[論文レビュー] Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs

Mehdi Jabbari Zideh, Sarika Khushalani Solanki|arXiv (Cornell University)|Jun 5, 2024

Machine Fault Diagnosis Techniques被引用数 4

ひとこと要約

本稿では、分散型エネルギー資源（DER）が高率に導入された非平衡で高DER浸透率の配電系統における異常検出を向上させるために、キルヒホッフの法則を畳み込み自己符号化器（ConvAE）の損失関数に統合した多次元物理情報型畳み込み自己符号化器（PIConvAE）を提案する。この手法は、データ不足下でも最先端の性能を達成し、IEEE 123バス系統およびRCAの実世界系統でそれぞれ95.12%および97.09%のF-1スコアを達成しており、データ駆動型ベースラインを著しく上回っている。

ABSTRACT

Despite the relentless progress of deep learning models in analyzing the system conditions under cyber-physical events, their abilities are limited in the power system domain due to data availability issues, cost of data acquisition, and lack of interpretation and extrapolation for the data beyond the training windows. In addition, the integration of distributed energy resources (DERs) such as wind and solar generations increases the complexities and nonlinear nature of power systems. Therefore, an interpretable and reliable methodology is of utmost need to increase the confidence of power system operators and their situational awareness for making reliable decisions. This has led to the development of physics-informed neural network (PINN) models as more interpretable, trustworthy, and robust models where the underlying principled laws are integrated into the training process of neural network models to achieve improved performance. This paper proposes a multivariate physics-informed convolutional autoencoder (PIConvAE) model to detect cyber anomalies in power distribution systems with unbalanced configurations and high penetration of DERs. The physical laws are integrated through a customized loss function that embeds the underlying Kirchhoff's circuit laws into the training process of the autoencoder. The performance of the multivariate PIConvAE model is evaluated on two unbalanced power distribution grids, IEEE 123-bus system and a real-world feeder in Riverside, CA. The results show the exceptional performance of the proposed method in detecting various cyber anomalies in both systems. In addition, the model's effectiveness is evaluated in data scarcity scenarios with different training data ratios. Finally, the model's performance is compared with existing machine learning models where the PIConvAE model surpasses other models with considerably higher detection metrics.

研究の動機と目的

• 分散型エネルギー資源（DER）が高率に導入された配電系統における限られたデータとノイズの問題に対処すること。
• 深層学習アーキテクチャに物理法則を埋め込むことで、異常検出モデルの信頼性と解釈可能性を向上させること。
• データ不足という現実の配電システム運用における一般的な課題に対しても、性能を維持できる強固で一般化可能な手法を開発すること。
• システム遷移にわたってモデル予測が物理的に整合的であることを保証することで、運用者の状況認識を向上させること。
• 非平衡かつ非線形な配電系統におけるサイバー異常検出において、既存のデータ駆動型モデルを上回ること。

提案手法

• キルヒホッフの電圧則および電流則を多次元畳み込み自己符号化器（ConvAE）の損失関数に統合し、再構築出力を物理的整合性に制約する。
• 時系列データをサブサンプリングするためにローリングウインドウ戦略を用い、学習およびテストに向けた時間的パターンを保持する。
• 自己符号化器の学習中にキルヒホッフの法則からの逸脱をペナルティ化するカスタム物理情報型損失関数を定式化する。
• 正常な運用データ上で教師なし学習を実施し、コンactな潜在表現を学習する。
• 入力測定値を再構築し、再構築誤差を異常スコアとして計算する。高い誤差は異常を示す。
• 一般化性能を検証するため、シミュレートされた（IEEE 123バス）および実世界（リバーサイド、カリフォルニア）の非平衡配電受電線に本モデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 キルヒホッフの回路法則を畳み込み自己符号化器に統合することで、非平衡かつ高DER浸透率の配電系統における異常検出性能が向上するか？
• RQ2 特に10%、30%、50%の学習データ比下で、本手法の物理情報型モデルはデータ不足下でどのように性能を発揮するか？
• RQ3 物理的制約の組み込みにより、純粋にデータ駆動型の自己符号化器と比較して、一般化性能およびロバストネスが向上するか？
• RQ4 F-1スコアおよび再現率の観点から、PIConvAEモデルはランダムフォレスト、K-平均法、OCSVMといった既存の機械学習モデルと比較してどのように差をつけるか？
• RQ5 実世界の配電受電線において、サイバー異常を検出する際、高い正確性と物理的一致性を維持できるか？

主な発見

• PIConvAEモデルは、IEEE 123バス系統で95.12%のF-1スコアを達成し、ベースラインのConvAE（84.37%）と比較して顕著な向上を示した。
• 実世界のRCA受電線では、PIConvAEが97.09%のF-1スコアを達成し、ランダムフォレスト（92.23%）およびK-平均法（93.91%）を上回った。
• RCA受電線では99.14%の再現率を記録し、テストされたすべてのモデルの中で最高水準であり、真の異常の検出能が優れていることを示した。
• 10%の学習データ比下でもPIConvAEは高い性能を維持し、データ不足下での優れた一般化および外挿性能を示した。
• 物理情報型損失の統合により、ベースラインConvAEのF-1スコアはIEEE 123バス系統で37.66%から94%に向上した。物理的制約の有効性が裏付けられた。
• 混同行列分析により、PIConvAEはIEEE 123バス系統で最高の真正陽性数（917）と最低の偽陰性数（11）を示した。