Dynamic Average Consensus with Privacy Guarantees and Its Application to Battery Energy Storage Systems

Dit artikel presenteert een privacybehoudend algoritme voor dynamische gemiddelde consensus dat via een maskeringsmechanisme op basis van sinusgolven de referentiesignalen van agents beschermt tegen afluisteren, en dit concept toepast op het balanceren van de laadtoestand in een netwerk van batterij-opslagsystemen.

De kern

Stel je voor dat je een groep vrienden hebt die samen een grote taak moeten uitvoeren, zoals het delen van een grote taart of het coördineren van een dansoptocht. In de wereld van de techniek noemen we dit een "multi-agent systeem". Elk lid van de groep heeft zijn eigen informatie (bijvoorbeeld: hoe groot is mijn stuk taart? Hoe snel moet ik dansen?) en ze moeten allemaal samenwerken om een gemiddelde te vinden en die te volgen.

Dit artikel gaat over een slimme manier om dit samen te werken te laten gebeuren, zonder dat de buren (of kwaadwillenden) kunnen zien wat je precies doet.

Hier is de uitleg in simpele taal:

1. Het Probleem: Te veel praten, te weinig geheimen

Stel je voor dat je en je vrienden een spelletje doen waarbij jullie allemaal een getal moeten delen om het gemiddelde te berekenen. In de oude methoden (de "Dynamic Average Consensus" of DAC) moeten jullie continu je getallen tegen elkaar schreeuwen.

• Het gevaar: Als er een sluwe luisteraar (een "eavesdropper") in de buurt is, kan die meeluisteren. Die luisteraar kan dan niet alleen je huidige getal horen, maar ook afleiden hoe snel je getal verandert. In de echte wereld betekent dit dat hackers kunnen zien hoeveel stroom een batterij gebruikt of wat een fabriek precies aan het produceren is. Dat is een groot privacy-probleem.

2. De Oplossing: Een dansende sluier

De auteurs van dit paper hebben een nieuwe truc bedacht. In plaats van je echte getal direct te delen, doe je alsof je een andere, verwarrende boodschap hebt.

• De Analogie: Stel je voor dat je een geheim bericht wilt sturen, maar je wilt niet dat de postbode het leest. Je doet je brief in een enveloppe en schudt er een luidruchtige, dansende poppetjesdemonstratie bij.
• Hoe het werkt:
  1. De Dans: Iedereen in de groep maakt voor zijn buren een speciaal "dansend" signaal (een sinusgolf, een ritmisch zwaaien). Iedereen kiest een willekeurig ritme (frequentie) voor zijn buurman.
  2. De Vermenging: Je neemt je eigen echte getal (bijv. je batterijniveau) en je voegt daar het ritmische signaal van je buren aan toe. Je stopt dit gemengde pakketje in de enveloppe.
  3. Het Magische: Omdat iedereen dit doet en de ritmes perfect op elkaar zijn afgestemd (wat je elkaar in het geheim hebt verteld), heffen de dansende poppetjes elkaar op als je alles bij elkaar optelt. Het gemiddelde van de hele groep blijft dus precies hetzelfde als zonder de dans!
  4. Het Resultaat: De groep weet het juiste gemiddelde, maar de luisteraar ziet alleen een chaotische mix van dansende poppetjes. Hij kan niet achterhalen wie wat deed.

3. Waarom is dit zo goed?

Tot nu toe waren er twee problemen met privacy-methoden:

• Of ze maakten het systeem onnauwkeurig (door ruis toe te voegen, alsof je de taart een beetje verkruimelt).
• Of ze waren te traag en zwaar (zoals het versleutelen van alles, wat veel tijd kost).

Deze nieuwe methode is als een slimme sluier:

• Hij verstoort de nauwkeurigheid niet. De groep komt precies uit op het juiste gemiddelde.
• Hij is snel.
• Hij beschermt niet alleen je huidige getal, maar ook hoe snel het verandert (je "snelheid"). Dit is cruciaal, want als iemand weet hoe snel je batterij leegloopt, kan hij voorspellen wat je gaat doen.

4. De Praktijk: Batterijen die samenwerken

De auteurs hebben dit getest op een netwerk van batterijen (zoals in een zonnepark of een elektriciteitsopslagcentrum).

• Het Doel: Alle batterijen moeten evenveel energie hebben (balans) en samen precies de juiste hoeveelheid stroom leveren aan het net.
• De Toepassing: Elke batterij gebruikt de "dansende sluier" om zijn energieniveau te delen met de buren.
• De Uitkomst: De batterijen werken perfect samen en delen de last eerlijk. Maar als een hacker meeluistert, ziet hij alleen een wirwar van willekeurige ritmes. Hij kan niet zien welke batterij vol zit en welke leeg is, en hij kan niet voorspellen hoeveel stroom ze gaan leveren.

Samenvatting

Dit paper introduceert een slimme manier voor computers (of batterijen) om samen te werken zonder hun geheimen te verraden. Ze doen dit door tijdelijk "verkeerde" informatie toe te voegen die eruitziet als ruis, maar die door de groep zelf weer wordt opgeheven. Het is alsof je in een luidruchtige kamer fluistert, maar door een speciaal geluidssysteem dat alleen jij en je vrienden begrijpen, hoor je elkaar perfect, terwijl de rest alleen maar lawaai hoort.

Dit zorgt voor een veilige, snelle en nauwkeurige samenwerking, zelfs als er kwaadwillenden in de buurt zijn.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Dynamic Average Consensus with Privacy Guarantees and Its Application to Battery Energy Storage Systems", geschreven in het Nederlands.

Titel: Dynamische Gemiddelde Consensus met Privacywaarborgen en Toepassing op Batterij-Energieslag-systemen

Auteurs: Mihitha Maithripala, Chenyang Qiu, en Zongli Lin (Universiteit van Virginia).

---

1. Probleemstelling

Dynamische gemiddelde consensus (DAC) is een fundamentele techniek in multi-agent systemen, gebruikt voor toepassingen zoals sensorfusie, economische dispatch en de coördinatie van batterij-energieslag-systemen (BESS). Het doel is dat agenten de gemiddelde waarde van tijdvariërende referentiesignalen $z_i(t)$ schatten en volgen.

Het centrale probleem is privacy:

• Traditionele DAC-algoritmes vereisen dat agenten lokale toestandsinformatie uitwisselen met buren.
• Deze directe uitwisseling blootstelt het systeem aan privacyrisico's. Een externe afluisteraar (eavesdropper) die het communicatienetwerk kan afhaken, kan via observer-gebaseerde methoden de gevoelige referentiesignalen $z_i(t)$ en hun afgeleiden $\dot{z}_i(t)$ reconstrueren.
• Bestaande privacyoplossingen (zoals differentiaalprivacy of cryptografie) hebben vaak nadelen: ze leiden tot convergentie naar een onnauwkeurig gemiddelde (door ruis) of brengen hoge reken- en communicatiekosten met zich mee.
• Bestaande masking-methoden voor DAC beschermen vaak alleen het referentiesignaal, maar niet de afgeleide, of ze vertragen de convergentie.

2. Methodologie

De auteurs stellen een nieuw privacybehoudend DAC-algoritme voor dat gebaseerd is op het maskeren van referentiesignalen met behulp van sinusgolven.

Het Algoritme:

1. Initiële fase: Elke agent $i$ genereert een reeks sinusvormige signalen $s_{ij}(t)$ met willekeurig gekozen frequenties $\omega_{ij}$ voor elke buur $j$. Deze signalen worden via een beveiligde link uitgewisseld.
   $$s_{ij}(t) = A_m \sin(\omega_{ij} t)$$
2. Maskersignaalconstructie: Agent $i$ construeert een lokaal maskersignaal $m_i(t)$ door de ontvangen signalen te combineren:
   $$m_i(t) = \sum_{j \in \mathcal{N}_i} (s_{ji}(t) - s_{ij}(t))$$
   Door deze constructie geldt dat de som van alle maskers over het netwerk nul is ($\sum m_i(t) = 0$) en ook de som van hun afgeleiden ($\sum \dot{m}_i(t) = 0$).
3. Gemaskerde Referentie: De agent maskert zijn eigen referentiesignaal $z_i(t)$:
   $$z_{m,i}(t) = z_i(t) + m_i(t)$$
4. DAC Update: De agent voert de standaard DAC-update uit op het gemaskerde signaal in plaats van het oorspronkelijke signaal:
   $$\dot{\hat{z}}_{a,i}(t) = \dot{z}_{m,i}(t) - \beta \sum_{j=1}^N a_{ij} (\hat{z}_{a,i}(t) - \hat{z}_{a,j}(t))$$

Privacymechanisme:
Omdat de maskers $m_i(t)$ en hun afgeleiden $\dot{m}_i(t)$ onbekend zijn voor de buitenstaander en willekeurig zijn gekozen, kan de afluisteraar de oorspronkelijke signalen $z_i(t)$ en $\dot{z}_i(t)$ niet uniek reconstrueren uit de waargenomen schattingen. Er bestaan oneindig veel mogelijke trajecten die dezelfde waarnemingen genereren.

3. Belangrijkste Bijdragen

• Twee-voudige Privacy: Het algoritme beschermt zowel de referentiesignalen als hun afgeleiden (snelheid van verandering) tegen externe afluisteraars. Dit is cruciaal voor toepassingen zoals formatiecontrole en ladingsbalancering.
• Behoud van Convergentie: In tegenstelling tot eerdere methoden die de graf-Laplaciaan modificeren (wat de convergentiesnelheid verlaagt), behoudt dit algoritme de exponentiële convergentiesnelheid en de steady-state nauwkeurigheid van het conventionele DAC.
• Aanpasbaar Privacy-niveau: De privacy kan worden afgesteld via de amplitude $A_m$ van de sinusgolf zonder de convergentie-eigenschappen te beïnvloeden.
• Toepassing op BESS: Het algoritme wordt succesvol geïntegreerd in een gedistribueerde stroomtoewijzingswet voor batterij-energieslag-systemen om de State-of-Charge (SoC) te balanceren.

4. Resultaten

De auteurs onderbouwen hun methode met theoretische bewijzen en simulaties:

• Theoretische Analyse:
  • Stelling 1: Bewijst dat de schattingen convergeren naar een begrensd gebied rond het ware gemiddelde, met een fout die afneemt bij een hogere versterkingsfactor $\beta$.
  • Stelling 2: Bewijst dat een externe afluisteraar de individuele trajecten $z_i(t)$ en $\dot{z}_i(t)$ niet uniek kan identificeren, zelfs niet met volledige kennis van de netwerktopologie en de uitgewisselde schattingen.
• Simulatie (BESS Toepassing):
  • Een systeem van 6 batterij-eenheden in een ringtopologie werd getest.
  • SoC-Balancering: Alle batterijen bereikten een gebalanceerde laadtoestand ondanks verschillende initiële waarden.
  • Stroomvolging: De totale uitgestroomde stroom volgde nauwkeurig het gewenste tijdsvariërende signaal.
  • Privacy-validatie: Een simulatie van een aanvaller die probeerde de individuele stroomwaarden te reconstrueren, toonde aan dat de gereconstrueerde signalen sterk afweken van de werkelijke waarden. De Root-Mean-Square Error (RMSE) tussen de echte en gereconstrueerde signalen was significant.
  • Parameterinvloed: Het verhogen van de amplitude $A_m$ van het maskersignaal verhoogde de privacy (hogere RMSE voor de aanvaller) zonder de stabiliteit van het systeem te schaden.

5. Betekenis en Conclusie

Dit artikel biedt een praktische en efficiënte oplossing voor het privacyprobleem in dynamische consensusnetwerken. De belangrijkste voordelen zijn:

1. Geen nauwkeurigheidsverlies: Het systeem convergeert naar het exacte gemiddelde (binnen een kleine foutmarge die door parameters kan worden gecontroleerd), in tegenstelling tot methoden met ruis.
2. Lage complexiteit: Het vereist geen zware cryptografische operaties, maar slechts de uitwisseling van eenvoudige sinusgolven tijdens de initialisatie.
3. Robuustheid: Het werkt effectief voor zowel statische als dynamische signalen en beschermt tegen zowel interne als externe bedreigingen (hoewel de focus hier ligt op externe afluisteraars).

De toepassing op batterij-systemen demonstreert dat deze techniek direct inzetbaar is voor kritieke infrastructuur waar zowel efficiënte coördinatie als strikte data-privacy vereist is.