一种用于网络攻击环境下电动汽车负荷预测的新型混合深度学习模型

《Scientific Reports》：A novel hybrid deep learning model for electric vehicles load forecasting under cyber-attacks

　　

摘要

精确的短期电动汽车负载预测对于实现有效的能源管理以及确保智能电网的稳定运行至关重要。然而，随着网络攻击的日益频繁，尤其是虚假数据注入攻击，给预测模型的完整性和可靠性带来了巨大挑战。本研究提出了一种名为GAN-CLSTM的新型混合框架，该框架将生成对抗网络与卷积长短期记忆网络相结合，从而在提高预测准确性的同时增强模型对数据完整性攻击的抵御能力。生成对抗网络用于预处理输入数据，有效去除噪声并减少异常值，而卷积长短期记忆网络则能够捕捉电动汽车充电行为中的时间依赖关系和非线性特征。所提出的模型使用了美国加州理工学院校园内一个公共电动汽车充电站的真实数据进行了验证。研究考虑了两种实验场景：（i）在数据正常情况下的负载预测，以及（ii）在基于比例缩放的虚假数据注入攻击下的预测。通过与CNN、BiLSTM、CNN-LSTM和GAN-LSTM等基准模型的比较分析，证明了所提方法的优越性。在正常条件下，GAN-CLSTM的R值为99.70%，误差指标最低；而在攻击场景下，它仍能保持较高的稳定性，R值为98.84%，性能优于所有其他竞争模型。这些结果表明，GAN-CLSTM是一种可靠且具备网络安全防护能力的预测解决方案，能够在各种恶意攻击环境下保持稳定的预测性能并提升系统的抗干扰能力，从而为下一代智能电网的稳定性做出贡献。