面向分布式微电网的不确定性感知联邦学习在网络攻击下的鲁棒能源管理
机器学习
2025-11-25 v1 密码学与安全
摘要
在网络攻击条件下维持微电网能源管理系统的经济性和运行可靠性仍面临挑战。大多数方法假设测量值在非异常状态下，预测时未量化不确定性，且未针对能源管理优化中的可靠性差预测进行防御。这篇文章提出了一套综合性的网络攻击鲁棒框架，集成基于长短期记忆网络 (LSTM) 的联邦光伏预测与一种新颖的两级级联虚数据注入攻击检测与能源管理系统优化方法。该方法结合自编码器重构误差与预测不确定性量化，实现具备攻击鲁棒性的能源存储调度，同时保持数据隐私。研究了导致 58% 预测性能下降和 16.9% 运行成本增加的极端虚数据攻击条件。所提出的集成框架通过 70% 降低误报检测率，恢复 93.7% 的预测性能损失，实现 5% 的运行成本节省，缓解 34.7% 的攻击导致的经济损失。结果表明，基于多信号融合的精准导向级联检测优于单信号方法，验证了面向去中心化微电网的安全性能协同。
引用
@article{arxiv.2511.17968,
title = {Uncertainty-Aware Federated Learning for Cyber-Resilient Microgrid Energy Management},
author = {Oluleke Babayomi and Dong-Seong Kim},
journal= {arXiv preprint arXiv:2511.17968},
year = {2025}
}
备注
6 pages