Transformer is All You Need: Attention-Based Anomaly Detection and Classification in Inverter-Rich Power Systems

Resumo Técnico: Transformer é Tudo o que Você Precisa: Detecção e Classificação de Anomalias Baseadas em Atenção em Sistemas de Potência Ricos em Inversores

Definição do Problema
As redes elétricas modernas estão em transição para altas penetrações de recursos baseados em inversores (IBRs), como fotovoltaica e armazenamento de baterias. Diferente das máquinas síncronas, os IBRs limitam as magnitudes das correntes de falta e remodelam os transientes, tornando esquemas tradicionais de proteção de sobrecorrente e distância pouco confiáveis. Concomitantemente, a adoção de arquitetias de Barramento de Processo IEC 61850 expõe as camadas de medição a ataques físico-cibernéticos. Adversários podem manipular as relações CT/PT ou falsificar o tempo de GPS para corromper fluxos de valores amostrados sem violar as regras de protocolo, criando formas de onda que mimetizam faltas físicas ou mascaram anomalias reais.

O desafio central abordado é a "lacuna de especificidade de latência". As abordagens de aprendizado de máquina (ML) existentes frequentemente reportam alta precisão offline, mas falham ao avaliar o comportamento contínuo de streaming, a precisão da janela de eventos ou o tempo necessário para a estabilização da classe. Por outro lado, métodos baseados em física, como a Proteção Baseada em Estimativa de Estado Dinâmico (DSE-EBP), oferecem detecção rápida de anomalias, mas carecem da capacidade de diagnóstico semântico para distinguir entre faltas físicas e ataques no domínio da medição ou para localizar fontes corrompidas. Este artigo avalia se o aprendizado profundo baseado em atenção pode fornecer diagnóstico e atribuição multiclasse confiáveis quando comparado lado a lado com a proteção baseada em física utilizando dados de alta fidelidade idênticos.

Metodologia
O estudo utiliza um banco de testes de transientes eletromagnéticos (EMT) de alta fidelidade gerado via WinIGS, simulando uma microrrede rica em IBR com um inversor fotovoltaico de 50 kVA, uma bateria de 30 kVA e cinco zonas de proteção. Os dados são amostrados a 4,8 kHz de unidades de fusão (merging units) sincronizadas a montante (MU23) e a jusante (MU32), criando um vetor de características de 14 dimensões por passo de tempo.

A avaliação compara dois pipelines distintos operando nos mesmos dados de streaming:

1. DL-Xformer (Baseado em Dados): Um classificador Transformer baseado em atenção projetado para classificação de eventos diagnósticos. Ele processa janelas de 50 amostras (subciclo) usando autoatenção de múltiplas cabeças e codificação posicional senoidal. A saída é suavizada via uma média móvel centrada de um ciclo e submetida a um mecanismo de decisão com portão de confiança ($\tau = 0,60$). É treinado em uma taxonomia de 18 classes cobrindo operação normal, 11 tipos de faltas físicas e 6 ataques no domínio da medição (manipulação de razão CT/PT, spoofing de GPS).
2. DSE-EBP (Baseado em Física): Um esquema de proteção baseado em modelo que testa a consistência da medição contra um modelo físico de zona protegida usando um estimador de mínimos quadrados ponderados (WLS). Ele detecta anomalias via uma estatística de resíduo qui-quadrado ($\xi(t)$) e emite um sinal de trip quando a área acumulada de baixa confiança excede um limite.

O cenário de avaliação de streaming consiste em uma sequência de 6 segundos com cinco eventos distintos (faltas SLG, LL, DLG e dois ataques cibernéticos) separados por operação normal. Notavelmente, o ataque de razão CT é intencionalmente colocado imediatamente após uma falta DLG para criar um caso de estresse envolvendo oscilações residuais.

Principais Contribuições

1. Avaliação do DL-Xformer: O artigo apresenta a primeira avaliação de um Transformer baseado em atenção para diagnóstico de 18 classes de faltas e ataques cibernéticos usando valores amostrados de 4,8 kHz em um contexto de streaming.
2. Comparação Lado a Lado: Fornece uma comparação direta entre DL-Xformer e DSE-EBP em fluxos EMT idênticos, separando explicitamente o tempo de detecção (baseado em física) do tempo de classificação (baseado em dados).
3. Análise de Tradeoff Latência–Diagnóstico: O estudo quantifica o tradeoff entre a detecção rápida de anomalias dos métodos baseados em física e o diagnóstico semântico mais rico do aprendizado profundo.
4. Atribuição de Nível de Medição: O artigo demonstra que as decisões do DL-Xformer são impulsionadas por canais fisicamente significativos no local atacado, validando a capacidade do modelo de aprender relações espaciais sem supervisão física explícita.

Resultos

• Velocidade de Detecção vs. Classificação: O DSE-EBP detectou todas as cinco anomalias com um tempo médio de detecção de 0,756 ms (intervalo: 0,417–1,660 ms), adequado para proteção primária. O DL-Xformer classificou os mesmos eventos com um tempo médio de classificação de 13,46 ms (intervalo: 2,50–50,42 ms).
• Desempenho no Caso de Estresse: No cenário mais desafiador (ataque de razão CT ocorrendo durante oscilações residuais de DLG), a precisão da janela de evento do DL-Xformer caiu para 76,1% devido ao atraso na estabilização. No entanto, o modelo eventualmente atingiu a classificação estável correta, identificando corretamente o tipo de ataque e a localização.
• Atribuição: A análise de atribuição de características confirmou que o DL-Xformer focou seus pesos de decisão nos canais específicos de corrente e tensão da MU32 onde ocorreu a manipulação da razão CT, enquanto atribuiu pesos menores às medições não afetadas a montante.
• Precisão: Em janelas de teste não-streaming retidas, o DL-Xformer alcançou 97,47% de precisão na taxonomia de 18 classes.

Significância e Alegações
O artigo afirma que os resultados motivam uma arquitetura de proteção em camadas para as próximas gerações de redes inteligentes dominadas por inversores. Ele postula que o DSE-EBP e o DL-Xformer são complementares em vez de competitivos:

• O DSE-EBP serve como a camada primária para detecção rápida de anomalias baseada em física e atuação de trip.
• O DL-Xformer serve como uma camada secundária fornecendo consciência diagnóstica, incluindo discriminação de tipo de falta/ataque, localização de fonte e comportamento de confiança.

Os autores declaram explicitamente que a implementação atual do DL-Xformer ainda não está pronta para campo para proteção primária devido à latência introduzida pelo filtro de suavização centrado (look-ahead de 8,33 ms) e ao atraso de classificação de pior caso (50,42 ms). Eles concluem que, embora a abordagem de aprendizado profundo ofereça um diagnóstico semântico superior, trabalhos futuros devem focar na redução da latência através de filtragem causal e aceleração de hardware para atender aos requisitos temporais determinísticos de implantação em nível de relé. O estudo enfatiza que os dois métodos respondem a perguntas operacionais diferentes, justificando uma abordagem híbrida onde a detecção rápida é pareada com o diagnóstico rico.