FDIA-Resilient Dynamic State Estimation for Distribution Networks via LSTM-Integrated RAEC-CKF

기술 요약: LSTM 통합 RAEC-CKF를 통한 FDIA 내성 동적 상태 추정

문제 정의
복잡한 사이버 물리 시스템(CPS)으로 진화하고 있는 현대의 배전망은 허위 데이터 주입 공격(FDIA)에 대한 심각한 취약성에 직면해 있습니다. 전통적인 불량 데이터(Bad Data)와 달리, FDIA 벡터는 잔차 임계값을 트리거하지 않도록 정교하게 설계되어 측정 데이터를 조작함으로써 표준 불량 데이터 검출기(BDD)를 우회합니다. 이는 그리드 모니터링, 제어 및 배전 결정을 위협하는 잘못된 상태 추정치를 초래합니다.

기존 솔루션들은 다음과 같은 세 가지 주요 한계점을 가집니다:

1. 검출 신호의 감쇠: 정적 추정치와 동적 추정치를 비교하는 기존 방식은 초기에는 강력한 검출 신호를 생성하지만, 필터가 오염된 정상 상태(steady state)로 수렴함에 따라 시간이 지남에 따라 신호가 약해져, 지속적인 공격에 노출된 상태로 시스템을 방치하게 됩니다.
2. 모듈 간의 단절: FDIA 검출과 데이터 수정은 흔히 별개의 모듈로 설계되어, 검출 즉시 수정을 트리거하는 통합된 프레임워크가 부족합니다.
3. 복잡한 노이즈 처리: 비가우시안(Non-Gaussian) 노이즈, 동적 불확실성 및 은밀한 공격은 추정 정확도를 희생하지 않는 적응형 솔루션을 필요로 합니다.

방법론
본 논문은 LSTM(Long Short-Term Memory) 네트워크와 RAEC-CKF(Residual Adaptive Ensemble Cubature Kalman Filter), 그리고 정적 WLS(Weighted Least Squares) 추정기를 통합한 통합 프레임워크를 제안합니다.

• FDIA 검출 메커니즘:
  검출 전략은 지속성을 보장하기 위해 이중 계층 접근 방식을 사용합니다:

1. 일관성 테스트(Consistency Test): 측정 변화에 즉각적으로 반응하는 정적 WLS 추정치($\hat{x}_{WLS}$)와 시간 모델에 따라 부드럽게 진화하는 동적 RAEC-CKF 추정치($\hat{x}_{RAEC-CKF}$) 사이의 유클리드 거리를 계산합니다. 유의미한 편차는 이상 징나를 나타냅니다.
2. LSTM 검증: 공격이 없는 과거 데이터를 기반으로 학습된 전용 LSTM 검출기가 슬라이딩 윈도우 기법을 통해 현재의 측정치를 재구성합니다. 만약 재구성 오차가 임계값을 초과하면 잠재적 공격으로 간주합니다.
3. 의사 결정 로직: 전통적인 BDD 조건이 위반됨과 동시에, 일관성 테스트 또는 LSTM 검출기 중 하나가 트리거될 경우 FDIA로 선언합니다. 이 로직은 FDIA를 무해한 부하 변동과 구분합니다.

• 데이터 수정 및 추정:
  특정 노드에 대한 공격이 감지되면 프레임워크는 수정 루프를 활성화합니다:

1. LSTM 예측: 사전 학습된 LSTM 모델은 과거 데이터를 기반으로 공격받은 노드 및 인접 노드의 시계열 측정치를 예측합니다.
2. 측정치 교체: 이러한 예측값은 RAEC-CKF의 입력 벡터 내에서 오염된 측정치를 대체합니다.
3. 불확실성 스케일링: 예측의 내재적 불확실성을 고려하여, 의사 측정치(pseudo-measurements)를 과도하게 신뢰하는 것을 방지하기 위해 측정 노이즈 공분산 행렬($R_k$)의 대각 성분을 $\beta > 1$인 계수로 스케일링합니다.
4. 연속 운영: RAEC-CKF는 이러한 수정된 입력을 사용하여 상태 추정을 지속하며, 이를 통해 필터가 잘못된 정상 상태로 수렴하는 것을 방지합니다. 수정은 일관성 테스트가 정의된 단계 동안 임계값 아래로 안정화될 때까지 지속됩니다.

주요 기여

1. 지속적 검출 전략: 본 논문은 공격 지속 기간 동안 일관된 검출 신호를 유지하는 방법을 도입하여, 오염된 상태로 수렴하는 필터에서 발생하는 "감쇠" 문제를 극복했습니다.
2. 통합 검출-수정 프레임워크: 검출과 수정을 하나의 일관된 루프로 통합했습니다. 검증에 사용된 동일한 LSTM 모듈이 수정된 데이터를 제공함으로써 실시간 오차 수정과 필터 발산을 방지합니다.
3. 회복 탄력적 추정 아키텍처: 비가우시안 노이즈와 동적 불확실성을 처리하는 RAEC-CKF와 데이터 기반 예측을 제공하는 LSTM의 결합은 사이버 위협 하에서도 작동 가능한 견고한 추정기를 생성합니다.

실험 결과
제안된 방법은 단일 노드 변이 FDIA 시나리오(Node 9)가 적용된 IEEE 33-bus 시스템에서 검증되었습니다.

• 검출 성능: 제안된 LSTM-RAEC-CKF는 0.9933의 F1 스코어(정확도 99.83%, 재현율 99.33%)를 달성했습니다. 반면, (LSTM 수정을 포함하지 않은) 기존 WLS-RAEC-CKF 방식은 급격한 신호 감쇠를 겪으며 재현율 2.67%, F1 스코어 0.0519를 기록했습니다.
• 추정 정확도: 공격 상황에서 수정된 방법은 수정되지 않은 필터에 비해 전압 추정 오차를 50% 이상 감소시켰습니다.
  • 평균 전압 오차: 0.004430 p.u. (수정되지 않은 RAEC-CKF의 0.010158 p.u. 대비)
  • 평균 위상 오차: 0.272° (수정되지 않은 RAEC-CKF의 0.949° 대비)
  • 수정된 추정치는 공격 기간 내내 전압 오차 0.5% 및 위상 오차 0.3° 이내를 유지했습니다.

의의 및 주장
저자들은 이 프레임워크가 동적 상태 추정에서의 핵심적 한계인 검출 신호 감쇠 문제를 효과적으로 해결한다고 주장합니다. 검출과 수정을 통합함으로써, 본 방법은 배전망이 정교하고 지속적인 사이버 공격을 받는 상황에서도 신뢰할 수 있는 상태 추정과 운영 안정성을 유지할 수 있도록 보장합니다. 본 연구는 데이터 기반 예측과 모델 기반 필터링의 결적인 결합이 에너지 관리 시스템을 FDIA로부터 보호하기 위한 실질적인 솔루션을 제공함을 입증합니다.

한계 및 향후 과제
본 논문은 현재 LSTM 모델이 동일한 부하 프로필 하에서 학습 및 테스트되었음을 인정하며, 실제 세계의 부하 변동 및 계절적 변화가 예측 정확도에 영향을 미칠 수 있음을 명시합니다. 또한, 현재 프레임워크는 공격받은 노드가 식별되었다고 가정하며, 완전 자동화된 공격 위치 식별 메커니즘은 아직 구현되지 않았습니다. 향후 연구는 동적 적응을 위한 온라인 재학습과 서비스 거부(DoS) 또는 GPS 스푸핑을 포함한 협동 공격을 처리할 수 있도록 범위를 확장하는 데 집중할 것을 제안합니다.