面向数据完整性攻击的高泛化性深度联邦学习模型在电力负荷预测中的创新研究

针对电力系统短期负荷预测(STLF)面临数据完整性攻击和泛化能力不足的问题，研究人员提出了一种结合堆叠去噪自编码器(SDAE)、双向长短期记忆网络(BiLSTM)和联邦学习(FL)的新型SDAE-BiLSTM-FL模型。该模型在伊朗三个不同地理气候特征地区的实测数据测试中表现出卓越的预测精度（R值达99.88%）、泛化能力（对无训练数据区域预测R值98.10%）和网络安全韧性（攻击下性能下降仅0.11%），为智能电网安全运行提供了创新解决方案。

　　

随着能源系统的数字化转型，精确的短期负荷预测(STLF)已成为电力系统安全经济运行的核心技术。现代电网通过 supervisory control and data acquisition (SCADA) 系统采集海量数据，但这些数据易受网络安全威胁，特别是数据完整性攻击(data integrity attacks)的影响。传统预测模型存在明显局限：统计方法难以处理非线性关系，人工智能模型依赖本地数据且缺乏泛化能力，而现有研究尚未有效解决数据隐私保护和抗攻击能力协同优化的问题。

针对这些挑战，卡塔尔大学研究团队在《Results in Engineering》发表创新研究，提出了一种融合堆叠去噪自编码器(SDAE)、双向长短期记忆网络(BiLSTM)和联邦学习(FL)的新型SDAE-BiLSTM-FL模型。该研究通过改进联邦学习架构，在每个客户端用SDAE-BiLSTM组合替代传统CNN，实现了数据预处理、特征提取和模型训练的协同优化。

研究采用三项关键技术方法：首先建立联邦学习框架实现分布式训练和数据隐私保护；其次利用堆叠去噪自编码器进行数据预处理和噪声消除；最后通过双向长短期记忆网络捕获时间序列数据的双向依赖关系。实验数据来自伊朗三个地理气候特征迥异的地区（大不里士、霍伊和马拉恩），包含2017-2022年间的负荷、气象和时间指标等多维数据。

在模型架构方面，研究团队设计了创新的三层结构。联邦学习层采用FedAvg算法进行全局聚合，通过公式(1)-(3)实现客户端模型参数的优化整合。堆叠去噪自编码器层通过编码-解码机制（公式(4)-(6)）和损坏数据重建（公式(7)-(9)）有效去除数据噪声。双向长短期记忆网络层则充分利用前后向信息流捕捉时间依赖关系。

针对网络安全威胁，研究特别设计了缩放攻击(scaling attack)测试场景，按照表1所示的峰值负荷时段，对温度数据施加±10%的扰动（公式(10)），模拟现实中的虚假数据注入攻击(false data injection attacks, FDIAs)。

研究结果显示，在清洁数据场景下，提出的SDAE-BiLSTM-FL模型在三个测试区域均表现出色。如表3所示，对于有大样本训练数据的大不里士地区，模型达到99.88%的相关系数(R)、51.88的均方误差(MSE)、4.45的平均绝对误差(MAE)和0.98%的平均绝对百分比误差(MAPE)。值得注意的是，在完全没有训练数据的马拉恩地区，模型仍保持98.10%的R值，显著优于其他12种对比模型，其中6种传统模型完全失效。

在网络安全测试场景中，模型的抗攻击能力尤为突出。如表4和表5显示，在温度数据遭受±10%缩放攻击的情况下， proposed model 的性能下降幅度最小。对于大不里士地区，R值从99.88%仅降至99.79%（温度+10%）和99.83%（温度-10%），而表现最好的对比模型AE-CLSTM则从99.77%下降至98.67%和98.84%。在泛化能力测试中， proposed model 在马拉恩地区的R值保持在97.99-98.03%，远高于其他模型的76.25-79.85%。

图4通过回归分析直观展示了模型在无训练数据地区的预测精度，春夏秋冬四季的R值分别达到0.9773、0.9852、0.9824和0.9788。图5则示例了所实施的缩放攻击对温度数据的实际影响效果。

研究的讨论部分强调，SDAE-BiLSTM-FL模型的优势源于多方面的技术创新：SDAE层有效消除了数据噪声和异常值，BiLSTM层优化了时间序列建模能力，而FL架构既保障了数据隐私又实现了多源知识融合。与传统方法相比，该模型不仅显著提升了预测精度，更重要的是解决了以往模型难以兼顾的泛化能力和网络安全韧性协同优化问题。

这项研究的实际意义深远：首先为电力系统提供了抗攻击的负荷预测解决方案，增强了电网应对网络安全威胁的能力；其次通过联邦学习框架实现了跨区域知识共享而不泄露本地数据隐私，为数据驱动型能源管理提供了新范式；最后建立的模型架构可扩展到其他时间序列预测场景，具有广泛的工程应用前景。

研究人员指出，未来工作将探索更复杂的攻击场景和防御机制，扩展模型到超短期和中期负荷预测领域，并进一步优化计算效率以适应实时应用需求。这项研究为构建安全、可靠、高效的智能电网预测系统奠定了重要理论基础和技术支撑。