面向异构数据的智能电网通用FDIA检测的聚类化联邦学习
机器学习
2025-08-05 v2 系统与控制
系统与控制
摘要
虚假数据注入攻击（FDIAs）通过操纵来自 SCADA 系统和 PMU 等空间分布设备收集的测量数据，对智能电网构成严重的安全风险。这些测量数据在不同地区通常表现出非独立同分布（Non-IID）特征，这显著挑战了检测模型的泛化能力。传统的中心化训练方法不仅面临隐私风险和数据共享限制，还会产生高昂的传输成本，限制了其规模和部署可行性。为此，本文提出一种隐私保护的联邦学习框架，称为联邦聚类平均（FedClusAvg），旨在改善面向 Non-IID 和资源受限环境的 FDIA 检测。FedClusAvg 融合基于聚类的分层抽样和层次通信（客户端-子服务器-服务器）以增强模型泛化性并降低通信开销。通过实现局部训练和加权参数聚合，算法在不集中化敏感数据的情况下实现了准确的模型收敛。实验结果表明，FedClusAvg 不仅在异构数据分布下提高了检测准确率，而且显著减少了通信轮数和带宽消耗。这一工作为大规模分布式电力系统的安全高效 FDIA 检测提供了有效解决方案。
引用
@article{arxiv.2507.14999,
title = {Clustered Federated Learning for Generalizable FDIA Detection in Smart Grids with Heterogeneous Data},
author = {Yunfeng Li and Junhong Liu and Zhaohui Yang and Guofu Liao and Chuyun Zhang},
journal= {arXiv preprint arXiv:2507.14999},
year = {2025}
}
备注
10 pages,6 figures