用于隐私保护型能源电网管理系统中异常检测的分布式学习机制

《ACM Transactions on Sensor Networks》：Distributed Learning Mechanisms for Anomaly Detection in Privacy-Aware Energy Grid Management Systems

智能电网在零排放与AI技术驱动下发展迅速，面临网络安全与隐私保护挑战。本文提出隐私-aware能源管理系统，结合异常检测网络（分服务器/客户端协作学习）与联邦、分布式、分片学习机制，采用Q-learning决策提升可解释性。实验证明该方案在性能、隐私和安全性上优于传统方法，并对比不同学习机器的效果。

　　

摘要

由于净零排放目标以及专注于实现精准能源分配和维护运行储备的人工智能（AI）技术的快速发展，智能电网已成为一个新兴的研究领域。为了防止网络物理攻击，与电网系统安全性和隐私性相关的问题受到了研究人员的广泛关注。本文提出了一种具有异常检测网络和分布式学习机制的隐私意识型能源网格管理系统。该异常检测网络由服务器和客户端学习网络组成，它们在不共享数据的情况下协作学习模式，并定期进行训练和知识交换。我们还开发了基于联邦学习、分布式学习和分裂学习的机制来提高隐私性，并利用Q学习进行决策以增强系统的可解释性。为了验证所提方案的有效性和鲁棒性，我们在具有不同目标分布、操作风险（ORR）和攻击场景的各种能源网格环境中进行了大量仿真测试。实验结果表明，这些方案不仅提升了管理性能，还增强了隐私性和安全性。此外，我们还比较了不同学习机制的管理性能和隐私保护水平，并提供了相应的使用建议。