Centrala begrepp
전력망 이벤트 식별을 위한 기계 학습 모델은 악의적인 공격에 취약할 수 있다. 이 논문에서는 물리 기반 모드 분해 방법을 사용하여 특징을 추출하고 해석 가능한 분류기인 로지스틱 회귀와 그래디언트 부스팅을 사용하여 부하 손실과 발전기 손실 이벤트를 구분한다. 이렇게 학습된 분류기의 강건성을 평가하기 위해 적대적 알고리즘을 사용한다.
Sammanfattning
이 논문은 전력망 이벤트 식별을 위한 기계 학습 기반 접근법의 강건성을 평가하는 것을 목표로 한다. 주요 내용은 다음과 같다:
- 전력망 이벤트 식별을 위해 물리 기반 모드 분해 방법을 사용하여 특징을 추출한다.
- 추출된 특징을 사용하여 로지스틱 회귀와 그래디언트 부스팅 모델을 학습한다.
- 이렇게 학습된 모델의 강건성을 평가하기 위해 적대적 공격 알고리즘을 설계한다.
- 적대적 공격은 두 가지 설정에서 수행된다:
- 화이트 박스 설정 - 공격자가 분류 모델을 완전히 알고 있는 경우
- 그레이 박스 설정 - 공격자가 분류 모델을 모르지만 동일한 네트워크의 과거 데이터에 접근할 수 있는 경우
- 합성 데이터를 사용한 실험 결과, 로지스틱 회귀 모델이 그래디언트 부스팅 모델보다 적대적 공격에 더 취약한 것으로 나타났다.
Statistik
전력망 이벤트 식별 모델은 적대적 공격에 취약할 수 있다.
화이트 박스 공격의 경우 로지스틱 회귀와 그래디언트 부스팅 모델 모두 2-3개의 PMU만 공격해도 분류 정확도가 거의 0%로 떨어진다.
그레이 박스 공격의 경우 그래디언트 부스팅 모델이 로지스틱 회귀 모델보다 더 강건한 것으로 나타났다.
Citat
"ML 기반 이벤트 분류 기술은 DER 침투 증가와 빠른 동적 모니터링 및 대응 필요성으로 인해 상황 인식을 향상시킬 수 있다."
"화이트 박스 공격의 경우 로지스틱 회귀와 그래디언트 부스팅 모델 모두 2-3개의 PMU만 공격해도 분류 정확도가 거의 0%로 떨어진다."
"그레이 박스 공격의 경우 그래디언트 부스팅 모델이 로지스틱 회귀 모델보다 더 강건한 것으로 나타났다."