《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 模拟设计 > 设计应用 > 光伏功率预测的对抗攻击与防御研究
光伏功率预测的对抗攻击与防御研究
电子技术应用
周旺
贵州大学 电气工程学院
摘要： 深度神经网络已广泛应用于光伏功率预测，但却容易受到对抗攻击的威胁。为提高预测模型的对抗鲁棒性，提出了一种基于快速梯度符号法的对抗攻击算法与一种基于对抗训练的防御算法。快速梯度符号法生成具有时序关联性的对抗样本，建立攻击强度与预测误差的量化关系；对抗训练通过结合对抗样本，增强模型对输入扰动的泛化能力，以抵御对抗攻击。实验数据表明，对抗攻击能显著降低模型的预测准确率，而经过对抗训练的模型能有效提升鲁棒性。该方法验证了对抗攻防机制在光伏功率预测中的有效性，对电力系统的安全运行具有实际应用价值。
中圖分類號(hào)：TM615；TP393 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256419
中文引用格式： 周旺. 光伏功率預(yù)測(cè)的對(duì)抗攻擊與防御研究[J]. 電子技術(shù)應(yīng)用，2025，51(12)：115-119.
英文引用格式： Zhou Wang. Research on adversarial attack and defense of photovoltaic power prediction[J]. Application of Electronic Technique，2025，51(12)：115-119.
Research on adversarial attack and defense of photovoltaic power prediction
Zhou Wang
College of Electrical Engineering， Guizhou University
Abstract： Deep neural networks have been widely used in photovoltaic power prediction, but they are vulnerable to adversarial attacks. In order to improve the robustness of the prediction model, an adversarial attack algorithm based on fast gradient sign method and a defense algorithm based on adversarial training are proposed. The fast gradient sign method generates adversarial samples with temporal correlation, and establishes the quantitative relationship between attack intensity and prediction error. Adversarial training enhances the generalization ability of the model to input disturbances by combining adversarial samples to resist adversarial attacks. Experimental data show that adversarial attacks can significantly reduce the prediction accuracy of the model, and the model trained by adversarial training can effectively improve the robustness. This method verifies the effectiveness of the countermeasure attack and defense mechanism in photovoltaic power prediction, and has practical application value for the safe operation of power system.
Key words : photovoltaic power prediction；adversarial attack；fast gradient sign method；adversarial training

引言

迄今為止，已有大量的研究提出了基于深度學(xué)習(xí)的預(yù)測(cè)方法，這些方法在光伏預(yù)測(cè)領(lǐng)域有著出色的表現(xiàn)[1]。然而，深度學(xué)習(xí)通常容易受到對(duì)抗攻擊的威脅[2-4]。攻擊者只需向輸入數(shù)據(jù)添加一些微小的擾動(dòng)，這些擾動(dòng)人眼幾乎無(wú)法察覺(jué)，但卻可以導(dǎo)致模型產(chǎn)生巨大的預(yù)測(cè)誤差[5]。Chen等人[6]利用快速梯度符號(hào)法（Fast Gradient Sign Method, FGSM）[7]生成對(duì)抗示例，首次展出了電力系統(tǒng)中深度學(xué)習(xí)模型的脆弱性。Zhang等人[8]分析了智能電網(wǎng)中的電能質(zhì)量安全性問(wèn)題，當(dāng)遭受對(duì)抗攻擊時(shí)，深度學(xué)習(xí)模型的分類能力大幅下降。Luo等人[9]和Chen等人[10]探討了基于深度學(xué)習(xí)的負(fù)荷預(yù)測(cè)系統(tǒng)遭受攻擊時(shí)的預(yù)測(cè)性能，結(jié)果顯示深度學(xué)習(xí)模型面對(duì)對(duì)抗攻擊時(shí)并不穩(wěn)健。

為了避免受到對(duì)抗攻擊時(shí)產(chǎn)生巨大的影響，研究者們也做了許多防御研究來(lái)增強(qiáng)深度學(xué)習(xí)模型的魯棒性[11-14]。在Miller等人[12]和Silya等人[13]回顧了防御算法抵御攻擊時(shí)各自的優(yōu)缺點(diǎn)，其中對(duì)抗訓(xùn)練應(yīng)用頗為廣泛，能夠有效地提升深度學(xué)習(xí)模型的性能。Tramer等人[15]強(qiáng)調(diào)了對(duì)對(duì)抗攻擊進(jìn)行強(qiáng)有力防御的必要性，結(jié)合對(duì)抗訓(xùn)練和其他緩解策略可以增強(qiáng)模型的穩(wěn)健性。

為了加強(qiáng)光伏功率預(yù)測(cè)的魯棒性，避免被攻擊時(shí)造成嚴(yán)重影響，本文針對(duì)光伏功率預(yù)測(cè)進(jìn)行了對(duì)抗攻擊和防御研究。在這項(xiàng)工作中，我們?cè)O(shè)置了基于長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory Network, LSTM）的光伏功率預(yù)測(cè)模型，提出了一種改進(jìn)后的FGSM攻擊算法。該算法由原來(lái)基于分類的FGSM攻擊改進(jìn)為回歸攻擊，使用均方誤差損失函數(shù)，而不是分類交叉熵，使之更適合回歸模型。并且設(shè)置了一種基于對(duì)抗訓(xùn)練的防御算法。針對(duì)該預(yù)測(cè)模型，分別在不同擾動(dòng)下進(jìn)行了對(duì)抗攻擊和防御實(shí)驗(yàn)，并作出分析和比較。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006886


作者信息：

周旺

（貴州大學(xué) 電氣工程學(xué)院，貴州 貴陽(yáng) 550025）


subscribe.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。