Resumo Técnico: Benchmark de Aprendizado Profundo Consciente de Latência para Classificação de Ataques Ciberfísicos e Falhas em Tempo Real

Declaração do Problema

Os sistemas de energia modernos estão passando por uma transformação impulsionada pela integração de Recursos Baseados em Inversores (IBRs) e infraestrutura ciberfísica sofisticada. Essa mudança introduz modos de falha complexos, onde os IBRs exibem características de corrente de falta (magnitudes limitadas, harmônicos de alta frequência) que desafiam esquemas de proteção legados, enquanto a digitalização expande a superfície de ataque cibernético. Embora o Aprendizado Profundo (DL) tenha mostrado promessa na detecção de falhas físicas e ataques cibernéticos com alta precisão offline, uma lacuna crítica permanece na literatura: a maioria dos estudos prioriza a precisão em conjuntos de dados estáticos, negligenciando a latência de inferência ponta a ponta em contextos de streaming realistas.

A linha do tempo operacional para proteção de sistemas de energia é excepcionalmente exigente, frequentemente exigindo o isolamento de falhas dentro de um a dois ciclos (16–34 ms). A pesquisa atual carece de benchmarks rigorosos e comparativos que quantifiquem a latência dos modelos de DL contra esses requisitos temporais rigorosos. Consequentemente, alegações de aplicabilidade "em tempo real" são frequentemente infundadas, criando uma barreira para a implantação de métodos de aprendizado de máquina, desde protótipos de pesquisa até sistemas de nível de proteção.

Metodologia

Para abordar essa lacuna, os autores desenvolveram um framework de benchmarking consciente de latência utilizando sinais de domínio temporal de alta fidelidade gerados a partir de um simulador de transitórios eletromagnéticos de nível industrial (WinIGS).

1. Geração de Dados e Ambiente de Teste:

• Simulador: O conjunto de dados foi gerado usando o WinIGS para modelar dinâmicas da rede, integração de fontes renováveis e injeção de anomalias com precisão de microssegundos.
• Ambiente de Teste: Uma microrrede rica em inversores, apresentando um inversor fotovoltaico de 50 kVA e um Sistema de Armazenamento de Energia por Bateria (BESS) de 30 kVA.
• Aquisição de Dados: Fluxos de Valores Amostrados (SV) IEC 61850 emulados a 4,8 kHz (resolução de 208 µs) provenientes de duas Unidades de Fusão (MUs).
• Anomalias: O estudo abrange 17 classes distintas, incluindo operação normal, várias falhas físicas (SLG, LL, DLG, Trifásica) e ataques cibernéticos (ataques de relação CT/PT, spoofing de GPS).
• Pré-processamento: As características foram padronizadas e sequências de 50 amostras foram geradas usando uma abordagem de janela deslizante.

2. Arquiteturas de Modelo:
Oito arquiteturas distintas de DL foram sistematicamente avaliadas:

• Perceptron Multicamadas (MLP)
• Rede Neural Convolucional 1D (1D-CNN)
• Memória de Curto e Longo Prazo (LSTM)
• Híbrido CNN-LSTM
• Transformer
• Rede Convolucional Temporal (TCN)
• ResNet1D
• Rede de Convolução Gráfico Espacial-Temporal (ST-GCN)

3. Pipeline de Inferência em Tempo Real:
A avaliação foi conduzida em um pipeline de streaming processando amostras brutas de domínio temporal. Para garantir estabilidade de decisão, o framework empregou:

• Média Móvel de Um Ciclo: Um filtro de média móvel centrado ($N_{cyc} = 80$ amostras) para suavizar vetores de probabilidade.
• Abstenção Baseada em Confiança: Um mecanismo de decisão onde as previsões são emitidas apenas se a confiança máxima exceder um limiar ($\tau = 0,6$). Caso contrário, o sistema se abstém (saída -1), prevenindo classificações errôneas de baixa confiança.

4. Métricas de Avaliação:
O estudo definiu quatro métricas-chave para avaliar o desempenho sob restrições de tempo real:

• Precisão: Proporção de amostras classificadas corretamente.
• Cobertura: Fração de amostras com decisões confiantes (não abstenidas).
• Tempo de Classificação ($T_{cls}$): O intervalo entre o início da anomalia e a identificação correta.
• Latência de Inferência ($T_{inf}$): O atraso computacional (tempo médio de passagem direta) necessário para gerar uma decisão a partir de medições brutas.

Contribuições Principais

O artigo apresenta três contribuições primárias:

1. Comparação Sistemática: Uma avaliação direta de oito arquiteturas de DL em dados de streaming de alta fidelidade cobrindo 17 anomalias físicas e cibernéticas diferentes.
2. Pipeline de Inferência Prático: Implementação de um pipeline em tempo real com filtragem cíclica e abstenção baseada em confiança para aprimorar a estabilidade de decisão em ambientes de streaming.
3. Benchmark Quantitativo de Latência: A primeira evidência comparativa de latências de detecção e classificação subcíclicas para esta diversificada suíte de modelos, distinguindo explicitamente entre a velocidade de classificação algorítmica e a latência de inferência ponta a ponta.

Resultados

Desempenho de Treinamento:
Todos os modelos alcançaram alta precisão offline (>94%). O modelo MLP teve o melhor desempenho com 99,66% de precisão, apesar de possuir o menor número de parâmetros (157k). O modelo Transformer demonstrou a maior precisão balanceada (99,88%), indicando robustez ao desequilíbrio de classes, embora tenha tido precisão bruta menor (95,37%).

Inferência em Streaming e Latência:

• Estabilidade: As previsões brutas de streaming exibiram jitter e oscilação significativos. A aplicação do filtro de média móvel de um ciclo com gateamento de confiança estabilizou com sucesso as classificações, eliminando falsos alarmes e garantindo confiança sustentada do modelo.
• Tempo de Classificação: Todos os modelos alcançaram tempos de classificação subcíclicos (variando de 3,38 ms a 14,83 ms), identificando com sucesso anomalias dentro da janela de proteção exigida (tipicamente <16 ms).
• Latência de Inferência: Apesar dos tempos de classificação rápidos, a latência média de inferência ponta a ponta consistentemente excedeu três ciclos (50–90 ms) em todos os modelos. Por exemplo, o MLP teve uma latência de 57,20 ms, enquanto o ST-GCN atingiu 88,89 ms.
• Cenários Específicos:
  • Ataques de Relação CT: Os modelos MLP e Transformer reagiram mais rápido (<10 ms), enquanto os modelos recorrentes (LSTM, CNN-LSTM) foram mais lentos (>50 ms).
  • Falhas Fora da Zona: O sistema identificou corretamente falhas fora da zona de treinamento reduzindo a confiança e sinalizando-as como "não vistas" (-1) em vez de classificá-las erroneamente.

Significado e Alegações

O artigo conclui que, embora os modelos de aprendizado profundo possuam a capacidade algorítmica de detectar e classificar anomalias em sistemas de energia com tempos de resposta subcíclicos, uma lacuna crítica persiste entre essa capacidade e a implantação de nível de proteção. A latência consistente de inferência ponta a ponta (50–90 ms) excede a janela típica de 16–34 ms exigida para funções de proteção primária.

Os autores afirmam que essas descobertas estabelecem um benchmark reproduzível para detecção de anomalias subcíclicas. O trabalho destaca que os perfis de latência atuais são mais adequados para funções de controle e consciência situacional do que para proteção primária. O artigo enfatiza que a transição desses métodos para aplicações do mundo real requer otimização adicional e aceleração de hardware para fechar a lacuna de latência, em vez de focar exclusivamente na precisão do modelo. O estudo serve como um guia para compreender os trade-offs entre precisão, velocidade e complexidade no projeto de sistemas de proteção inteligentes de próxima geração.