《Sustainable Computing: Informatics and Systems》:Cyber-resilient DC microgrids: PINN-based control framework against false data injection attacks
编辑推荐:
帕坦·梅拉瓦利·汗(Pathan Meeravali Khan)| 斯里达尔·马迪切蒂(Sreedhar Madichetty)| 斯里兰加·苏普拉巴特·科杜鲁(Sriranga Suprabhath Koduru)| 马奇纳·希瓦·普拉萨德(Machina Siva Prasa
帕坦·梅拉瓦利·汗(Pathan Meeravali Khan)| 斯里达尔·马迪切蒂(Sreedhar Madichetty)| 斯里兰加·苏普拉巴特·科杜鲁(Sriranga Suprabhath Koduru)| 马奇纳·希瓦·普拉萨德(Machina Siva Prasad)| 苏库马尔·米什拉(Sukumar Mishra)
印度海得拉巴马欣德拉大学(Mahindra University)中央工程学院(école Centrale School of Engineering)电气与计算机工程系
摘要
本文提出了一种基于物理信息神经网络(PINN)的分布式控制框架,以提高直流微电网(DCMGs)的可靠性和网络韧性。与传统的比例-积分(PI)控制器或纯数据驱动控制器不同,所提出的方法将转换器控制方程直接嵌入到神经网络训练过程中,从而在控制律中强制执行电压-秒数和电荷平衡约束。这种基于物理信息的公式化方法能够改善动态响应、增强对非线性负载动态的鲁棒性,并提高对测量数据损坏的抵抗力。集成了一种分布式辅助控制策略,以确保多母线DCMGs中的准确母线电压调节和比例电流共享。该框架通过详细的MATLAB/Simulink仿真和实时硬件实验进行了验证,实验条件包括电源变化、恒功率负载(CPL)干扰、连续/不连续导通模式(CCM/DCM)转换以及虚假数据注入攻击(FDIAs)。实验结果表明,在传感器测量数据损坏的情况下,稳态电压误差小于1%,峰值超调为4.2%,收敛时间约为5毫秒。
引言
将可再生能源集成到直流微电网(DCMGs)中是实现可持续、高效和有韧性的电力系统的关键步骤。诸如光伏(PV)面板、燃料电池和电池储能系统等可再生能源正越来越多地被部署,以减少温室气体排放并提高能源安全[1]。电力电子技术、控制策略以及有利的政策框架的进步加速了DCMGs在并网和孤岛运行模式下的应用。然而,随着这些微电网变得越来越复杂,并且越来越依赖于数字通信和分布式控制,确保在应对网络安全威胁的同时保持其鲁棒性能已成为一个关键挑战[2]。在孤岛式DCMGs中,通常采用分布式控制架构来维持电压稳定性、促进电力共享并管理动态负载变化。这些控制层包括主控制和辅助控制,以确保在各种条件下的可靠运行[3]。然而,通信网络和分布式传感器的广泛使用引入了严重的网络攻击脆弱性,特别是虚假数据注入(FDI)攻击[4]。此类攻击可能会破坏传感器测量数据,干扰控制动作,最终威胁到微电网的稳定性和安全性。
DCMGs中的传统网络安全措施,如加密和认证,虽然必不可少,但不足以实时检测和缓解复杂的网络攻击。基于模型的方法,包括卡尔曼滤波器和基于观察器的方案,已被提出用于状态估计和异常检测。利用机器学习(ML)和深度学习(DL)的数据驱动方法,通过分析实时数据来识别异常模式,从而提高了适应性[5]。然而,这两种方法都有明显的局限性:基于模型的方法可能受到模型不准确性和噪声的影响,而数据驱动方法往往缺乏可解释性,并且可能难以泛化到未见过的攻击场景[6]。为了解决这些挑战,基于物理信息的神经网络(PINNs)作为DCMGs控制和网络安全的有希望的解决方案应运而生。与纯数据驱动方法不同,PINNs将物理系统模型直接嵌入到神经网络训练过程中,从而将微电网的控制物理方程和运行约束嵌入其中。这种协同作用提高了神经网络的可解释性、鲁棒性和泛化能力,即使在对抗性条件下也能实现准确的状态估计、异常检测和控制。
直流微电网(DCMGs)的控制已经从传统方法发展到先进的智能策略,以应对非线性动态、恒功率负载(CPLs)和即插即用(PnP)操作等挑战。以往的研究大致可以分为基于模型的方法、数据驱动的方法和混合方法。基于模型的方法,如模型预测控制(MPC)和滑模控制[7]、[8],提供了鲁棒性和稳定性,但它们严重依赖于系统的精确数学模型,并且计算需求较高。数据驱动方法利用人工智能,其中深度强化学习[9]、模糊神经控制器[10]、无传感器AI控制方案[11]和基于ANN的预测控制[12]、[13]提高了适应性并降低了设计复杂性。然而,这些方法通常需要大量的训练数据集,并且往往难以泛化到未见过的运行条件。为了弥合这些差距,人们探索了混合控制策略,包括用于CPLs下的可扩展神经网络控制器[14],这些控制器结合了名义模型知识和学习组件。虽然这些方法提高了韧性,但也增加了设计和稳定性分析的复杂性。受这些限制的启发,本研究开发了一种基于物理信息神经网络(PINN)的控制器,它将转换器动态直接嵌入到学习过程中,从而减少了数据依赖性并提高了DCMG操作的可靠性和鲁棒性。
保护DCMGs免受网络攻击对于其安全和可靠运行至关重要。现有研究大致可以分为基于模型的方法、数据驱动的方法和混合方法。在基于模型的方法中,使用分布式和协作观察器[15]、[16]来估计系统状态和检测虚假数据注入(FDI)攻击。这些技术提供了快速的检测能力和良好的可解释性,但严重依赖于精确的数学模型,这在不确定性下限制了鲁棒性。在数据驱动方法中,神经网络受到了关注。提出了一个双层深度神经网络(TF-DNN)[17]用于独立的FDI检测和缓解,而深度循环自动编码器[18]被用来捕捉隐蔽的攻击模式。尽管有效,但这些方法需要大量的数据集,并且通常表现为黑盒。为了解决这些挑战,混合方法如混合物理信息神经网络(HPINNs)[19]将系统物理与学习模型相结合,提高了韧性,但增加了设计和计算复杂性。受这些限制的启发,本研究采用了一种基于纯物理信息神经网络(PINN)的方法,将转换器动态直接嵌入到神经网络中,以提高可解释性、减少数据依赖性,并确保在DCMGs中有效检测攻击(见表1)。
- 1.
为三母线直流微电网开发了一种分布式控制框架,通过局部的邻居间通信实现准确的母线电压调节和比例电流共享。
- 2.
设计了一种基于PINN的鲁棒控制器,用于电力电子转换器,能够处理非线性负载动态、运行模式转换(CCM/DCM)以及传统PI控制器无法处理的CPL挑战。
- 3.
通过在微电网的控制回路中嵌入基于PINN的学习,制定了一种网络韧性控制策略,从而能够在不需要额外入侵检测模块的情况下检测和缓解对传感器信号的FDI攻击。
- 4.
在轻量级、低成本的微控制器上展示了所提出的基于PINN的微电网控制器的实时部署和验证,突显了其在实际应用中的可行性和可扩展性。
本文的其余部分组织如下。第2节详细介绍了所提出的方法论、PINN、DC MG架构以及控制策略的设计。第3节讨论了所提出系统的仿真和实时实验结果,第4节讨论了结论和未来研究方向。
章节片段
直流微电网的分布式控制策略
DCMG中的分布式控制代表了一种去中心化的控制范式,其中控制任务由各个单元(如分布式发电源和DC-DC转换器)在本地执行,通过与其他单元的通信进行协调,而不是依赖于中央控制器。所提出的3母线环形主分布式DC MG由三个节点组成:节点1、2和3。每个节点都集成了一个直流电源、一个DC-DC转换器和一个本地控制器(表示为
结果与实现
通过两阶段评估过程验证了所提出的基于PINN的控制器的有效性:(i)在MATLAB/Simulink中的仿真研究,以及(ii)在硬件测试平台上的实时实验。为了展示可扩展性,对3母线和4母线DCMGs进行了建模和实现。在包括电源和负载变化、CCM和DCM模式转换、CPL干扰以及FDI攻击在内的多种运行条件下检查了控制器的性能。
结论
本文提出了一种基于PINN的控制框架,旨在提高DCMG操作的可靠性、稳定性和安全性。通过将控制物理定律通过物理信息损失函数嵌入到训练过程中,所提出的方法实现了改进的动态响应和对网络物理干扰的鲁棒韧性。该控制器在包括电阻性和恒功率负载在内的多种运行场景下表现出适应性
CRediT作者贡献声明
帕坦·梅拉瓦利·汗(Pathan Meeravali Khan):撰写——原始草稿、软件开发、数据调查。斯里达尔·马迪切蒂(Sreedhar Madichetty):撰写——审稿与编辑、监督、资源协调、数据调查。斯里兰加·苏普拉巴特·科杜鲁(Sriranga Suprabhath Koduru):方法论制定、概念化。马奇纳·希瓦·普拉萨德(Machina Siva Prasad):可视化、验证。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。