Generating adversarial inputs for a graph neural network model of AC power flow

기술 요약: AC 전력 조류(Power Flow)를 위한 그래프 신경망 모델의 적대적 입력 생성

문제 정의
그래프 신경망(GNN) 및 물리 정보 신경망(PINN)을 포함한 신경망(NN) 대리 모델(surrogate models)은 교류 전력 조류(ACPF) 방정식의 해를 근사하기 위해 점점 더 많이 사용되고 있다. 이러한 모델들은 전력 송전 디스패치에 적합한 빠른 온라인 추론 능력을 제공하지만, 적대적 섭동(adversarial perturbations)에 대한 강건성이 부족하다는 것으로 알려져 있다. 전력 송전과 같은 안전이 중요한 영역에서 이러한 강건성 결여는 상당한 위험을 초사한다. 본 연구가 다루는 핵심 질문은 다음과 같다: 특정 AC 전력 조류를 위한 대리 모델이 주어졌을 때, 해당 모델의 출력값과 ACPF 방정식의 "지면 진실(ground truth)" 해 사이의 오차를 크게 만드는 입력 지점을 식별할 수 있는가?

방법론
저자들은 IEEE 14-bus 테스트 시스템에서 작동하는 CANOS-PF GNN 모델(PF∆ 벤치마크 라이브러리를 통해 구현된 최첨단 아키텍처)에 대한 적대적 입력 지점을 생성하기 위해 두 가지 구별되는 유형의 최적화 문제를 정식화하고 해결한다.

1. 최대 오차 문제 (Problem 1): 이 최적화는 신경망 출력($y_{NN}$)의 특정 좌표와 그에 대응하는 ACPF 해($y_{PF}$)의 좌표 사이의 차이를 최대화한다. 이 문제는 물리적 한계(전력 주입 및 전압 크기에 대한 제한)를 나타내는 입력 제약 조건($L \le x \le U$)에 의해 경계가 정해진다. 저자들은 양(+)과 음(-)의 오차 편차를 모두 포착하기 위해 최대화 및 최소화 목적 함수를 모두 사용하여 인스턴스를 해결한다.
2. 제약 오차 문제 (Problem 2): 이 최적화는 특정 적대적 제약 조건을 만족하기 위해 기준 훈련 지점($x_0$)으로부터 필요한 가장 작은 입력 섭동을 찾는다. 제약 조건은 특정 출력 변수(예: 전압 크기)에 대해 신경망 예측과 ACPF 해 사이의 최소 차이($\delta$)를 강제한다. 구체적으로, 이 문제는 신경망이 특정 범위(예: $y_{NN,i} \ge l_i$) 내의 값을 예측하도록 강제하는 동시에, 실제 ACPF 해는 해당 범위를 최소 $\delta$만큼 위반($y_{PF,i} \le l_i - \delta$)하도록 만든다.

실험 설정

• 모델: 약 750만 개의 학습 가능한 파라미터를 가진 CANOS-PF GNN이며, MSE(평균 제곱 오차)와 PBL(전력 균형 손실)을 결합하여 PF∆ Task-1.1 데이터셋(48,600개 지점)으로 학습되었다.
• 시스템: PGLib-OPF로부터 가져온 IEEE 14-bus 테스트 그리드.
• 제약 조건: PQ 버스의 부하와 기준 버스(reference bus) 변수는 고정되었다. 자유도는 순 유효 전력 주입량과 PV 버스의 전압 크기로 제한되었다.
• 솔버(Solver): 최적화는 JuMP와 IPOPT를 사용하여 수행되었으며, GPU 가속 그레이박스(gray-box) 정식화(MathOptAI.jl)를 통해 PyTorch와 인터페이스하였다.

주요 결과

• 최대 오차: 본 연구는 상당한 불일치를 유발하는 입력 지점을 성공적으로 식별했다. 관찰된 최대 오차는 **무효 전력에서 3.7 p.u.(per-unit)**였으며, **전압 크기에서는 0.08 p.u.**였다.
  • 분석 결과, 전압 크기 오차는 오차를 최소화할 때보다 최대화할 때 체계적으로 더 크게 나타났으며, 이는 실제 전력 조류가 상대적으로 낮은 전압을 생성할 때 모델이 해를 정확하게 근사하는 데 어려움을 겪음을 시사한다.
• 최소 섭동: 제약 오차 문제에 대해, 저자들은 적대적 제약 조건이 매우 작은 섭동만으로도 충족될 수 있음을 발견했다. 가장 작은 섭동은 단일 버스에서의 **전압 크기 0.04 p.u.**였다.
  • 90회의 시도 중 64회에서 최적화가 원형 실행 가능(primal-feasible) 지점으로 수렴했다.
  • "0-노름(0-norm, 섭동된 입력 변수의 수)"은 낮았으며, 대부분의 수렴 사례에서 두 개 이하의 입력 변수를 섭동시키는 것만으로도 적대적 결과를 생성하기에 충분했다.
  • 선택된 적대적 사례들은 종종 PV 버스의 전압 크기를 하한값(0.94 p.u.)에 가깝게 설정해야 했으며, 이는 모델의 훈련 데이터가 이러한 운영 한계 근처에서의 커버리지가 부족할 수 있음을 시사한다.
• 계산 성능: 비미분 가능한 ReLU 레이어를 가진 GNN을 미분하는 복잡성에도 불구하고(이는 기술적으로 IPOPT의 가정을 위반함), 솔버는 시도된 문제의 **74%**에서 수렴했다. 그러나 계산 시간은 상대적으로 높았으며(Problem 1은 평균 92초, Problem 2는 14초), 임베디드된 신경망의 함수 및 미분 값 계산에 의해 시간이 지배되었다.

의의 및 주장
본 논문은 AC 전력 조류를 위한 최첨단 신경망 모델에 대해 적대적 지점을 체계적으로 식별할 수 있음을 보여주는 **개념 증명(proof-of-concept)**으로 자리매김한다. 저자들은 모델을 즉각적으로 무너뜨려 그리드 운영을 위협할 수 있는 방식으로 모델을 파괴했다고 주장하는 것이 아니라, 그리드 운영자에게 중요할 수 있는 상당한 불일치의 존재를 강조한다.

주된 기여는 GNN 대리 모델의 취약성을 드러내는 다루기 쉬운 최적화 문제를 정식화한 것이다. 결과는 다음 세 가지 분야에 대한 향후 연구를 촉구한다:

1. AC 전력 조류 대리 모델에 대한 엄격한 검증 방법론 개발.
2. 모델의 회복 탄력성을 높이기 위한 강건한 훈련 방법론 구축.
3. 더 큰 규모의 네트워크 및 추가적인 신경망 아키텍처에 대한 이러한 적대적 테스트 방법의 적용.

저자들은 부하와 선로 파라미터를 고정했기 때문에 본 결과가 보수적이라고 언급했다. 이들을 자유도로 허용한다면 더욱 심각한 적대적 지점이 나타날 가능성이 높다.