[논문 리뷰] 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)|2024. 06. 05.

Machine Fault Diagnosis Techniques인용 수 4

한 줄 요약

이 논문은 다변량 물리 기반 컨volution 오토인코더(PIConvAE)를 제안하며, 컨volution 오토인코더의 손실 함수에 키르히호프의 회로 법칙을 통합하여 비균형적이고 고 DER 침투율을 보이는 배전 시스템에서의 이상 탐지 성능을 향상시킨다. 이 방법은 데이터 부족 조건에서도 최신 기술 수준의 성능을 달성하며, IEEE 123-bus 및 RCA 실세계 피더에서 각각 F-1 스코어 95.12%와 97.09%를 기록하여 데이터 기반 기준 모델을 크게 능가한다.

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.

연구 동기 및 목표

• 분산 에너지 자원(DER) 침투율이 높은 배전 시스템에서의 제한적이고 노이즈가 많은 데이터 문제를 해결한다.
• 심층 학습 아키텍처에 물리 법칙을 통합하여 이상 탐지 모델의 신뢰성과 해석 가능성 향상.
• 데이터 부족이라는 실제 배전 시스템 운영에서 흔한 문제 상황에서도 성능을 유지하는 견고하고 일반화 가능한 방법 개발.
• 모델 예측이 시스템 전환 과정 동안 물리적으로 일관되게 유지되도록 하여 운영자에 의한 상황 인식 향상.
• 비균형적이고 비선형적인 배전 시스템에서 사이버 이상을 탐지하는 데 있어 기존의 데이터 기반 모델을 능가한다.

제안 방법

• 다변량 컨볼루션 오토인코더(ConvAE)의 손실 함수에 키르히호프의 전압 및 전류 법칙을 통합하여 재구성된 출력이 물리적으로 일관되도록 제약을 둔다.
• 시간 시리즈 데이터를 하위 샘플링하기 위해 윈도우를 이동시키는 전략을 사용하여 학습 및 테스트 동안 시간 패턴을 유지한다.
• 오토인코더 학습 중에 키르히호프 법칙에서의 이탈을 방지하기 위해 맞춤형 물리 기반 손실 함수를 제안한다.
• 정상 운영 데이터를 기반으로 비지도 학습 방식으로 모델을 학습시켜 압축된 잠재 표현을 학습한다.
• 입력 측정값을 재구성하고 재구성 오차를 이상도 수치로 사용하며, 높은 오차는 이상을 나타낸다.
• 일반화 성능을 검증하기 위해 시뮬레이션된(IEEE 123-bus) 및 실세계(Riverside, CA) 비균형 배전 피더에 모델을 적용한다.

실험 결과

연구 질문

• RQ1 키르히호프의 회로 법칙을 컨볼루션 오토인코더에 통합하면 비균형적이고 고 DER 침투율을 가진 배전 시스템에서 이상 탐지 성능을 향상시킬 수 있는가?
• RQ2 특히 학습 데이터 비율이 10%, 30%, 50%일 경우, 제안된 물리 기반 모델은 데이터 부족 조건에서 어떻게 성능을 발휘하는가?
• RQ3 물리적 제약 조건을 통합함으로써 순수 데이터 기반 오토인코더에 비해 일반화 및 강건성 향상이 이루어지는가?
• RQ4 F-1 스코어와 재현율 측면에서 PIConvAE 모델은 랜덤 포레스트, K-평균, OCSVM과 같은 기존 기계 학습 모델에 비해 어떻게 비교되는가?
• RQ5 실세계 배전 피더에서 사이버 이상을 탐지할 때 모델은 높은 정확도와 물리적 일관성을 유지할 수 있는가?

주요 결과

• PIConvAE 모델은 IEEE 123-bus 시스템에서 F-1 스코어 95.12%를 기록하였으며, 기준 모델인 ConvAE의 84.37%보다 뚜렷한 향상이 있었다.
• 실세계 RCA 피더에서는 PIConvAE가 F-1 스코어 97.09%를 기록하여 랜덤 포레스트(92.23%)와 K-평균(93.91%)를 모두 능가했다.
• RCA 피더에서 PIConvAE는 99.14%의 재현율을 기록하여 테스트된 모든 모델 중에서 가장 높았으며, 진짜 이상을 잘 탐지함을 시사한다.
• 10% 학습 데이터 비율 조건에서도 PIConvAE는 높은 성능을 유지하여 데이터 부족 조건에서 뛰어난 일반화 및 외삽 능력을 입증했다.
• 기본 ConvAE의 F-1 스코어가 물리 기반 손실 통합으로부터 37.66%에서 94%로 상승하여 물리적 제약 조건의 효과를 입증했다.
• 혼동 행렬 분석을 통해 PIConvAE는 IEEE 123-bus 시스템에서 가장 높은 참 양성 수(917)와 가장 낮은 참 음성 오류 수(11)를 기록했다.