Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks

Resumo Técnico: Aprendizado sem Treinamento Adversário para Estimativa de Estado de Sistemas de Potência via PINNs

1. O Problema

A Estimativa de Estado de Sistemas de Potência (PSSE) é fundamental para o controle de redes elétricas, convertendo medições de SCADA e PMUs em estimativas de magnitude de tensão e ângulo de fase. Com a digitalização das redes, surge uma vulnerabilidade crítica: Ataques de Injeção de Dados Falsos (FDIA).

O desafio reside em ataques do tipo AC-FDIA furtivos (stealthy), onde o adversário manipula as medições de forma coordenada, respeitando as leis da física (equações de fluxo de potência AC) e os limites dos detectores de dados ruins (BDD) convencionais. Isso permite que o atacante desvie a estimativa do estado sem disparar alarmes, comprometendo a consciência situacional dos operadores. Métodos tradicionais baseados em modelos são vulneráveis a erros de modelagem, enquanto redes neurais puramente baseadas em dados podem carecer de consistência física.

2. Metodologia Proposta

O artigo propõe uma abordagem baseada em Redes Neurais Informadas pela Física (PINNs) que não utiliza treinamento adversário (ou seja, o modelo é treinado apenas com dados de operação normais e estáveis), mas que é inerentemente robusta a ataques devido à sua arquitetura.

Os pilares da metodologia são:

• Formulação PINN com Pesagem Dinâmica: Em vez de usar pesos fixos para equilibrar a perda de ajuste de dados (supervisionada) e a perda de resíduo físico (consistência com as leis de Kirchhoff), o modelo utiliza uma formulação de incerteza homocedástica. Isso permite que o modelo aprenda, durante o treinamento, o escalonamento relativo ideal de cada termo de perda, reduzindo a necessidade de ajustes manuais e aumentando a estabilidade.
• Mecanismo de Salvaguarda (One-sided Log-ratio): Para evitar que o modelo negligencie a física em favor dos dados (o que o tornaria vulnerável a ataques), os autores introduziram um regularizador de razão de logaritmo que penaliza o treinamento caso a influência dos termos físicos caia abaixo de um nível alvo.
• Benchmarking de Ataques AC-FDIAs: Os autores desenvolveram um pipeline de otimização para gerar ataques realistas e furtivos, divididos em quatro famílias:
  1. Simple FDIA: Distorção direta do estado.
  2. Load Redistribution: Manipulação econômica via redistribuição de carga.
  3. Line Overloading: Ataques direcionados para causar sobrecarga em linhas críticas.
  4. State Estimation Corruption: Ataques que mimetizam o perfil de resíduos do estado normal para máxima furtividade.

3. Principais Contribuições

• Modelo PINN Robusto e Attack-Agnostic: Um estimador que não precisa conhecer o tipo de ataque durante o treinamento para ser eficaz contra eles no teste.
• Pesagem Adaptativa de Perda: A introdução de um esquema de pesos baseados em incerteza que equilibra dinamicamente a fidelidade aos dados e a consistência física.
• Framework de Avaliação Sistematizado: Uma metodologia rigorosa para testar a robustez contra ataques AC-consistentes e restritos por resíduos, indo além de ruídos aleatórios simples.

4. Resultados

Os testes foram realizados no sistema de referência IEEE 118-bus. Os principais resultados incluem:

• Superioridade sobre Baselines: O modelo dinâmico superou significativamente as variantes de PINN com pesos fixos. Em comparação com a versão de peso fixo, o modelo proposto reduziu o Erro Médio Absoluto (MAE) global em 82%.
• Desempenho por Tipo de Ataque:
  • Redução de 93% no MAE para Simple FDIA.
  • Redução de 78% para Load Redistribution.
  • Redução de 75% para Line Overload.
  • Redução de 84% para State Estimation Corruption.
• Estabilidade em Casos Extremos: O modelo demonstrou maior estabilidade em percentis de erro mais altos (95º e 99º), provando que é menos suscetível a grandes desvios causados por ataques coordenados.
• Comparação com Literatura: O modelo superou modelos PINN de trabalhos anteriores ([7] e [9]), mantendo erros menores mesmo sob ataques de maior escala (múltiplas barras atacadas).

5. Significância

Este trabalho é significativo pois demonstra que a consistência física integrada via PINNs, quando combinada com uma estratégia de treinamento adaptativa, pode servir como uma camada de defesa cibernética robusta. Ele prova que é possível construir estimadores de estado que são "imunes" a ataques furtivos sem a necessidade de treinar o modelo contra ataques específicos, o que é uma vantagem prática enorme, dado que os métodos de ataque evoluem constantemente.