⚡ electrical engineering

Reliability-Gated GRU-Based Secure Control of a Nonlinear Floating Offshore Wind Turbine Under False Data Injection Attacks

Este artigo propõe uma estrutura de controle seguro baseada em GRU com portão de confiabilidade que detecta eficazmente ataques de injeção de dados falsos e compensa medições de sensores corrompidas em turbinas eólicas oceânicas flutuantes não lineares, melhorando significamente a precisão da regulação da velocidade do rotor e da potência enquanto mantém a estabilidade da plataforma.

Autores originais: Nadir Abbas, Li-Ying Hao, Majid Ayoubi

Publicado 2026-09-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nadir Abbas, Li-Ying Hao, Majid Ayoubi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os parques eólicos offshore estão entre as fontes mais promissoras de energia limpa, capazes de aproveitar ventos poderosos e constantes em alto mar. No entanto, as máquinas que capturam essa energia são complexas. Uma turbina eólica flutuante não se assenta sobre uma fundação sólida; ela flutua sobre uma plataforma que oscila e inclina com as ondas. Para manter a turbina girando na velocidade certa e gerando energia constante, o sistema de controle depende inteiramente de um fluxo constante de informações provenientes de sensores. Esses sensores medem a rapidez com que as pás giram, quanta eletricidade está sendo produzida e como a plataforma flutuante está se movendo. Se o sistema de controle receber informações falsas, pode cometer erros perigosos, tal como um motorista tentando conduzir um carro enquanto olha para um velocímetro avariado. À medida que esses sistemas se tornam mais conectados à internet e a redes digitais, enfrentam um novo tipo de ameaça: ataques cibernéticos onde um intruso altera secretamente os dados dos sensores para enganar a máquina.

Pesquisadores desenvolveram um novo método para proteger essas turbinas flutuantes contra tal decepção. Num estudo focado num modelo não linear de uma turbina eólica offshore flutuante, a equipa criou um sistema de segurança que atua como um filtro inteligente para os sentidos da máquina. O sistema utiliza um tipo de inteligência artificial conhecida como unidade recorrente de porta (GRU - gated recurrent unit), que é um programa de computador treinado para compreender os padrões normais de comportamento de uma turbina eólica. Ao aprender com horas de dados seguros e não corrompidos, este programa pode prever quais deveriam ser as leituras dos sensores em qualquer momento dado, com base na velocidade do vento, nas condições das ondas e nos comandos que a turbina já está a seguir. Quando os dados reais dos sensores chegam, o sistema compara-os com esta previsão. Se os números coincidirem, o sistema confia no sensor. Se divergirem significativamente, o sistema sinaliza os dados como potencialmente corrompidos por um ataque.

A inovação deste trabalho reside não apenas na deteção da mentira, mas em como ela resolve o problema. Simplesmente substituir uma leitura incorreta de um sensor pela previsão de um computador pode ser arriscado, porque o computador pode não ser igualmente bom a prever todos os tipos de movimento. Por exemplo, o sistema pode ser muito preciso a prever a velocidade das pás em rotação, mas menos preciso a prever a inclinação subtil da plataforma flutuante causada por interações complexas das ondas. Se o sistema substituísse cegamente todos os dados dos sensores pelas suas próprias previsões, poderia acidentalmente introduzir novos erros nas áreas onde a sua previsão era fraca. Para resolver isto, os investigadores introduziram um "portão de fiabilidade" (reliability gate). Este é um mecanismo que decide quanto peso dar à previsão do computador versus a leitura do sensor original para cada medição específica. Se o computador estiver muito confiante na sua previsão para um canal específico, como a velocidade do rotor, o sistema apoia-se fortemente na previsão para corrigir os dados. Se o computador estiver menos certo, como no caso do movimento da plataforma, o sistema permanece conservador e depende mais do sensor original, combinando as duas fontes cuidadosamente para evitar o agravamento da situação.

Os investigadores testaram este quadro num ambiente simulado concebido para mimetizar uma turbina eólica flutuante de 5 megawatts. Submeteram o sistema a um tipo específico de ataque cibernético chamado injeção de dados falsos, onde adicionaram artificialmente enviesamentos às leituras da velocidade do rotor, do pitch da plataforma e da energia gerada durante um período de noventa segundos. Os resultados mostraram que o sistema foi altamente eficaz na identificação do ataque, sinalizando corretamente a intrusão com uma precisão de 97,27 por cento. Mais importante ainda, o método recuperou com sucesso os dados corrompidos. Ao nível do sensor, o sistema reduziu o erro nas leituras da velocidade do rotor em 85,71 por cento e o erro nas leituras da energia gerada em 86,33 por cento. O erro no pitch da plataforma também foi reduzido, embora num grau menor de 50,01 por cento, refletindo a maior dificuldade em prever o movimento complexo da plataforma flutuante.

Quando estes sinais corrigidos foram enviados de volta para o sistema de controlo da turbina, a máquina foi capaz de manter uma operação estável apesar do ataque. O estudo constatou que a turbina protegida manteve a velocidade do rotor e a geração de energia muito mais próximas dos seus alvos pretendidos do que uma turbina desprotegida faria. Especificamente, o erro na velocidade do rotor e na energia gerada foi reduzido em 26,96 por cento comparativamente a um cenário onde a turbina não tinha proteção contra o ataque. Os investigadores também testaram o sistema contra diferentes níveis de intensidade de ataque e adicionaram ruído aleatório para simular interferências de sinais do mundo real. O método permaneceu robusto, mantendo uma alta precisão de deteção e melhorando consistentemente o desempenho do controlo nestas diversas condições.

Uma parte crucial do estudo envolveu a comparação desta nova abordagem de "fiabilidade com portão" contra um método mais simples onde o sistema substituiria completamente qualquer dado de sensor atacado pela previsão do computador, independentemente da qualidade dessa previsão. O método mais simples fez um bom trabalho ao corrigir os dados da velocidade do rotor e da energia, mas causou uma menor estabilidade no controlo do movimento da plataforma. Isto confirmou que a decisão dos investigadores de serem seletivos — confiando mais no computador onde ele era forte e menos onde era fraco — era essencial para a segurança global da máquina. O estudo conclui que, embora este método não seja uma solução perfeita para todos os problemas possíveis, como a redução do stress físico na própria plataforma flutuante, ele fornece uma camada vital de segurança. Permite que as turbinas eólicas flutuantes continuem a operar de forma segura e eficiente mesmo quando os seus sensores estão a ser ativamente enganados, garantindo que a transição para a energia limpa permaneça resiliente contra ameaças digitais.

Resumo Técnico: Controle Seguro Baseado em GRU com Portão de Confiabilidade para uma Turbina Eólica Flutuante Offshore Não Linear sob Ataques de Injeção de Dados Falsos

Definição do Problema
As Turbinas Eólicas Offshore Flutuantes (FOWTs) operam em ambientes físico-cibernéticos altamente acoplados, onde a dinâmica aerodinâmica, hidrodinâmica e estrutural está intrinsecamente ligada. Esses sistemas dependem fortemente de feedback sensorial preciso (ex: velocidade do rotor, pitch da plataforma, potência gerada) para o controle de malha fechada, particularmente na Região II (controle de torque) e na Região III (controle de pitch). No entanto, as FOWTs são vulneráveis a ataques de Injeção de Dados Falsos (FDI), nos quais adversários corrompem as leituras dos sensores sem interromper a comunicação ou causar falhas de hardware óbvias. Tais ataques podem levar a julgamentos errôneos do estado da turbina, resultando em operação ineficiente, riscos de segurança ou decisões de supervisão enganosas. As estratégias de controle existentes para FOWTs abordam primariamente perturbações físicas (turbulência, ondas), mas frequentemente assumem dados sensoriais precisos, deixando uma lacuna no controle seguro sob ataques cibernéticos aos sensores. Além disso, embora métodos baseados em dados como Redes Neurais Recorrentes (RNNs) possam prever valores de sensores, substituir diretamente as medições corrompidas por previsões neurais pode ser inseguro se a precisão da previsão variar significativamente entre diferentes canais de sensores (ex: o movimento da plataforma é mais difícil de prever do que a velocidade do rotor).

Metodologia
O artigo propõe um Framework de Controle Seguro Baseado em GRU com Portão de Confiabilidade projetado para um modelo de ordem reduzida de uma FOWT não linear baseado na turbina de referência NREL 5-MW. O framework consiste em quatro componentes integrados:

Predição de Sensores Segura Baseada em GRU: Uma rede de Unidade de Portão Recorrente (GRU) é treinada offline em dados operacionais não atacados. Ela prevê vetores de sensores "seguros" ( $\hat{y}_k$ ) usando entradas operacionais como velocidade do vento, características de excitação de ondas, comandos de controle e indicadores de região de operação. Os pesos da rede são fixos durante a operação online para evitar a adaptação a dados corrompidos.
Detecção de Ataque Baseada em Resíduo: Um detector calcula o resíduo ( $\rho_k$ ) entre as medições recebidas (potencialmente atacadas) ( $y^a_k$ ) e as previsões da GRU. Um índice de detecção normalizado ( $D_k$ ) é computado; se $D_k$ exceder um limiar derivado de dados de validação, um sinal de ataque ( $\delta_k$ ) é acionado.
Compensação com Portão de Confiabilidade: Esta é a inovação central. Em vez de substituir cegamente todas as medições atacadas pelas previsões da GRU, o framework emprega um portão de confiabilidade por canal.
- Um ganho de confiabilidade ( $g_i$ ) é calculado para cada canal de sensor com base em seu RMSE de validação e escala de sinal.
- A medição compensada ( $y^c_k$ ) é uma mistura ponderada da medição atacada e da previsão da GRU: $y^c_k = (1-\delta_k)y^a_k + \delta_k [(I_m - G)y^a_k + G\hat{y}_k]$ , onde $G$ é a matriz de confiabilidade diagonal.
- Canais com alta confiabilidade de previsão (ex: velocidade do rotor, potência) recebem correção forte, enquanto canais com menor confiabilidade (ex: pitch da plataforma) recebem correção conservadora para evitar a introdução de novos erros.
Controle de Feedback Seguro: O vetor compensado é enviado para um controlador de base das Regiões II/III. A lógica do controlador permanece inalterada, mas opera sobre o feedback assegurado, garantindo que a regulação da velocidade do rotor e da potência seja mantida mesmo durante ataques.

Principais Contribuições

Framework de Validação de Sensores Seguro: Os autores desenvolveram um framework de validação de sensores seguro orientado ao controle usando um modelo de ordem reduzida de FOWT. Diferente de modelos aero-hidro-servo-elásticos de alta fidelidade (ex: OpenFAST), este modelo fornece um ambiente de controle não linear claro para testar estratégias de compensação baseadas em dados.
Preditor GRU com Informação Física e Detector Multicanal: Um preditor GRU foi desenvolvido para estimar respostas livres de ataques para velocidade do gerador, pitch da plataforma, potência, pitch da pá e torque. Acoplado a um detector baseado em resíduos, este sistema identifica desvios anormais de sensores causados por ataques de FDI.
Lei de Compensação com Portão de Confiabilidade Dirigida pelo Detector: O artigo introduz uma estratégia de compensação que evita a substituição desnecessária de sinais saudáveis. O portão é ativado apenas durante ataques detectados e aplica ponderação específica por canal. Isso equilibra o compromisso entre corrigir erros de sensores e manter a segurança de malha fechada, particularmente para canais com alta incerteza de previsão, como o movimento da plataforma.
- Nota: O artigo reporta uma precisão de detecção de 97,27% e uma redução do RMSE total ao nível do sensor de 85,95% para o framework proposto nos resultados principais, com reduções específicas de canal de 85,71% (velocidade do rotor), 50,01% (pitch da plataforma) e 86,33% (potência gerada).

Resultados
Os resultados de simulação foram conduzidos ao longo de um período de 900 segundos com ataques de FDI ativados entre 120 e 210 segundos nos canais de velocidade do rotor, pitch da plataforma e potência gerada.

Desempenho ao Nível do Sensor: A compensação GRU com portão de confiabilidade alcançou uma redução de RMSE total ao nível do sensor de 85,95%. Especificamente, o erro da velocidade do rotor foi reduzido em 85,71%, a potência gerada em 86,33% e o pitch da plataforma em 50,01%. A redução menor para o pitch da plataforma é atribuída à dificuldade de prever a dinâmica da plataforma devido à excitação de ondas e ao acoplamento não linear.
Desempenho de Malha Fechada: O controlador seguro manteve a operação estável. Comparado ao caso atacado sem proteção, o RMSE para a velocidade do rotor e potência gerada diminuiu em 26,96%. A precisão de detecção foi de 97,27%. A resposta do pitch da plataforma permaneceu limitada, com uma mudança insignificante no RMSE (aprox. -0,86%), indicando que o portão conservador evitou a introdução de novas instabilidades.
Robustez: O framework foi testado contra nove cenários com variados magnitudes de ataque e níveis de ruído. A precisão média de detecção permaneceu alta em 95,07%, com reduções médias de RMSE para rotor e potência de 24,10%, demonstrando resiliência a condições perturbadas.
Estudo de Ablação: Uma comparação com uma estratégia "sem portão" (onde todas as medições atacadas são totalmente substituídas pelas previsões da GRU) revelou que, embora a abordagem sem portão oferecesse uma correção agressiva para a velocidade do rotor e potência, ela levou a maiores desvios no pitch da plataforma devido aos erros de previsão nesse canal. A abordagem com portão de confiabilidade proporcionou uma resposta de malha fechada mais equilibrada e segura.

Significância e Alegações
O artigo alega que a compensação de aprendizado com consciência de confiabilidade oferece um compromisso prático entre rejeição de ataque e incerteza de previsão. Demonstra que a reconstrução segura do feedback é possível sem exigir um redesenho completo do controlador de base. O método é particularmente significativo para melhorar a regulação de velocidade do rotor e de potência, evitando a degradação do desempenho de controle causada pela dependência excessiva de canais de previsão fraca (especificamente o movimento da plataforma).

Os autores declaram explicitamente que o framework é um mecanismo de recuperação de sensores e controle de velocidade do rotor/potência, não um controlador de redução de carga da plataforma. Eles reconhecem limitações, observando que o modelo é uma representação de ordem reduzida e ainda não foi validado em ferramentas de alta fidelidade como OpenFAST ou plataformas experimentais. O trabalho é posicionado como um passo fundamental para operações de FOWT seguras e assistidas por aprendizado, com trabalhos futuros planejados para abordar modelos de alta fidelidade, ataques no lado do atuador e ataques cibernéticos multicanais coordenados.

Mais como este