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

Technische Samenvatting: FDIA-Resiliente Dynamische Toestandschatting via LSTM-Geïntegreerde RAEC-CKF

Probleemstelling
Moderne distributienetwerken, die evolueren naar complexe cyber-fysieke systemen (CPS), staan voor aanzienlijke kwetsbaarheden voor False Data Injection Attacks (FDIA). In tegenstelling tot traditionele foutieve gegevens, zijn FDIA-vectoren zorgvuldig ontworpen om standaard Bad Data Detectors (BDD) te omzeilen door meetgegevens te manipuleren zonder de residu-drempelwaarden te overschrijden. Dit leidt tot foutieve toestandschattingen die de monitoring, controle en dispatch-beslissingen van het elektriciteitsnet in gevaar brengen.

Bestaande oplossingen kampen met drie primaire beperkingen:

1. Verval van detectiesignalen: Conventionele methoden die statische en dynamische schattingen vergelijken, produceren vaak een sterk initieel detectiesignaal dat in de loop van de tijd afneemt naarmate de filter convergeert naar de gecompromitteerde stationaire toestand, waardoor het systeem blootgesteld blijft aan persistente aanvallen.
2. Modulaire ontkoppeling: FDIA-detectie en datacorrectie zijn vaak ontworpen als afzonderlijke modules, waarbij een verenigd framework dat correctie onmiddellijk bij detectie triggert, ontbreekt.
3. Complexe ruisafhandeling: Niet-Gaussische ruis, dynamische onzekerheden en sluipende aanvallen vereisen adaptieve oplossingen die de schattingsnauwkeurigheid niet opofferen.

Methodologie
Het artikel stelt een verenigd framework voor dat een Long Short-Term Memory (LSTM) netwerk integreert met een Residual Adaptive Ensemble Cubature Kalman Filter (RAEC-CKF) en een statische Weighted Least Squares (WLS) estimator.

• FDIA-detectiemechanisme:
  De detectiestrategie berust op een tweelaagse aanpak om persistentie te garanderen:

  1. Consistentietest: Het berekent de Euclidische afstand tussen de statische WLS-schatting ($\hat{x}_{WLS}$), die direct reageert op veranderingen in metingen, en de dynamische RAEC-CKF-schatting ($\hat{x}_{RAEC-CKF}$), die zich vloeiend ontwikkelt op basis van temporele modellen. Een significante bias duidt op een anomalie.
  2. LSTM-verificatie: Een speciale LSTM-detector, getraind op historische gegevens zonder aanvallen, reconstrueert huidige metingen met behulp van een sliding window van gegevens uit het verleden. Als de reconstructiefout een drempelwaarde overschrijdt, signaleert het een potentiële aanval.
  3. Beslissingslogica: Een FDIA wordt verklaard als de traditionele BDD-conditie wordt geschonden en de consistentietest of de LSTM-detector afgaat. Deze logica onderscheidt FDIA van onschadelijke belastingfluctuaties.

• Datacorrectie en Schatting:
  Bij detectie van een aanval op een specifieke node activeert het framework een correctielus:

  1. LSTM-voorspelling: Voorgetrainde LSTM-modellen voorspellen de tijdreeksmetingen voor de aangevallen node en zijn buren op basis van historische gegevens.
  2. Vervanging van metingen: Deze voorspelde waarden vervangen de gecorrumpeerde metingen in de inputvector voor de RAEC-CKF.
  3. Onzekerheidsschaalvergroting: Om rekening te houden met de inherente onzekerheid van de voorspelling, worden de overeenkomstige diagonale elementen van de meetruis-covariantie matrix ($R_k$) geschaald met een factor $\beta > 1$, om te voorkomen dat de filter de pseudo-metingen te veel vertrouwt.
  4. Continue Operatie: De RAEC-CKF blijft de toestandschatting bijwerken met behulp van deze gecorrigeerde inputs, wat voorkomt dat de filter convergeert naar een valse stationaire toestand. Correctie houdt aan totdat de consistentietest gedurende een gedefinieerd aantal stappen onder de drempelwaarde stabiliseert.

Belangrijkste Bijdragen

1. Persistente Detectiestrategie: Het artikel introduceert een methode die een consistent detectiesignaal handhaaft gedurende de duur van een aanval, waarmee het "verval"-probleem wordt overwonnen dat inherent is aan filters die convergeren naar gecompromitteerde toestanden.
2. Verenigd Detectie-Correctie Framework: Het integreert detectie en correctie in één coherente lus. Dezelfde LSTM-module die wordt gebruikt voor verificatie, levert ook de gecorrigeerde data, wat real-time foutcorrectie mogelijk maakt en filterdivergentie voorkert.
3. Resilient Estimatie Architectuur: De combinatie van RAEC-CKF (voor het afhandelen van niet-Gaussische ruis en dynamische onzekerheden) met LSTM (voor datagedreven voorspelling) creëert een robuuste estimator die in staat is te opereren onder cyberdreigingen.

Experimentele Resultaten
De methode werd gevalideerd op het IEEE 33-bus systeem onder een single-node mutatie FDIA-scenario (Node 9).

• Detectieprestaties: De voorgestelde LSTM-RAEC-CKF behaalde een F1-score van 0,9933 (99,83% nauwkeurigheid, 99,33% recall). In contrast hiermee leed de conventionele WLS-RAEC-CKF benadering (zonder LSTM-correctie) aan snel signaalverval, wat resulteerde in een recall van slechts 2,67% en een F1-score van 0,0519.
• Schattingnauwkeurigheid: Onder aanval verminderde de gecorrigeerde methode de fouten in de spanningsschatting met meer dan 50% vergeleken met ongecorrigeerde filters.
  • Gemiddelde Spanningsfout: 0,004430 p.u. (tegenover 0,010158 p.u. voor ongecorrigeerde RAEC-CKF).
  • Gemiddelde Fasefout: 0,272° (tegenover 0,949° voor ongecorrigeerde RAEC-CKF).
  • De gecorrigeerde schattingen bleven gedurende de gehele duur van de aanval binnen 0,5% spanningsfout en 0,3° fasefout.

Betekenis en Claims
De auteurs beweren dat dit framework effectief de kritieke beperking van detectiesignaalverval aanpakt. Door detectie en correctie te verenigen, zorgt de methode ervoor dat distributienetwerken betrouwbare toestandschattingen en operationele stabiliteit kunnen behouden, zelfs wanneer ze worden blootgesteld aan geavanceerde, persistente cyberaanvallen. De studie demonstreert dat de integratie van datagedreven voorspelling met modelgebaseerde filtering een praktische oplossing biedt voor het beveiligen van energiebeheersystemen tegen FDIA.

Beperkingen en Toekomstig Werk
Het artikel erkent dat de huidige LSTM-modellen zijn getraind en getest onder identieke belastingsprofielen; real-world variaties in belasting en seizoensgebonden veranderingen kunnen de voorspellingsnauwkeurigheid beïnvloeden. Daarnaast gaat het framework er momenteel van uit dat de aangevallen node geïdentificeerd is; een volledig automatische mechanisme voor aanvalslokalisatie is nog niet geïmplementeerd. Toekomstig werk richt zich op online hertraining voor dynamische adaptatie en het uitbreiden van de methode om gecoördineerde aanvallen aan te pakken die betrokken zijn bij denial-of-service of GPS-spoofing.