面向资源受限智能表计的安全可扩展能源盗窃检测：联邦学习方法
机器学习
2026-02-19 v1
摘要
能源盗窃构成对智能电网稳定性和效率的重大威胁，导致巨大的经济损失和运营挑战。传统的中心式机器学习方法用于盗窃检测需要聚合用户数据，引发严重的隐私和数据安全问题。这些问题在智能表计环境中进一步恶化，因为设备往往受限于资源，无法运行重型模型。本文提出一种面向能源盗窃检测的隐私保护联邦学习框架，既解决隐私问题又解决计算约束问题。我们的做法利用轻量级多层感知器(MLP)模型，适合部署在低功耗智能表计上，并集成基本差分隐私(DP)通过在局部模型更新注入高斯噪声来实现聚合。这确保了在不损害学习性能的情况下获得形式上的隐私保证。我们在真实世界的智能表计数据集上对我们的框架进行评估，分别在独立同分布(IID)和非独立同分布(non-IID)数据分布下进行实验。实验结果表明，我们的方法在保持隐私和效率的同时，实现了具有竞争力的准确率、精确率、召回率和AUC得分，使提出的解决方案在下一代智能电网基础设施中具有实际可行性和可扩展性。
引用
@article{arxiv.2602.16181,
title = {Towards Secure and Scalable Energy Theft Detection: A Federated Learning Approach for Resource-Constrained Smart Meters},
author = {Diego Labate and Dipanwita Thakur and Giancarlo Fortino},
journal= {arXiv preprint arXiv:2602.16181},
year = {2026}
}