基于边缘计算的智能电网安全预测与可靠性分析方法

《Frontiers in Physics》：Security prediction and reliability analysis method of smart grid based on edge computing

　　

为解决智能电网安全预测中高延迟和低精度协同优化的问题，研究人员提出了一种基于边缘计算的智能电网安全预测与可靠性分析方法（EA-LSTM-GraphAgg, EALG）。在初始预测阶段，EA-LSTM部署在各区域的边缘服务器上，通过注意力机制与竞争性随机搜索的协同优化，对智能电网采集节点的时序流量数据进行本地化处理，生成局部初始预测结果。在聚合阶段，为解决初始预测的局部局限性，设计了GraphAgg聚合网络。通过边缘节点之间的轻量级协同定向传输来传递EA-LSTM的预测结果，而非传输原始数据。在边缘端，以智能电网设备为节点、通信连接为边构建图结构，通过局部信息聚合挖掘节点流量关联，从而提升预测精度。实验与分析表明，EALG能够输出高精度的智能电网安全预测结果，可为智能电网运行维护中的可靠性分析与流量异常预警提供可靠支撑。

随着新一代信息技术与实体经济的深度融合，智能电网已进入大规模实施与应用阶段。多源异构的时空动态智能电网流量数据直接决定了网络资源调度和服务质量（QoS）的有效性，其预测的准确性与实时性已成为当前的迫切需求。然而，现有的深度学习预测方法多依赖云集中式架构，导致在面对海量原始流量数据时产生数百毫秒甚至秒级的高传输延迟，且极易引发云端计算资源过载；同时，数据在上传过程中面临被拦截、篡改及隐私泄露等安全风险；此外，统一的全局训练模型难以适应不同区域设备流量的个性化特征。现有边缘计算与深度学习的结合研究多局限于单一节点的时序特征，忽略了复杂的空间关联性。为解决高精度与数据安全难以兼顾的科学难题，开展了此项研究。

该研究成果发表在《Frontiers in Physics》期刊。研究提出了一种基于边缘计算的时空智能电网安全预测与可靠性分析方法（EA-LSTM-GraphAgg, EALG），通过在边缘端协同优化时间与空间特征，在不依赖云端算力的前提下实现了高精度的流量异常预警与可靠性分析，对推动智能电网技术向高可靠性发展具有重要理论价值与应用意义。

研究主要采用的关键技术方法包括：首先，利用长短期记忆网络（LSTM）在边缘服务器进行本地时序特征捕获，并通过竞争性随机搜索进化算法优化注意力层权重，实现轻量化时序预测；其次，设计图神经网络（GNN）架构的GraphAgg聚合网络，结合动态生成的邻接矩阵实现边缘节点间的空间特征聚合；最后，采用轻量级链路加密、差分隐私扰动与联邦聚合构建协同防护体系。样本与队列来源于公开数据集Metr-la、Milan流量数据集、PowerGraph以及挪威中低压配电网数据集。

研究结果部分总结如下：

**局部安全预测结果**：通过在边缘服务器本地部署EA-LSTM模型，对智能电网采集节点的时序流量数据进行预处理与特征权重分配。利用竞争性随机搜索算法替代传统梯度求解，避免了局部最优与计算过载问题。结果表明，边缘端的闭环协作能显著降低优化迭代延迟，准确捕获复杂时序关系，为安全预测提供精准的时序特征支持。

**空间预测聚合结果**：利用GraphAgg网络在边缘端生成动态邻接矩阵，将设备节点抽象为图节点，通信连接作为边。通过局部信息聚合与特征重构，挖掘相邻节点的空间流量依赖。结果表明，该机制有效克服了单一节点时序预测的局限，在降低跨节点数据传输冗余的同时，大幅提高了全局流量预测的空间依赖准确性。

**安全预测与整体指标评估结果**：在多种公开数据集上与传统深度神经网络模型进行对比实验。结果显示，EALG框架在智能电网流量状态分类任务中表现优异，准确率超过96%。与次优模型相比，其在准确率、精确率、召回率和F1分数（F1-score）上均有显著提升，证明了边缘计算架构下的时空协同建模是提升预测精度的关键路径。

**消融实验结果**：在PowerGraph和挪威数据集上进行消融测试，单独使用EA-LSTM或GraphAgg均会导致性能受限。保留两者的完整EALG模型F1分数最高达到0.965。这证实了EA-LSTM负责边缘端局部时间特征捕获与GraphAgg负责空间协同聚合缺一不可，两者协同有效避免了异构数据的干扰，验证了模型设计的合理性。

研究讨论指出，EALG具备较强的可扩展性与跨场景泛化能力，但仍受限于轻量级边缘设备的算力与存储瓶颈。为此，研究人员构建了结合差分隐私扰动与加密的防护体系以抵御交互推断攻击。研究最终得出结论，基于边缘计算的时空智能电网安全预测与可靠性分析方法（EALG），通过精确捕获时序特征与深度整合空间相关性，有效提升了安全预测的精度，为智能电网流量预测提供了可靠的技术路径。