生成式AI赋能信息物理电力系统鲁棒传感器配置：一种图扩散方法
系统与控制
2025-01-14 v1 系统与控制
摘要
随着物理电力系统和网络技术的进步，集成信息物理电力系统（CPPS）显著提升了系统监测与控制的效率和可靠性。然而，这种集成在设计协调一致的CPPS时带来了复杂的挑战，特别是很少有研究同时解决物理层部署与网络层通信连接的问题。本文通过提出一个鲁棒传感器配置框架来解决这些挑战，以优化物理层的异常检测并增强网络层的通信弹性。我们通过图将CPPS建模为相互依赖的网络，从而允许同时考虑两层。然后，我们采用对数正态阴影路径损耗（LNSPL）模型以确保可靠的数据传输。此外，我们利用Fiedler值来衡量图抵御线路故障的弹性，并使用三种异常检测器来加强系统安全。然而，该优化问题是NP难的。因此，我们引入了经验反馈图扩散（EFGD）算法，该算法利用扩散过程生成最优传感器配置策略。该算法结合了交叉熵梯度和经验反馈机制，以加速收敛并生成更高奖励的策略。大量仿真表明，与现有的图扩散方法相比，EFGD算法将模型收敛速度提高了18.9%，与去噪扩散策略优化（DDPO）相比平均奖励提高了22.90%，与图扩散策略优化（GDPO）相比提高了19.57%，从而显著增强了CPPS运行的鲁棒性和可靠性。
引用
@article{arxiv.2501.06756,
title = {Generative AI Enabled Robust Sensor Placement in Cyber-Physical Power Systems: A Graph Diffusion Approach},
author = {Changyuan Zhao and Guangyuan Liu and Bin Xiang and Dusit Niyato and Benoit Delinchant and Hongyang Du and Dong In Kim},
journal= {arXiv preprint arXiv:2501.06756},
year = {2025}
}
备注
14 pages, 9 figures