La creciente adopción de vehículos eléctricos (VE) está generando una demanda significativa de estaciones de carga de VE (EVCS), lo que a su vez plantea desafíos para la estabilidad y fiabilidad de la red eléctrica. Para abordar esto, investigadores han desarrollado PHANTOM, un sistema innovador que explora la vulnerabilidad de los sistemas de gestión de carga de VE coordinados mediante aprendizaje federado (FL) a ataques adversarios.
¿Qué es PHANTOM y por qué es importante? PHANTOM (Physics-Aware Adversarial Network) es una red adversaria que utiliza un modelo de aprendizaje por refuerzo multi-agente para simular y explotar debilidades en sistemas de carga de VE. La clave de PHANTOM es su integración de una red neuronal informada por la física (PINN) dentro del marco de aprendizaje federado. Una PINN incorpora leyes físicas (como la conservación de la energía) en el modelo de aprendizaje automático, lo que lo hace más realista y consistente con el comportamiento del mundo real. El aprendizaje federado permite que múltiples EVCS compartan información y aprendan de forma colaborativa sin comprometer la privacidad de los datos individuales.
¿Cómo funciona? PHANTOM construye un “gemelo digital” del sistema de carga de VE utilizando la PINN y el FL. Este gemelo digital se utiliza para entrenar agentes de aprendizaje por refuerzo (DQN y SAC) que desarrollan estrategias para inyectar datos falsos (FDI) en el sistema. Estos datos falsos están diseñados para evadir los mecanismos de detección convencionales y causar perturbaciones. Para evaluar el impacto a gran escala, se utiliza una plataforma de simulación de transmisión y distribución (T&D) que modela la propagación de estas perturbaciones a través de la red eléctrica.
Aplicaciones y Casos de Uso: La investigación es relevante para operadores de redes eléctricas, fabricantes de EVCS y proveedores de servicios de carga. Permite comprender mejor los riesgos de ciberseguridad asociados con la integración de VE a gran escala y desarrollar contramedidas. Por ejemplo, podría usarse para probar la robustez de los sistemas de gestión de carga frente a ataques o para diseñar sistemas de detección de intrusiones más sofisticados.
Consideraciones: La investigación destaca la necesidad de una ciberseguridad “consciente de la física” para proteger los sistemas de carga de VE. Una limitación es que los ataques simulados son específicos del modelo utilizado; los ataques reales podrían ser más complejos. Además, la implementación de PINNs y FL puede ser computacionalmente intensiva. Alternativas a PHANTOM podrían incluir el uso de técnicas de aprendizaje automático robusto o el desarrollo de protocolos de comunicación más seguros para los EVCS.