微电网中基于 LSTM 的负荷预测对噪声注入攻击的鲁棒性
机器学习
2023-04-27 v1 人工智能
密码学与安全
摘要
本文研究了理想微电网中 LSTM 神经网络对用于电力负荷预测的噪声注入攻击的鲁棒性。在不同信噪比下，于黑盒高斯噪声攻击中考察 LSTM 模型的性能。假设攻击者仅能访问 LSTM 模型的输入数据。结果表明噪声攻击影响了 LSTM 模型的性能。健康预测时负荷预测平均绝对误差（MAE）为 0.047 MW，而在 SNR=6 dB 的高斯噪声注入下该值升至 0.097 MW。为增强 LSTM 模型抗噪声攻击的鲁棒性，在模型输入处施加具有最优截止频率的低通滤波器以去除噪声攻击。该滤波器在较低 SNR 噪声情况下表现更好，对小噪声则效果较差。
引用
@article{arxiv.2304.13104,
title = {LSTM-based Load Forecasting Robustness Against Noise Injection Attack in Microgrid},
author = {Amirhossein Nazeri and Pierluigi Pisu},
journal= {arXiv preprint arXiv:2304.13104},
year = {2023}
}
备注
6 pages, 9 figures