《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 光伏功率預(yù)測的對抗攻擊與防御研究
光伏功率預(yù)測的對抗攻擊與防御研究
電子技術(shù)應(yīng)用
周旺
貴州大學(xué) 電氣工程學(xué)院
摘要： 深度神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于光伏功率預(yù)測，但卻容易受到對抗攻擊的威脅。為提高預(yù)測模型的對抗魯棒性，提出了一種基于快速梯度符號法的對抗攻擊算法與一種基于對抗訓(xùn)練的防御算法?？焖偬荻确柗ㄉ删哂袝r(shí)序關(guān)聯(lián)性的對抗樣本，建立攻擊強(qiáng)度與預(yù)測誤差的量化關(guān)系；對抗訓(xùn)練通過結(jié)合對抗樣本，增強(qiáng)模型對輸入擾動的泛化能力，以抵御對抗攻擊。實(shí)驗(yàn)數(shù)據(jù)表明，對抗攻擊能顯著降低模型的預(yù)測準(zhǔn)確率，而經(jīng)過對抗訓(xùn)練的模型能有效提升魯棒性。該方法驗(yàn)證了對抗攻防機(jī)制在光伏功率預(yù)測中的有效性，對電力系統(tǒng)的安全運(yùn)行具有實(shí)際應(yīng)用價(jià)值。
中圖分類號：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)測的對抗攻擊與防御研究[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)測方法，這些方法在光伏預(yù)測領(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，這些擾動人眼幾乎無法察覺，但卻可以導(dǎo)致模型產(chǎn)生巨大的預(yù)測誤差[5]。Chen等人[6]利用快速梯度符號法（Fast Gradient Sign Method, FGSM）[7]生成對抗示例，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)量安全性問題，當(dāng)遭受對抗攻擊時(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)測系統(tǒng)遭受攻擊時(shí)的預(yù)測性能，結(jié)果顯示深度學(xué)習(xí)模型面對對抗攻擊時(shí)并不穩(wěn)健。

為了避免受到對抗攻擊時(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)了對對抗攻擊進(jìn)行強(qiáng)有力防御的必要性，結(jié)合對抗訓(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)測的魯棒性，避免被攻擊時(shí)造成嚴(yán)重影響，本文針對光伏功率預(yù)測進(jìn)行了對抗攻擊和防御研究。在這項(xiàng)工作中，我們設(shè)置了基于長短期記憶網(wǎng)絡(luò)（Long Short Term Memory Network, LSTM）的光伏功率預(yù)測模型，提出了一種改進(jìn)后的FGSM攻擊算法。該算法由原來基于分類的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)置了一種基于對抗訓(xùn)練的防御算法。針對該預(yù)測模型，分別在不同擾動下進(jìn)行了對抗攻擊和防御實(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 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。