敵対的学習なしで学ぶ：偽データ注入攻撃下における安全な電力系統状態推定のための物理情報ニューラルネットワーク

arXiv cs.LG / 2026/4/28

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、ステルス制約付きAC偽データ注入攻撃（FDIAs）に対する頑健性を高める、電力系統状態推定（PSSE）のための物理情報ニューラルネットワーク（PINN）を提案している。
従来のPINN手法とは異なり、本手法は同分散（ホモスケダス）不確実性に基づく動的な損失重み付けによってデータ適合項と物理残差項のバランスを学習し、敵対的学習なしで訓練する。
学習目的に電力潮流の整合性を埋め込み、訓練中の重みハイパーパラメータを手作業で調整する必要性を低減することを狙っている。
IEEE 118バスを用いて、状態改変、負荷再配分、線路過負荷、残差制約付きステルス改ざんといった複数の代表的なステルスFDIAに対する頑健性を評価し、電圧の大きさと位相角についてMAE（平均絶対誤差）で性能を測定している。
結果として、固定重みの既存PINN変種よりも高い精度と安定性が、テストした攻撃シナリオ下で示されている。

Abstract

状態推定は電力系統の制御センター運用における中核技術であり、現代の系統がよりデジタル化され、通信集約的になるにつれて、その堅牢な動作はサイバー物理セキュリティ上の懸念事項としてますます重要になっています。ニューラルネットワークに基づくアプローチは、従来のモデルベース状態推定手法の代替として注目を集めています。学習目的に電力潮流の整合性を埋め込むPhysics-Informed Neural Networks（PINN）では、既存の手法より精度が向上することが示されています。本研究は、本研究で考慮するステルス制約付きAC False Data Injection Attacks（FDIA）から推定プロセスを保護する、PINNベースのPower System State Estimation（PSSE）モデルを提案します。このモデルは敵対的学習（adversarial training）なしで開発されます。代わりに、ホモスセダス不確実性に基づく動的損失重み付けの定式化により、学習中における教師ありデータ適合項と物理残差項の相対的スケーリングを学習し、手動での重み調整への感度を低減します。堅牢性は、状態の歪曲、負荷の再配分、線路の過負荷、残差に制約されたステルスな改ざんといった、代表的なステルス型FDIAファミリーを用いてIEEE 118バス系で評価します。性能は、電圧の大きさおよび位相角に対するMean Absolute Error（MAE）で測定します。その結果は、既存の固定重みPINN変種よりも高い精度と安定性を示しています。