一种基于DDPM的新型集成方法用于智能电网窃电检测
机器学习
2024-01-17 v3 人工智能
密码学与安全
摘要
窃电通过篡改能耗读数以减少付费，构成双重威胁——给电网运营商造成财务损失并破坏智能电网性能。有效的窃电检测（ETD）方法通过在早期识别此类欺诈活动，对缓解这些风险至关重要。然而，当前多数ETD方法依赖监督学习，受数据标注困难及已知攻击过拟合风险所制约。为应对这些挑战，已提出若干无监督ETD方法，侧重于从诚实用户学习正常模式，具体为输入重构。但我们的调研揭示了当前无监督ETD方法的局限：它们仅能检测具有规律模式的用户中的异常行为。高方差行为的用户对这些方法构成挑战。为此，本文引入一种基于去噪扩散概率模型（DDPM）的ETD方法。该方法通过融入与能耗相关的附加属性，在高方差智能电网数据上展现出优异的ETD性能。所提方法将高方差智能电网数据上平均ETD性能（以AUC计）从低于0.5提升至超过0.9。另一方面，实验结果表明，尽管基于重构误差的最先进ETD方法可识别大多数用户的ETD攻击，但对某些用户无效。为此，我们提出一种考虑重构误差与预测误差的新型集成方法，增强了ETD方法的鲁棒性。该集成方法将最隐蔽攻击上的平均ETD性能（以5%-TPR计）从近0提升至0.5。
引用
@article{arxiv.2307.16149,
title = {A Novel DDPM-based Ensemble Approach for Energy Theft Detection in Smart Grids},
author = {Xun Yuan and Yang Yang and Asif Iqbal and Prosanta Gope and Biplab Sikdar},
journal= {arXiv preprint arXiv:2307.16149},
year = {2024}
}