[论文解读] Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids

Mehdi Jabbari Zideh, Sarika Khushalani Solanki|arXiv (Cornell University)|Dec 8, 2023

Anomaly Detection Techniques and Applications被引用 4

一句话总结

本文提出了一种物理信息卷积自编码器（PIConvAE），通过将基尔霍夫定律嵌入卷积自编码器的损失函数，以检测配电系统中的隐蔽网络攻击。通过整合物理约束，该模型在收敛速度和检测精度方面均优于纯数据驱动的模型，尤其在IEEE 13-bus和123-bus系统中对低幅值攻击的检测表现更优。

ABSTRACT

The growing trend toward the modernization of power distribution systems has facilitated the installation of advanced measurement units and promotion of the cyber communication systems. However, these infrastructures are still prone to stealth cyber attacks. The existing data-driven anomaly detection methods suffer from a lack of knowledge about the system's physics, lack of interpretability, and scalability issues hindering their practical applications in real-world scenarios. To address these concerns, physics-informed neural networks (PINNs) were introduced. This paper proposes a multivariate physics-informed convolutional autoencoder (PIConvAE) to detect stealthy cyber-attacks in power distribution grids. The proposed model integrates the physical principles into the loss function of the neural network by applying Kirchhoff's law. Simulations are performed on the modified IEEE 13-bus and 123-bus systems using OpenDSS software to validate the efficacy of the proposed model for stealth attacks. The numerical results prove the superior performance of the proposed PIConvAE in three aspects: a) it provides more accurate results compared to the data-driven ConvAE model, b) it requires less training time to converge c) the model excels in effectively detecting a wide range of attack magnitudes making it powerful in detecting stealth attacks.

研究动机与目标

• 为解决现有数据驱动异常检测模型在配电系统中存在可解释性差、可扩展性不足以及缺乏物理一致性等问题。
• 开发一种无监督学习框架，利用物理定律提升对隐蔽网络攻击的检测能力，且无需依赖标注的攻击数据。
• 在真实测试系统（IEEE 13-bus和123-bus）上，评估所提模型在不同攻击幅值和系统复杂度下的性能表现。
• 通过在神经网络损失函数中嵌入物理约束，缩短训练时间，同时保持或提升检测精度。

提出的方法

• PIConvAE模型将基尔霍夫电流定律和电压定律整合到卷积自编码器的损失函数中，以在重构测量值时强制满足物理合理性。
• 模型以muPMU采集的多变量时间序列测量数据作为输入，捕捉多个母线处的电压和电流幅值与相角。
• 通过强制要求每个母线的注入电流与流出电流之和为零，计算物理信息损失项，确保符合基尔霍夫电流定律（KCL）。
• 自编码器以无监督方式训练，以最小化重构误差，同时满足物理约束，从而提升泛化能力与鲁棒性。
• 在修改后的IEEE 13-bus和123-bus配电系统上，基于OpenDSS仿真评估模型性能，攻击类型为虚假数据注入攻击（FDIAs）。
• 采用标准指标（准确率、精确率、召回率、F1分数和训练时间）对PIConvAE与标准数据驱动卷积自编码器（ConvAE）进行对比评估。

Figure 1 : Overview of the training and detection of the developed PIConvAE model.

实验结果

研究问题

• RQ1 将物理定律整合到深度自编码器中，是否能提升配电系统中隐蔽网络攻击的检测能力？
• RQ2 在损失函数中引入基尔霍夫定律，对异常检测模型的收敛速度和泛化能力有何影响？
• RQ3 PIConvAE模型在不同攻击幅值下，相较于标准数据驱动ConvAE，在检测虚假数据注入攻击方面优势有多大？
• RQ4 该物理信息方法是否在低幅值攻击（传统模型难以检测）情况下仍能保持高检测性能？

主要发现

• 在IEEE 13-bus系统上，PIConvAE模型实现了95%的召回率和97.44%的F1分数，显著优于数据驱动的ConvAE模型。
• 在IEEE 123-bus系统上，PIConvAE模型实现了97.5%的召回率和98.73%的F1分数，表明其在更大系统中仍具备强大性能。
• 在IEEE 13-bus系统上，PIConvAE模型仅需200个周期即可收敛，而ConvAE模型需1,000个周期，训练时间大幅缩短。
• 在IEEE 123-bus系统上，PIConvAE模型在500个周期内达到最优性能并随后开始退化，表明其收敛更早，过拟合风险更低。
• 模型在所有攻击幅值下均表现出高检测准确率，且在攻击幅值达到3%及以上时性能显著提升。
• PIConvAE模型在两个系统上均实现了完美的精确率（100%），表明攻击检测中无误报。

(a) Validation loss