面向电力系统暂态稳定性的联邦学习拜占庭节点检测

针对分布式智能电网各电力系统区域联合进行暂态稳定性判定和可能遇到的网络攻击问题,提出了一种基于联邦学习的分布式电力系统暂态稳定判别算法及拜占庭节点检测算法.联邦学习框架中,各区域电网独立采用神经网络进行判稳,中央服务器综合训练梯度并反馈更新.为了提高该联邦学习框架的安全性,通过对各区域电网的更新梯度进行聚类,从而甄别离群点,即受到攻击的区域电网,实现拜占庭节点检测.考虑到梯度的高维特性,直接聚类会出现距离度量不准确的问题,因此通过在线训练自编码器降维,并对降维后的梯度进行密度聚类,选择包含节点数目少的类别作为拜占庭节点集合,并永久剔除拜占庭节点提供的梯度.采用功角稳定机电暂态仿真算例进行验证,结果表明,本方法解决了电力系统暂稳判定时遇到的网络攻击问题,相比其他方法具有明显提升的平均准确率和稳定性,能有效避免判别准确率跳变情况.