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

Each language version is independently generated for its own context, not a direct translation.

Imagine que você tem um grupo de amigos (os "agentes") que precisam tomar uma decisão juntos, como dividir uma conta de restaurante ou decidir para onde ir em uma viagem. O desafio é que eles não podem se reunir todos no mesmo lugar; eles só podem conversar com seus vizinhos mais próximos. Além disso, eles querem descobrir a média das opiniões de todos, mas sem que ninguém (nem mesmo um espião que está ouvindo as conversas) descubra qual foi a opinião original de cada um.

Este artigo apresenta uma solução inteligente para esse problema, aplicada especificamente a baterias de energia (como as usadas em redes elétricas ou carros elétricos).

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Segredo" que precisa ser compartilhado

Imagine que cada bateria é uma pessoa com um nível de energia diferente (como se cada uma tivesse um "nível de fome" diferente). Para que o sistema funcione bem, todas as baterias precisam ter o mesmo nível de energia (isso se chama balanceamento).

Para fazer isso, elas precisam conversar entre si para descobrir a média de energia do grupo e ajustar seus próprios níveis. O problema é que, ao conversar, elas revelam informações sensíveis:

"Quanto eu tenho de energia agora."
"Quão rápido estou gastando ou ganhando energia."

Se um "espião" (um hacker ou um concorrente) estiver ouvindo essas conversas, ele pode descobrir exatamente o que cada bateria está fazendo e até sabotar o sistema.

2. A Solução: O "Ruído de Fundo" Mágico

Os autores criaram um método onde as baterias conversam, mas misturam suas mensagens com um "ruído" especial que só elas conhecem.

A Analogia da Festa com Máscaras:
Imagine que cada bateria precisa dizer a sua opinião em uma festa, mas não quer que o espião saiba o que ela disse.

O Truque: Antes da festa, cada bateria combina com seus vizinhos diretos um "sinal secreto" (uma música específica, como um tom de sino).
A Troca: Elas trocam esses sinais secretos entre si.
A Máscara: Quando uma bateria vai falar sua opinião real, ela adiciona esse sinal secreto à sua voz.
- Se a bateria A fala "Estou com 80% de energia", ela na verdade diz "80% + o som do sino que combinamos".
- A bateria B faz o mesmo, mas com um som diferente.

O Milagre Matemático:
A parte genial é que, quando todas as baterias somam os sons dos sinos que elas criaram e receberam, o som total dos sinos some (fica zero).

Para o grupo inteiro, a soma das mensagens mascaradas é igual à soma das mensagens reais. Elas conseguem calcular a média perfeita!
Mas, para o espião que está ouvindo de fora, ele só ouve uma bagunça de sons aleatórios. Ele não consegue separar o que é a mensagem real do que é o "sinal secreto". É como tentar adivinhar o que alguém disse em um show de rock muito barulhento: você ouve o som, mas não consegue entender a letra.

3. Por que isso é melhor que o método antigo?

Antes, existiam métodos para esconder a informação, mas eles tinham dois problemas:

Eles eram lentos: Como se o grupo demorasse muito para chegar a um consenso.
Eles não escondiam tudo: Eles escondiam o valor atual, mas deixavam escapar informações sobre a velocidade com que a bateria estava mudando (se estava carregando rápido ou devagar).

O novo método deste artigo é como um "super-ruído":

Ele é rápido: O grupo chega ao consenso na mesma velocidade que se estivessem falando a verdade.
Ele esconde tudo: Esconde tanto o valor atual quanto a velocidade da mudança.
Ele é ajustável: Você pode aumentar o volume do "sinal secreto" para deixar o espião ainda mais confuso, sem atrapalhar o grupo.

4. A Aplicação Real: Baterias de Energia

Os autores testaram isso em um sistema de baterias (BESS).

O Cenário: 6 baterias conectadas em anel (como amigos sentados em círculo).
O Objetivo: Elas precisam descarregar energia juntas para atender a uma demanda (como acender as luzes de uma cidade), mas mantendo seus níveis de bateria iguais.
O Resultado: As baterias conseguiram equilibrar seus níveis e seguir a demanda de energia perfeitamente. Ao mesmo tempo, quando um "espião" tentou adivinhar o que cada bateria estava fazendo, ele falhou miseravelmente. As estimativas do espião estavam completamente erradas, provando que o segredo foi mantido.

Resumo Final

Este trabalho é como criar um código de segurança para conversas em grupo. Permite que um grupo de baterias (ou qualquer sistema inteligente) trabalhe em equipe, alcance o objetivo comum rapidamente e mantenha a privacidade de cada membro, mesmo que um espião esteja gravando todas as conversas. É uma vitória para a segurança e eficiência das redes elétricas do futuro.

Each language version is independently generated for its own context, not a direct translation.

Título: Consenso Médio Dinâmico com Garantias de Privacidade e sua Aplicação em Sistemas de Armazenamento de Energia por Bateria

1. Problema Abordado

O consenso médio dinâmico (DAC - Dynamic Average Consensus) é uma ferramenta fundamental em sistemas multiagente para rastrear a média de sinais de referência variantes no tempo. No entanto, os algoritmos DAC convencionais exigem que os agentes troquem informações de estado diretamente com seus vizinhos. Essa troca direta expõe o sistema a riscos de segurança e privacidade:

Vulnerabilidade: Eavesdroppers (espiões) externos ou internos podem interceptar os sinais transmitidos.
Inferência de Dados Sensíveis: Através de métodos baseados em observadores, um adversário pode reconstruir não apenas os sinais de referência privados de cada agente ( $z_i(t)$ ), mas também suas derivadas ( $\dot{z}_i(t)$ ).
Limitações das Soluções Existentes: Métodos anteriores de preservação de privacidade, como privacidade diferencial (adição de ruído) ou criptografia, ou comprometem a precisão da convergência (erro de estado estacionário) ou introduzem custos computacionais e de comunicação excessivos. Além disso, a maioria das soluções existentes foca apenas em consenso estático ou protege apenas o sinal de referência, negligenciando a privacidade de sua derivada.

O objetivo do artigo é desenvolver um algoritmo DAC que mantenha as propriedades de convergência e precisão do método convencional, mas que garanta a privacidade tanto dos sinais de referência quanto de suas derivadas contra espiões externos.

2. Metodologia Proposta

Os autores propõem um esquema de mascaramento de sinal de referência baseado em sinais senoidais. A metodologia opera em duas fases principais:

A. Fase de Inicialização e Geração de Máscara

Geração de Sinais: Cada agente $i$ gera um conjunto de sinais sinusoidais $s_{ij}(t) = A_m \sin(\omega_{ij} t)$ para cada vizinho $j$ , onde $\omega_{ij}$ é uma frequência aleatória escolhida pelo agente $i$ e $A_m$ é uma amplitude comum pré-definida.
Troca Segura: Os sinais $s_{ij}(t)$ são trocados entre vizinhos através de um link de comunicação seguro (criptografado) apenas durante a fase de inicialização.
Construção da Máscara: Cada agente $i$ constrói seu sinal de mascaramento $m_i(t)$ somando as diferenças entre os sinais recebidos e os enviados:
$m_i(t) = \sum_{j \in \mathcal{N}_i} (s_{ji}(t) - s_{ij}(t))$
Esta construção garante matematicamente que a soma das máscaras de todos os agentes seja zero a qualquer instante ( $\sum m_i(t) = 0$ ) e que a soma de suas derivadas também seja zero ( $\sum \dot{m}_i(t) = 0$ ).

B. Execução do Algoritmo DAC

Sinal Mascarado: O agente $i$ define seu sinal de referência mascarado como $z_{m,i}(t) = z_i(t) + m_i(t)$ .
Atualização: O agente executa a regra de atualização do DAC utilizando o sinal mascarado e sua derivada:
$\dot{\hat{z}}_{a,i}(t) = \dot{z}_{m,i}(t) - \beta \sum_{j=1}^N a_{ij} (\hat{z}_{a,i}(t) - \hat{z}_{a,j}(t))$
Onde $\hat{z}_{a,i}(t)$ é a estimativa da média e $\beta$ é um parâmetro de ganho.

3. Principais Contribuições

Proteção Dupla: Diferente de trabalhos anteriores, este método protege simultaneamente o sinal de referência $z_i(t)$ e sua derivada $\dot{z}_i(t)$ contra reconstrução por observadores externos.
Preservação de Desempenho: O esquema não modifica a matriz Laplaciana do grafo de comunicação. Consequentemente, o algoritmo mantém a taxa de convergência exponencial e a precisão de rastreamento do DAC convencional, sem introduzir erros de estado estacionário significativos (ao contrário da privacidade diferencial).
Baixa Complexidade Computacional: O método evita a criptografia pesada durante a operação contínua e a decomposição complexa de estados, exigindo apenas a troca de parâmetros sinusoidais na inicialização.
Ajuste de Nível de Privacidade: O parâmetro de amplitude $A_m$ atua como um "botão" de ajuste; valores maiores de $A_m$ aumentam a dificuldade de reconstrução pelos atacantes, permitindo um controle sobre o nível de privacidade.
Aplicação Prática: Demonstração da viabilidade do método em um cenário real de Sistemas de Armazenamento de Energia por Bateria (BESS) para balanceamento do Estado de Carga (SoC).

4. Resultados e Validação

Os resultados foram validados através de análise teórica e simulações numéricas em um sistema de 6 baterias interconectadas em topologia de anel:

Convergência: As simulações confirmaram que os estimadores de todos os agentes convergem para a média verdadeira do sistema, com erros de estado estacionário que diminuem à medida que os ganhos $\beta$ e $\kappa$ aumentam.
Balanceamento de SoC: O algoritmo aplicado ao BESS conseguiu equilibrar o Estado de Carga (SoC) de todas as baterias e rastrear com precisão a potência total desejada, mesmo com capacidades de bateria heterogêneas.
Eficácia da Privacidade:
- Um ataque simulado onde um espião tentou reconstruir os estados individuais ( $x_i(t)$ ) e as potências ( $p_i(t)$ ) usando um observador baseado no método de [4] falhou.
- As trajetórias reconstruídas pelo atacante divergiram significativamente dos sinais reais.
- A métrica de erro quadrático médio (RMSE) entre o sinal real e o estimado pelo atacante foi alta, confirmando que a informação privada não pode ser recuperada.
- Aumentar a amplitude $A_m$ resultou em maior erro de reconstrução pelo atacante, validando o papel de $A_m$ como parâmetro de ajuste de privacidade.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica na literatura de controle distribuído, oferecendo uma solução que não sacrifica o desempenho do sistema em prol da privacidade.

Para BESS e Microredes: Permite a operação coordenada e segura de sistemas de armazenamento de energia, onde dados de SoC e potência podem revelar informações comerciais sensíveis ou vulnerabilidades operacionais.
Avanço Teórico: Estabelece que é possível proteger a dinâmica completa (sinal e derivada) de um sistema multiagente sem degradar a taxa de convergência, utilizando uma estratégia de mascaramento baseada em propriedades de soma nula de sinais oscilatórios.
Viabilidade: A abordagem é computacionalmente leve e adequada para implementação em tempo real em redes de sensores e atuadores com recursos limitados.

Em resumo, o artigo apresenta um algoritmo robusto que equilibra a necessidade de coordenação distribuída eficiente com a exigência crescente de privacidade de dados em infraestruturas críticas.