Generating adversarial inputs for a graph neural network model of AC power flow

Resumo Técnico: Geração de Entradas Adversárias para um Modelo de Redes Neurais em Grafos de Fluxo de Potência CA

Definição do Problema
Modelos substitutos (surrogates) de redes neurais (NN), incluindo Redes Neurais em Grafos (GNNs) e Redes Neurais Informadas pela Física (PINNs), são cada vez mais utilizados para aproximar as soluções das equações de Fluxo de Potência de Corrente Alternada (ACPF). Embora esses modelos ofereçam inferência rápida online, adequada para o despacho de transmissão de energia, sabe-se que eles carecem de robustez contra perturbações adversárias. Em domínios críticos para a segurança, como a transmissão de energia elétrica, essa falta de robustez representa um risco significativo. A questão central abordada por este trabalho é: dado um modelo substituto específico para fluxo de potência CA, é possível identificar pontos de entrada que gerem grandes erros entre a saída do substituto e a solução "real" (ground truth) das equações de ACPF?

Metodologia
Os autores formulam e resolvem dois tipos distintos de problemas de otimização para gerar pontos de entrada adversários para o modelo GNN CANOS-PF (uma arquitetura de estado da arte implementada via biblioteca de benchmark PF∆) operando no sistema de teste IEEE 14-barras.

1. Problema de Erro Máximo (Problema 1): Esta otimização maximiza a diferença entre uma coordenada específica da saída da rede neural ($y_{NN}$) e a coordenada correspondente da solução de ACPF ($y_{PF}$). O problema é limitado por restrições de entrada ($L \le x \le U$) que representam limites físicos nas injeções de potência e magnitudes de tensão. Os autores resolvem instâncias com objetivos tanto de maximização quanto de minimização para capturar desvios de erro positivos e negativos.
2. Problema de Erro Restrito (Problema 2): Esta otimização busca a menor perturbação de entrada a partir de um ponto de referência de treinamento ($x_0$) necessária para satisfazer restrições adversárias específicas. As restrições impõem uma diferença mínima ($\delta$) entre a previsão da NN e a solução de ACPF para uma variável de saída específica (ex: magnitude de tensão). Especificamente, o problema força a NN a prever um valor dentro de um limite viável (ex: $y_{NN,i} \ge l_i$) enquanto a verdadeira solução de ACPF viola esse limite por pelo menos $\delta$ (ex: $y_{PF,i} \le l_i - \delta$).

Configuração Experimental

• Modelo: CANOS-PF GNN com aproximadamente 7,5 milhões de parâmetros treináveis, treinado no conjunto de dados PF∆ Task-1.1 (48.600 pontos) usando uma combinação de Erro Quadrático Médio (MSE) e Perda de Balanço de Potência (PBL).
• Sistema: Rede de teste IEEE 14-barras do PGLib-OPF.
• Restrições: As cargas nos barramentos PQ e as variáveis do barramento de referência foram fixadas. Os graus de liberdade foram limitados às injeções líquidas de potência ativa e magnitudes de tensão nos barramentos PV.
• Solver: A otimização foi realizada usando JuMP e IPOPT, fazendo interface com PyTorch via uma formulação de caixa cinza (gray-box) acelerada por GPU (MathOptAI.jl).

Principais Resultados

• Erros Máximos: O estudo identificou com sucesso pontos de entrada que causaram discrepâncias significativas. Os maiores erros observados foram de 3,7 por unidade (p.u.) em potência reativa e 0,08 p.u. em magnitude de tensão.
  • A análise indicou que os erros de magnitude de tensão foram sistematicamente maiores ao maximizar os erros em comparação ao minimizá-los, sugerindo que o modelo tem dificuldade em aproximar soluções com precisão quando o fluxo de potência real resulta em tensões relativamente baixas.
• Perturbações Mínimas: Para o problema de erro restrito, os autores descobriram que as restrições adversárias podiam ser atendidas com perturbações muito pequenas. A menor perturbação necessária foi de 0,04 p.u. em magnitude de tensão em um único barramento.
  • Em 64 de 90 instâncias tentadas, a otimização convergiu para pontos primais-viáveis.
  • A "norma-0" (número de variáveis de entrada perturbadas) foi baixa; na maioria dos casos de convergência, perturbar dois ou menos variáveis de entrada foi suficiente para gerar o resultado adversário.
  • Os casos adversários selecionados frequentemente exigiram definir as magnitudes de tensão nos barramentos PV próximas aos seus limites inferiores (0,94 p.u.), sugerindo que os dados de treinamento do modelo podem carecer de cobertura suficiente próximo a esses limites operacionais.
• Desempenho Computacional: Apesar da complexidade de diferenciar uma GNN com camadas ReLU não diferenciáveis (o que tecnicamente viola as suposições do IPOPT), o solver convergiu em 74% dos problemas tentados. No entanto, os tempos de solução foram relativamente altos (média de 92 segundos para o Problema 1 e 14 segundos para o Problema 2), dominados pelas avaliações de função e de derivada da rede neural incorporada.

Significância e Alegações
O artigo posiciona-se como uma prova de conceito, demonstrando que pontos adversários podem ser sistematicamente identificados para modelos de redes neurais de estado da arte de fluxo de potência CA. Os autores não alegam ter "quebrado" o modelo de uma forma que comprometeria imediatamente as operações da rede, mas sim destacam a existência de discrepâncias significativas que poderiam ser críticas para os operadores de rede.

A principal contribuição é a formulação de problemas de otimização tratáveis que revelam essas vulnerabilidades em um substituto GNN. Os resultados motivam três áreas específicas para pesquisas futuras:

1. O desenvolvimento de métodos de verificação rigorosos para substitutos de fluxo de potência CA.
2. A criação de metodologias de treinamento robustas para melhorar a resiliência do modelo.
3. A aplicação desses métodos de teste adversário em redes maiores e arquiteturas de redes neurais adicionais.

Os autores observam que seus resultados são conservadores, pois fixaram cargas e parâmetros de linha; permitir que estes também variem como graus de liberdade provavelmente resultaria em pontos adversários ainda mais severos.