数据投毒攻击对神经网络电力系统优化器可行性与最优性的影响

清洁且随机能源资源的日益增加，以及极端气候事件的增多，正在缩小电网运营商的决策窗口。这一时间约束正在推动大量研究针对基于机器学习 (ML) 的优化代理进行研究。虽然快速求解解决方案很有吸引力，但学习方法固有的脆弱性正在阻碍其采纳。其中一种脆弱性是数据投毒攻击，这类攻击会向 ML 训练数据添加扰动，导致错误决策。对 ML 基于学习的电力系统优化器进行数据投毒攻击的影响尚未得到彻底研究，这构成了关键脆弱性。本文检讨了数据投毒攻击对用于求解直流最优潮流问题的 ML 基于学习的优化代理的影响。具体而言，我们比较了三种不同方法——惩罚-based 方法、后修复方法和直接映射方法——针对投毒攻击的抗性。我们将优化性和可行性作为这些代理的性能指标。本工作的见解将为增强神经网络电力系统优化器的韧性奠定基础。