FDIA-Resilient Dynamic State Estimation for Distribution Networks via LSTM-Integrated RAEC-CKF

Resumo Técnico: Estimativa de Estado Dinâmica Resiliente a FDIA via RAEC-CKF Integrado com LSTM

Definição do Problema
As redes de distribuição modernas, evoluindo para sistemas ciber-físicos (CPS) complexos, enfrentam vulnerabilidades significativas a Ataques de Injeção de Dados Falsos (FDIA). Diferente dos dados incorretos tradicionais, os vetores de FDIA são cuidadosamente elaborados para contornar os Detectores de Dados Corrompidos (BDD) padrão, manipulando os dados de medição sem disparar os limiares de resíduo. Isso leva a estimativas de estado errôneas que comprometem o monitoramento, o controle e as decisões de despacho da rede elétrica.

As soluções existentes enfrentam três limitações principais:

1. Sinais de Detecção em Decomposição: Métodos convencionais que comparam estimativas estáticas e dinâmicas frequentemente produzem um sinal de detecção inicial forte que decai ao longo do tempo conforme o filtro converge para o estado estacionário comprometido, deixando o sistema exposto a ataques persistentes.
2. Desconexão Modular: A detecção e a correção de FDIA são frequentemente projetadas como módulos separados, carecendo de uma estrutura unificada que acione a correção imediatamente após a detecção.
3. Tratamento de Ruído Complexo: Ruídos não gaussianos, incertezas dinâmicas e ataques furtivos exigem soluções adaptativas que não sacrifiquem a precisão da estimativa.

Metodologia
O artigo propõe uma estrutura unificada integrando uma rede de Memória de Longo Prazo (LSTM) com um Filtro de Kalman de Cubatura de Conjunto Adaptativo de Resíduo (RAEC-CKF) e um estimador de Mínimos Quadrados Ponderados (WLS) estático.

• Mecanismo de Detecção de FDIA:
  A estratégia de detecção baseia-se em uma abordagem de camada dupla para garantir a persistência:

1. Teste de Consistência: Calcula a distância euclidiana entre a estimativa estática WLS ($\hat{x}_{WLS}$), que reage instantaneamente às mudanças de medição, e a estimativa dinâmica RAEC-CKF ($\hat{x}_{RAEC-CKF}$), que evolui suavemente com base em modelos temporais. Um viés significativo indica uma anomalia.
2. Verificação por LSTM: Um detector LSTM dedicado, treinado em dados históricos livres de ataques, reconstrói as medições atuais usando uma janela deslizante de dados passados. Se o erro de reconstrução exceder um limiar, ele sinaliza um potencial ataque.
3. Lógica de Decisão: Um FDIA é declarado se a condição tradicional de BDD for violada e o teste de consistência ou o detector LSTM dispararem. Esta lógica distingue o FDIA de distúrbios de carga inofensivos.

• Correção de Dados e Estimativa:
  Ao detectar um ataque em um nó específico, a estrutura ativa um loop de correção:

1. Predição por LSTM: Modelos LSTM pré-treinados predizem as medições de séries temporais para o nó atacado e seus vizinhos com base em dados históricos.
2. Substituição de Medição: Esses valores preditos substituem as medições corrompidas no vetor de entrada para o RAEC-CKF.
3. Escalonamento de Incerteza: Para considerar a incerteza inerente da predição, as entradas diagonais correspondentes da matriz de covariância do ruído de medição ($R_k$) são escalonadas por um fator $\beta > 1$, evitando que o filtro confie excessivamente nas pseudo-medições.
4. Operação Contínua: O RAEC-CKF continua a atualizar a estimativa de estado usando esses inputs corrigidos, evitando que o filtro converja para um estado estacionário falso. A correção persiste até que o teste de consistência se estabilize abaixo do limiar por um número definido de etapas.

Principais Contribuições

1. Estratégia de Detecção Persistente: O artigo introduz um método que mantém um sinal de detecção consistente durante toda a duração de um ataque, superando o problema de "decomposição" inerente aos filtros que convergem para estados comprometidos.
2. Estrutura Unificada de Detecção-Correção: Integra detecção e correção em um único loop coerente. O mesmo módulo LSTM usado para verificação fornece os dados corrigidos, permitindo a correção de erro em tempo real e evitando a divergência do filtro.
3. Arquitetura de Estimativa Resiliente: A combinação do RAEC-CKF (lidando com ruído não gaussiano e incertezas dinâmicas) com o LSTM (fornecendo predição baseada em dados) cria um estimador robusto capaz de operar sob ameaças cibernéticas.

Resultados Experimentais
O método foi validado no sistema IEEE 33-bar sob um cenário de FDIA de mutação de nó único (Nó 9).

• Desempenho de Detecção: O proposto LSTM-RAEC-CKF alcançou um F1 score de 0,9933 (99,83% de precisão, 99,33% de recall). Em contraste, a abordagem convencional WLS-RAEC-CKF (sem correção LSTM) sofreu uma rápida decomposição do sinal, resultando em um recall de apenas 2,67% e um F1 score de 0,0519.
• Precisão de Estimativa: Sob ataque, o método corrigido reduziu os erros de estimativa de tensão em mais de 50% em comparação com filtros não corrigidos.
  • Erro de Tensão Médio: 0,004430 p.u. (vs. 0,010158 p.u. para o RAEC-CKF não corrigido).
  • Erro de Fase Médio: 0,272° (vs. 0,949° para o RAEC-CKF não corrigido).
  • As estimativas corrigidas permaneceram dentro de 0,5% de erro de tensão e 0,3° de erro de fase durante toda a duração do ataque.

Significância e Alegações
Os autores alegam que esta estrutura aborda efetivamente a limitação crítica da decomposição do sinal de detecção. Ao unificar detecção e correção, o método garante que as redes de distribuição possam manter estimativas de estado confiáveis e estabilidade operacional mesmo quando submetidas a ataques cibernéticos sofisticados e persistentes. O estudo demonstra que integrar a predição baseada em dados com a filtragem baseada em modelos fornece uma solução prática para proteger os sistemas de gestão de energia contra FDIA.

Limitações e Trabalhos Futuros
O artigo reconhece que os modelos LSTM atuais foram treinados e testados sob perfis de carga idênticos; variações de carga do mundo real e mudanças sazonais podem impactar a precisão da predição. Além disso, a estrutura atualmente assume que o nó atacado é identificado; um mecanismo de localização de ataque totalmente automático ainda não foi implementado. O trabalho futuro proposto foca no retreinamento online para adaptação dinâmica e na extensão do método para lidar com ataques coordenados envolvendo negação de serviço ou spoofing de GPS.