🤖 machine learning

Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks

이 논문은 적대적 학습(adversarial training) 없이도 동적 손실 가중치(dynamic loss-weighting) 방식을 적용한 물리 정보 신경망(PINN)을 통해, 전력 계통의 정교한 데이터 주입 공격(FDIA) 상황에서도 정확하고 안정적인 상태 추정을 수행하는 방법을 제안합니다.

원저자: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

게시일 2026-04-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

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

1. 배경: 전력망의 "가짜 뉴스" 공격 (FDIA)

전력망은 수많은 발전소와 변전소, 집들이 연결된 거대한 신경망과 같습니다. 이 시스템이 잘 돌아가려면 지금 전기가 어디로 얼마나 흐르는지 정확히 알아야 하는데, 이를 **'상태 추정(State Estimation)'**이라고 합니다.

그런데 나쁜 해커가 나타나서 이 시스템에 **'가짜 뉴스(False Data Injection Attack)'**를 퍼뜨린다고 상상해 보세요.

해커는 단순히 데이터를 망가뜨리는 게 아니라, **"전기가 아주 정상적으로 흐르고 있어!"**라고 믿게끔 아주 정교하고 교묘하게 가짜 수치들을 조작합니다.
마치 요리사가 소금을 엄청나게 넣었는데, 해커가 센서를 조작해서 "간이 아주 딱 맞습니다"라고 거짓 보고를 하는 것과 같습니다. 운영자는 아무것도 모른 채 전력망이 터지거나 멈출 때까지 방치하게 되죠.

2. 기존의 해결책: "교과서만 믿는 학생" vs "데이터만 믿는 학생"

이 문제를 해결하기 위해 인공지능(AI)을 쓰는데, 두 가지 방식이 있습니다.

데이터만 믿는 학생: "지금 들어오는 수치(데이터)가 정답이야!"라고 믿습니다. 하지만 해커가 가짜 수치를 보내면 그대로 속아 넘어갑니다.
교과서(물리 법칙)만 믿는 학생: "전기는 이런 법칙(물리 법칙)대로 흘러야 해!"라고 고집합니다. 하지만 현실의 데이터는 노이즈(잡음)가 섞여 있어서 너무 교과서만 따지면 실제 상황을 놓칠 수 있습니다.

이 논문은 이 두 가지를 합친 **PINN(Physics-Informed Neural Network)**이라는 방식을 사용합니다. 즉, **"데이터도 보되, 물리 법칙(교과서)에도 어긋나면 가짜라고 의심하는 똑똑한 학생"**을 만드는 것이죠.

3. 이 논문의 핵심 혁신: "스스로 비중을 조절하는 황금 밸런스"

기존의 PINN 방식에는 큰 문제가 하나 있었습니다. "데이터를 얼마나 믿을지, 물리 법칙을 얼마나 엄격하게 적용할지" 그 비중(가중치)을 사람이 일일이 정해줘야 했다는 점입니다.

이게 왜 문제냐고요? 상황에 따라 달라지기 때문입니다.

평소에는 데이터가 정확하니 데이터를 믿어도 되지만,
해커가 공격을 시작해서 데이터가 수상해지면 즉시 "데이터는 못 믿겠어! 물리 법칙을 더 우선시하자!"라고 태세를 전환해야 합니다.

이 논문은 **'불확실성 기반의 동적 가중치(Dynamic Weighting)'**라는 기술을 도입했습니다.
비유하자면, 이 AI 감시관은 **'스스로 판단하는 저울'**을 가지고 있습니다.

"음, 지금 들어오는 데이터가 좀 이상한데? (불확실성 감지) 그럼 데이터 쪽 저울 무게를 줄이고, 물리 법칙 쪽 저울 무게를 높여서 검사하자!"

라고 학습 과정에서 스스로 최적의 균형점을 찾아내는 것입니다. 해커가 어떤 식으로 교묘하게 속이려 해도, AI는 "이건 물리적으로 말이 안 돼!"라며 가짜 뉴스를 걸러냅니다.

4. 결과: "해커의 속임수가 통하지 않는다"

연구팀은 이 AI를 실제 전력망 모델(IEEE 118-bus 시스템)에 적용해 테스트했습니다. 해커가 전압을 조작하거나, 부하를 옮기거나, 선로에 과부하가 걸린 것처럼 속이는 등 온갖 '교묘한 가짜 뉴스'를 뿌려봤습니다.

그 결과:

기존 방식보다 오차가 무려 82%나 줄어들었습니다.
해커가 아무리 정교하게 물리 법칙을 흉내 내며 공격해도, 이 AI는 물리 법칙과 데이터 사이의 균형을 스스로 조절하며 훨씬 더 정확하게 전력망의 진짜 상태를 찾아냈습니다.

요약하자면...

이 논문은 **"데이터(현실)와 물리 법칙(이론) 사이에서 눈치 빠르게 무게중심을 잡을 줄 아는 인공지능"**을 만들어, 해커가 아무리 정교한 가짜 데이터를 보내도 전력망을 안전하게 지킬 수 있음을 증명한 연구입니다.

1. 연구 배경 및 문제 정의 (Problem Statement)

전력 시스템 상태 추정(PSSE)의 중요성: 전력 시스템의 운영 및 제어를 위해 SCADA 및 PMU 데이터를 기반으로 버스 전압 크기와 위상각을 추정하는 PSSE는 핵심적인 기능입니다.
사이버 물리적 보안 위협: 전력망의 디지털화로 인해 **거짓 데이터 주입 공격(False Data Injection Attacks, FDIA)**의 위험이 커지고 있습니다. 특히, 공격자가 네트워크 토폴로지와 물리 법칙을 알고 있는 상태에서 수행하는 **'스텔스(Stealthy) AC-FDIA'**는 기존의 잔차 기반 이상치 탐지(Bad-Data Detection)를 우회하여 운영자의 상황 인식을 왜곡할 수 있습니다.
기존 연구의 한계: 데이터 기반 신경망 모델은 물리적 일관성이 부족할 수 있고, 물리 정보 신경망(PINN)은 물리 손실(Physics loss)과 데이터 손실(Data loss) 사이의 가중치(Weight)를 수동으로 튜닝해야 하는 번거로움이 있으며, 운영 조건이나 공격 강도가 변할 때 모델이 취약해지는(Brittle) 문제가 있습니다.

2. 제안 방법론 (Methodology)

본 논문은 적대적 학습(Adversarial Training) 없이도 견고함을 확보할 수 있는 동적 가중치 기반의 PINN 모델을 제안합니다.

동적 손실 가중치 (Dynamic Loss-Weighting):
- 호모스케다스틱 불확실성(Homoscedastic Uncertainty) 개념을 도입하여, 학습 과정에서 데이터 피팅(Supervised data-fit) 항과 물리 잔차(Physics-residual) 항 사이의 상대적 스케일을 모델이 스스로 학습하도록 합니다.
- 이를 통해 수동 튜닝의 필요성을 제거하고, 다양한 운영 지점 및 공격 유형에 대해 안정적인 학습을 가능하게 합니다.
물리적 일관성 유지 (Physics-Informed): AC 전력 조류 방정식(AC Power-flow equations)을 손실 함수에 포함시켜, 예측된 상태가 키르히호프의 법칙 등 물리 법칙을 준수하도록 강제합니다.
물리 붕괴 방지 (One-sided Log-ratio Safeguard): 학습 중 물리 손실의 영향력이 너무 낮아지는 것을 방지하기 위해, 물리/데이터 손실 비율을 모니터링하고 불균형이 발생할 경우 페널티를 부여하는 안전장치를 추가했습니다.
공격 불가지론적 학습 (Attack-Agnostic Training): 모델은 공격이 없는 정상 상태(Steady-state) 데이터로만 학습됩니다. 하지만 물리 법칙을 내재화했기 때문에, 테스트 시 공격 데이터가 들어오더라도 물리적으로 불가능한 변조를 효과적으로 억제합니다.

3. 주요 기여 (Key Contributions)

적응형 PINN 프레임워크: 불확실성 기반의 동적 가중치 메커니즘을 사용하여 데이터 충실도와 물리적 일관성 사이의 균형을 자동으로 최적화하는 견고한 PSSE 모델을 제안했습니다.
체계적인 FDIA 벤치마킹 설계: 단순 상태 왜곡, 부하 재분배, 선로 과부하, 잔차 제약형 상태 부패 등 다양한 스텔스 AC-FDIA 공격 시나리오를 설계하여 모델의 성능을 다각도로 검증할 수 있는 환경을 구축했습니다.

4. 실험 결과 (Results)

IEEE 118-bus 시스템을 대상으로 실험한 결과는 다음과 같습니다.

정확도 향상: 제안된 동적 PINN은 기존의 고정 가중치(Fixed-weight) PINN 대비 평균 절대 오차(MAE)를 약 82% 감소시켰습니다.
- Simple FDIA 공격 시 기존 모델 대비 MAE가 대폭 감소했습니다.
- Load Redistribution 공격 시 기존 강력한 베이스라인 대비 MAE를 $9.46 \times 10^{-2}$ 에서 $1.85 \times 10^{-2}$ 로 낮추었습니다.
강건성(Robustness): 다양한 공격 유형(Simple, Load, Line, State Corruption) 전반에서 기존 연구들(Prior PINN baselines)보다 우수한 성능을 보였습니다.
최악의 경우 안정성: 전압 크기 및 위상각의 95th, 99th 백분위수 오차(Worst-case MAE)에서도 고정 가중치 모델보다 훨씬 안정적인 성능을 입증했습니다.

5. 연구의 의의 (Significance)

본 연구는 **"물리 법칙을 학습 과정에 어떻게 효율적으로 통합할 것인가"**라는 문제를 해결함으로써, 사이버 공격에 취약한 현대 전력망의 상태 추정 기술에 새로운 방향을 제시했습니다. 특히, 공격 패턴을 미리 알 필요 없이(Attack-agnostic) 물리적 제약 조건을 통해 공격의 영향을 최소화할 수 있다는 점은 실제 전력 계통 운영의 보안성을 높이는 데 매우 중요한 기술적 진보입니다.