論文の概要: Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks

• arxiv url: http://arxiv.org/abs/2604.22784v1
• Date: Fri, 03 Apr 2026 21:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.17897
• Title: Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks
• Title（参考訳）: 逆行訓練を伴わない学習:偽データ注入攻撃によるセキュア電力系統状態推定のための物理インフォームニューラルネットワーク
• Authors: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael,
• Abstract要約: 電力系統状態推定(PSSE)のためのPINNモデルを提案する。 ステルス制約AC偽データインジェクション攻撃(FDIAs)に対する推定プロセスの保護 その結果,既存のPINN変種よりも精度と安定性が向上した。
• 参考スコア（独自算出の注目度）: 2.7282323019364907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State estimation is a cornerstone of power system control-center operations, and its robust operation is increasingly a cyber-physical security concern as modern grids become more digitalized and communication-intensive. Neural network-based approaches have gained attention as alternatives to conventional model-based state estimation methods. Physics-Informed Neural Networks (PINNs), which embed power-flow consistency into the learning objective, have shown improved accuracy over existing approaches. This work proposes a PINN-based model for Power System State Estimation (PSSE) that protects the estimation process against the stealth-constrained AC False Data Injection Attacks (FDIAs) considered in this study. The model is developed without adversarial training. Instead, a dynamic loss-weighting formulation based on homoscedastic uncertainty learns the relative scaling of supervised data-fit and physics-residual terms during training, reducing sensitivity to manual weight tuning. Robustness is evaluated on the IEEE 118-bus system using representative stealthy-FDIA families including state distortion, load redistribution, line overloading, and residual-constrained stealth corruption. Performance is measured using Mean Absolute Error (MAE) on voltage magnitudes and phase angles. Results demonstrate higher accuracy and stability than existing fixed-weight PINN variants.
• Abstract（参考訳）: 状態推定は電力システム制御中心の運用の基盤であり、その堅牢な運用は、現代のグリッドがデジタル化され、通信集約化されるにつれて、サイバー物理的セキュリティ上の懸念がますます高まっている。 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に代わるものとして注目されている。 学習目的に電力フローの整合性を組み込んだ物理インフォームドニューラルネットワーク(PINN)では,既存のアプローチよりも精度が向上している。 本研究では,本研究で検討したステルス制約AC False Data Injection Attacks (FDIA) に対して,電力系統状態推定(PSSE)のPINNモデルを提案する。 モデルは敵の訓練を受けずに開発される。 代わりに、ホモシステマティック不確実性に基づく動的損失重み付け定式化は、トレーニング中の教師付きデータフィットと物理-残留項の相対スケーリングを学習し、手動の重み付けに対する感度を低下させる。 状態歪み,負荷再分配,ラインオーバーロード,残留拘束されたステルス汚損を含む代表ステルスFDIAファミリーを用いて,IEEE 118バスシステム上でロバスト性を評価する。 平均絶対誤差(MAE)を電圧等級と位相角で測定する。 その結果,既存のPINN変種よりも精度と安定性が向上した。

関連論文リスト

• Towards Trustworthy Wi-Fi Sensing: Systematic Evaluation of Deep Learning Model Robustness to Adversarial Attacks [4.5835414225547195]
  我々は、多様な脅威モデルと様々な攻撃リアリズムの下で、CSI深層学習モデルの堅牢性を評価する。 私たちの実験では、より小さなモデルは効率的で、クリーンなデータでも等しく機能するが、明らかにロバストさが低いことが示されています。 物理的に実現可能な信号空間の摂動は、実際の無線チャネルで実現可能なように設計されており、攻撃の成功を著しく減少させる。
  論文  参考訳（メタデータ） (2025-11-25T16:24:29Z)
• Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification [6.5745172279769255]
  本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。 状態遷移行列はシュールのパラメータ化によって安定であることが保証される。 提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:25:54Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Robust Power System State Estimation using Physics-Informed Neural Networks [1.3258437587406258]
  本稿では,電力系統状態推定の精度とロバスト性を高めるために,物理インフォームドニューラルネットワーク(PINN)を用いたハイブリッドアプローチを提案する。 ニューラルネットワークアーキテクチャに物理法則を埋め込むことで、PINNは正常かつ欠陥のある条件下での伝送グリッドアプリケーションの推定精度を向上させる。
  論文  参考訳（メタデータ） (2025-07-08T10:58:13Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。 提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
  論文  参考訳（メタデータ） (2024-06-05T04:28:57Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。