기술 요약: 실시간 사이버-물리 공격 및 고장 분류를 위한 지연 시간 인식 딥러닝 벤치마크

문제 제기

현대 전력 시스템은 역률 기반 자원 (IBRs) 의 통합과 정교한 사이버-물리 인프라의 도입으로 인해 변혁을 겪고 있습니다. 이러한 전환은 IBRs 이 기존 보호 체계에 도전하는 고장 전류 특성 (제한된 크기, 고주파 고조파) 을 나타내는 복잡한 고장 모드를 도입하는 한편, 디지털화는 사이버 공격 표면적을 확대합니다. 딥러닝 (DL) 이 높은 오프라인 정확도로 물리적 고장과 사이버 공격을 탐지하는 데 유망한 성과를 보였음에도 불구하고, 문헌에는 중요한 격차가 존재합니다. 대부분의 연구가 정적 데이터셋에서의 정확도를 우선시하는 반면, 현실적인 스트리밍 컨텍스트에서의 엔드 - 투 - 엔드 추론 지연 시간을 간과하고 있기 때문입니다.

전력 시스템 보호의 운영 타임라인은 매우 까다로워, 종종 12 사이클 (1634 ms) 이내에 고장을 격리해야 합니다. 현재 연구는 이러한 엄격한 시간 요구사항에 대비하여 DL 모델의 지연 시간을 정량화하는 엄격하고 비교적인 벤치마크가 부족합니다. 결과적으로 "실시간" 적용 가능성에 대한 주장은 빈번히 입증되지 않아, 연구 프로토타입에서 보호 등급 시스템으로 머신러닝 방법을 배포하는 데 장벽이 되고 있습니다.

방법론

이 격차를 해소하기 위해 저자들은 산업 등급 전자기 과도 현상 시뮬레이터 (WinIGS) 에서 생성된 고정밀 시간 영역 신호를 사용하여 지연 시간 인식 벤치마킹 프레임워크를 개발했습니다.

1. 데이터 생성 및 테스트베드:

• 시뮬레이터: 데이터셋은 그리드 동역학, 재생 에너지 통합, 마이크로초 정밀도의 이상 주입을 모델링하기 위해 WinIGS 를 사용하여 생성되었습니다.
• 테스트베드: 50 kVA PV 인버터와 30 kVA 배터리 에너지 저장 시스템 (BESS) 이 포함된 인버터가 풍부한 마이크로그리드입니다.
• 데이터 수집: 두 개의 병합 장치 (MU) 로부터 4.8 kHz (208 µs 해상도) 의 IEC 61850 샘플링 값 (SV) 스트림을 모의 실험했습니다.
• 이상 현상: 본 연구는 정상 운영, 다양한 물리적 고장 (SLG, LL, DLG, 3 상), 그리고 사이버 공격 (CT/PT 비율 공격, GPS 스푸핑) 을 포함한 17 가지 고유 클래스를 다룹니다.
• 전처리: 특징은 표준화되었으며, 슬라이딩 윈도우 방식을 사용하여 50 개 샘플의 시퀀스가 생성되었습니다.

2. 모델 아키텍처:
여덟 가지 고유한 DL 아키텍처가 체계적으로 평가되었습니다:

• 다층 퍼셉트론 (MLP)
• 1D 합성곱 신경망 (1D-CNN)
• 장기 단기 기억 네트워크 (LSTM)
• CNN-LSTM 하이브리드
• 트랜스포머
• 시간적 합성곱 네트워크 (TCN)
• ResNet1D
• 시공간 그래프 합성곱 네트워크 (ST-GCN)

3. 실시간 추론 파이프라인:
평가는 원시 시간 영역 샘플을 처리하는 스트리밍 파이프라인에서 수행되었습니다. 결정 안정성을 보장하기 위해 프레임워크는 다음을 적용했습니다:

• 한 사이클 이동 평균: 확률 벡터를 평활화하기 위한 중심 이동 평균 필터 ($N_{cyc} = 80$ 샘플).
• 신뢰도 기반 거부: 최대 신뢰도가 임계값 ($\tau = 0.6$) 을 초과할 때만 예측을 출력하는 결정 메커니즘. 그렇지 않으면 시스템이 거부하며 (-1 출력), 낮은 신뢰도의 오분류를 방지합니다.

4. 평가 지표:
본 연구는 실시간 제약 하에서 성능을 평가하기 위해 네 가지 주요 지표를 정의했습니다:

• 정확도: 올바르게 분류된 샘플의 비율.
• 커버리지: 신뢰할 수 있는 (거부되지 않은) 결정을 내린 샘플의 비율.
• 분류 시간 ($T_{cls}$): 이상 발생부터 올바른 식별까지의 간격.
• 추론 지연 시간 ($T_{inf}$): 원시 측정치로부터 결정을 생성하는 데 필요한 계산 지연 (평균 순방향 통과 시간).

주요 기여

본 논문은 세 가지 주요 기여를 제시합니다:

1. 체계적 비교: 17 가지 다양한 물리적 및 사이버 이상을 포함하는 고정밀 스트리밍 데이터에 대한 여덟 가지 DL 아키텍처의 정면 비교 평가.
2. 실용적 추론 파이프라인: 스트리밍 환경에서 결정 안정성을 향상시키기 위해 순환 필터링과 신뢰도 기반 거부가 포함된 실시간 파이프라인 구현.
3. 정량적 지연 시간 벤치마크: 이 다양한 모델 세트를 위한 서브 - 사이클 탐지 및 분류 지연 시간에 대한 최초의 비교 증거로, 알고리즘적 분류 속도와 엔드 - 투 - 엔드 추론 지연 시간을 명확히 구분합니다.

결과

학습 성능:
모든 모델은 높은 오프라인 정확도 (>94%) 를 달성했습니다. MLP 모델은 가장 적은 파라미터 (157k) 를 가졌음에도 99.66% 의 정확도로 가장 좋은 성능을 보였습니다. 트랜스포머 모델은 클래스 불균형에 대한 견고성을 나타내는 가장 높은 균형 정확도 (99.88%) 를 보였으나, 원시 정확도 (95.37%) 는 낮았습니다.

스트리밍 추론 및 지연 시간:

• 안정성: 원시 스트리밍 예측은 상당한 지터와 진동을 보였습니다. 신뢰도 게이트가 적용된 한 사이클 이동 평균 필터의 적용은 분류를 안정화시키고 오경보를 제거하며 지속적인 모델 신뢰도를 보장했습니다.
• 분류 시간: 모든 모델이 서브 - 사이클 분류 시간 (3.38 ms 에서 14.83 ms 범위) 을 달성하여 일반적으로 16 ms 미만의 요구 보호 창 내에서 이상을 성공적으로 식별했습니다.
• 추론 지연 시간: 빠른 분류 시간에도 불구하고, 엔드 - 투 - 엔드 평균 추론 지연 시간은 모든 모델에서 일관되게 3 사이클 (50~90 ms) 을 초과했습니다. 예를 들어, MLP 는 57.20 ms 의 지연 시간을 보인 반면, ST-GCN 은 88.89 ms 에 달했습니다.
• 구체적 시나리오:
  • CT 비율 공격: MLP 와 트랜스포머 모델이 가장 빠르게 반응 (<10 ms) 한 반면, 순환 모델 (LSTM, CNN-LSTM) 은 더 느렸습니다 (>50 ms).
  • 영역 외 고장: 시스템은 훈련 영역 밖의 고장을 오분류하는 대신 신뢰도를 낮추고 "미확인" (-1) 으로 표시하여 올바르게 식별했습니다.

중요성 및 주장

본 논문은 딥러닝 모델이 서브 - 사이클 응답 시간으로 전력 시스템 이상을 탐지하고 분류할 수 있는 알고리즘적 능력을 갖추고 있음에도 불구하고, 이 능력과 보호 등급 배포 사이에는 여전히 중요한 격차가 존재한다고 결론지었습니다. 일관된 엔드 - 투 - 엔드 추론 지연 시간 (5090 ms) 은 주 보호 기능에 필요한 일반적인 1634 ms 창을 초과합니다.

저자들은 이러한 발견이 서브 - 사이클 이상 탐지를 위한 재현 가능한 벤치마크를 확립한다고 주장합니다. 이 연구는 현재 지연 시간 프로파일이 주 보호보다는 제어 및 상황 인식 기능에 더 적합함을 강조합니다. 논문은 이러한 방법을 실제 응용 분야로 전환하려면 모델 정확도에만 집중하는 것이 아니라 지연 시간 격차를 해소하기 위해 추가 최적화와 하드웨어 가속이 필요하다고 강조합니다. 본 연구는 차세대 지능형 보호 시스템 설계에서 정확도, 속도, 복잡성 간의 트레이드오프를 이해하기 위한 가이드 역할을 합니다.