은 시간 창 (전기 한 주기) 을 보고 결과를 평균냅니다. 행동을 이해하기 위해 장면을 프레임 단위로 보는 것과 전체 장면을 보는 것의 차이와 같습니다.
신뢰도 임계값: 모델에게 "만약 답에 대해 적어도 60% 확신이 없다면 아무 말도 하지 마라"고 알려줍니다. 이는 시스템이 이유 없이 당황하여 전력을 차단하는 것을 방지합니다.

5. 결론

필기시험을 신뢰하지 마세요: 정적 테스트에서 99% 를 받은 모델이 반드시 현실 세계에 준비된 것은 아닙니다. "위원회" 모델들은 종이 위에서는 훌륭해 보였지만, 실제 생활에서는 너무 주저했습니다.
"깊은 두뇌"가 승리했습니다: 신경망 (MLP) 은 높은 정확성과 신속한 결정을 내릴 수 있는 자신감 사이의 균형을 맞춰 가장 신뢰할 수 있는 모델이었습니다.
주의점: 승자 (MLP) 조차 결정을 내리는 데 약 60 밀리초가 걸렸습니다. 전력망은 장비 손상을 방지하기 위해 50 밀리초 미만의 결정이 필요합니다. 따라서 AI 는 똑똑하지만, 현재로서는 주요 안전 요원으로서는 너무 느리지만, 미래의 강력한 후보입니다.

요약

이 논문은 전력망이라는 고위험 세계에서 신뢰도와 속도가 정확도만큼이나 중요하다는 점을 가르쳐 줍니다. 종이 위에서는 완벽하지만 위기 상황에서 목소리를 내기를 너무 두려워하는 모델은 쓸모가 없습니다. "깊은 두뇌" (MLP) 는 시끄럽고 빠른 디지털 오케스트라에서 가장 신뢰할 수 있는 청자임이 입증되었지만, 완전히 배치되기 위해서는 여전히 조금 더 빨라져야 합니다.

기술 요약: 전력 시스템의 사이버 공격 및 고장 고정밀 분류

문제 제기
고농도 인버터 기반 자원 (IBR) 을 갖춘 스마트 그리드로의 전력 시스템 진화는 복잡한 동역학과 새로운 취약점을 도입했습니다. 동기 발전기와 달리 IBR 은 고장 전류를 제한하고 비정현파 파형을 생성하여 전통적인 보호 계전기의 효과를 저하시킵니다. 또한, 물리적 인프라가 SCADA, IEC 61850 디지털 변전소와 같은 사이버 네트워크와 융합됨에 따라 공격 표면이 확대되었습니다. 허위 데이터 주입 (FDI), 서비스 거부 (DoS), 재생 공격과 같은 사이버 침입은 물리적 교란을 모방하거나 악화시킬 수 있어, 불필요한 차단 또는 장비 손상을 방지하기 위해 정확한 분류가 필수적입니다. 수많은 머신러닝 (ML) 솔루션이 높은 정확도를 주장하지만, 이러한 솔루션들은 종종 과도 노이즈, 정렬 오류, 클래스 불균형을 생략한 저정밀도 데이터셋에 기반합니다. 특히, few studies 는 실시간 사이클별 조건 하의 이상 탐지를 평가하여 오프라인 성능과 현장 적용 가능성 간의 격차가 검증되지 않은 채 남아 있습니다.

방법론
본 연구는 WinIGS 를 사용하여 4.8 kHz(사이클당 80 샘플) 의 샘플링 속도로 고정밀 전자기 과도 (EMT) 시뮬레이션을 기반으로 한 포괄적인 평가 프레임워크를 제시합니다. 테스트베드는 IEC 61850 을 준수하는 현실적인 디지털 변전소 환경을 시뮬레이션하며, 동기 발전기, 50 kVA 태양광 시스템, 30 kVA 배터리 저장 시스템 및 다양한 부하를 통합합니다.

방법론은 두 단계로 진행됩니다:

오프라인 학습 (1 단계): 18 개의 별도 클래스 (정상 작동 1 개, SLG, LL, DLG 와 같은 물리적 고장 및 CT/PT 비율 조작, GPS 스푸핑과 같은 사이버 공격 포함 이상 17 개) 를 포함하는 22 초 길이의 데이터셋을 사용하여 12 개의 ML 모델을 학습 및 검증했습니다. 여기에는 앙상블 알고리즘 (랜덤 포레스트, 엑스트라 트리, AdaBoost, 그래디언트 부스팅, 의사결정나무), 전통적 분류기 (SVM, k-NN, 나이브 베이즈, 로지스틱 회귀), 그리고 세 가지 다층 퍼셉트론 (MLP) 구성이 포함되었습니다. 데이터는 표준화되었고 클래스 불균형을 완화하기 위해 클래스 가중치가 조정되었습니다.
실시간 스트리밍 평가 (2 단계): 사전 학습된 모델은 순차적 이상을 포함하는 별도의 6 초 스트리밍 데이터셋에서 테스트되었습니다. 운영 제약을 시뮬레이션하기 위해 프레임워크에는 사이클 길이 평활화 필터 (80 샘플에 대한 중심 이동 평균) 와 신뢰도 임계값 ( $\tau = 0.6$ ) 이 통합되었습니다. 모델은 신뢰도가 임계값 미만일 경우 클래스 레이블을 출력하거나 "거부 (abstain)"해야 하며, 이는 고주파 노이즈에 대한 결정을 안정화하면서 서브사이클 응답성을 보장합니다.

주요 기여
본 논문은 세 가지 주요 기여를 합니다:

고정밀 평가 프레임워크: 현실적인 디지털 변전소 시뮬레이션에서 COMTRADE 형식 데이터를 사용하는 견고한 테스트 환경을 도입하여 IBR 동역학과 사이버 - 물리적 상호작용을 고려한 투명한 성능 평가를 가능하게 합니다.
비교 벤치마킹: 정적 (오프라인) 및 동적 (스트리밍) 시나리오 모두에서 12 개의 ML 및 딥러닝 알고리즘을 직접 비교하여 이론적 정확도와 운영 신뢰성 간의 차이를 강조합니다.
향상된 실시간 의사결정 논리: 과도 복구 기간 동안 spuriously 한 오분류를 줄이기 위해 이동 평균 필터링과 신뢰도 임계값 설정의 유효성을 입증하여 의사결정 신뢰성을 향상시켰습니다.
오픈 소스 재현성: 실험실 모델과 현장 배포 시스템 간의 격차를 해소하기 위해 데이터셋 및 구현 코드가 오픈 소스로 공개되었습니다.

결과
평가 결과 오프라인 및 스트리밍 성능 사이에 상당한 "일반화 격차"가 드러났습니다:

오프라인 성능: 대부분의 모델이 거의 완벽한 정확도 (최대 99.88%) 를 달성했습니다. 랜덤 포레스트와 MLP 모델이 이러한 정적 환경에서 최상위 성능을 보였습니다.
스트리밍 성능: 실시간 스트리밍 환경에서는 급격한 분기가 발생했습니다.
- MLP 모델: 다층 퍼셉트론 (특히 3 개의 은닉층을 가진 더 넓은 구성) 은 견고한 이상 정밀도 (96–99%) 를 유지하면서 가장 높은 분류 커버리지 (98–99%) 를 유지했습니다. 이는 커패시터 돌입 전류와 같은 양성 과도 현상과 실제 고장을 성공적으로 구별했습니다.
- 앙상블 방법: 랜덤 포레스트와 엑스트라 트리와 같은 모델들은 분류한 이상에 대해 완벽한 정밀도를 유지했지만, 결정을 내리는 것을 자주 거부했습니다 (커버리지가 10–49% 로 하락). 이는 앙상블이 레이블을 할당하기 전에 더 높은 확신을 요구하는 보수적인 행동을 나타냅니다.
- 어려운 사례: 더블 라인 - 투 - 그라운드 (DLG) AC-N 고장이 가장 어려운 사건으로 입증되어 많은 모델의 정확도 하락을 초래했습니다.
- 지연 시간: 최상위 성능을 보인 MLP 는 15 ms 미만으로 사건을 분류했지만, 평균 추론 지연 시간 (계산 포함) 은 약 60 ms 였습니다. 이는 주 보호 계전기의 50 ms 요구 사항을 초과하여 주 보호 역할에 대한 즉각적인 배포의 현재 한계를 나타냅니다.

의의 및 주장
본 논문은 오프라인 정확도만으로는 전력 시스템 보호의 현장 적용 가능성을 판단하는 신뢰할 수 없는 지표라고 주장합니다. 연구 결과는 IBR 이 풍부한 네트워크에서 정밀하지만 보수적인 "군중"인 다양한 앙상블 방법이 빈번한 거부로 인해 실시간 응용 분야에는 너무 보수적일 수 있음을 강조합니다. 반면, 신경망 (MLP) 은 더 나은 커버리지와 보이지 않는 스트리밍 데이터에 대한 적응력을 제공하지만 여전히 계산 지연 시간의 장벽에 직면해 있습니다.

본 연구는 스트리밍 평가, 커버리지 지표 및 거부 분석을 포함하는 현실적인 테스트 파이프라인이 신뢰할 수 있는 분류 시스템 개발에 필수적이라고 결론지었습니다. ML 기반 분류는 가능하지만, 주 보호에 대한 즉각적인 적용은 현재 계산 오버헤드로 인해 제한되며, 지연 시간 감소 및 물리적 테스트베드에서의 검증을 위한 향후 작업이 필요합니다. 이 연구는 진화하는 그리드 토폴로지에서 결합 분류 및 국소화에 대한 향후 연구를 위한 재현 가능한 기준선 역할을 합니다.