基于压缩感知的纵向联邦学习园区负荷预测方法

随着园区负荷预测的重要性日益凸显,为满足电网公司和用电企业之间的数据安全和隐私保护需求,文章提出了一种基于压缩感知的纵向联邦学习园区负荷预测方法。该方法利用压缩感知技术对梯度进行降维压缩,有效减少了传输的数据量。实验结果显示,相较于传统的联邦学习方法,文章的方法在保持模型准确率的同时显著降低了通信消耗。此外,该方法还有效保护了数据的隐私性,为电网公司和用电企业提供了更安全的合作环境。

基于背书特征的电力行业联盟链账本篡改攻击检测方法

针对目前电力行业联盟链缺乏高效账本篡改攻击在线检测方案问题,提出了一种基于背书特征的电力行业联盟链账本篡改攻击检测方法。首先,在电力联盟链绿电交易仿真环境中,提出并实现了账本篡改攻击。在此基础上,收集并提取了链运行数据中与攻击有关的背书特征,以构建起检测所需的数据集。最后,采用基于Boosting随机森林算法进行检测模型训练,并将模型非侵入式部署在电力联盟链上在线检测账本篡改攻击行为。测试结果表明,相比于基于规则的检测方法,所提方法对电力联盟链的运行负担较小,在识别耗时和区块链性能损耗方面都表现较好,仅造成4.03%的性能负担。与其他基于机器学习的检测方法相比,该方法可适配于多种共识算法,并具备较高的准确率,达到了95.75%。

分布式电力交易系统安全威胁与检测

随着电力系统网络化改革的逐步深入,融合“互联网+用户深度参与”的电力市场交易多元化新模式受到广泛关注。作为典型的应用案例,基于区块链的分布式电力交易系统由于可为多方电力交易参与方提供可靠的电力消纳能力,显示出巨大的应用潜力。然而,当前对分布式电力交易系统自身的安全性讨论较少,导致节点间可能存在的恶意行为及其安全威胁难以被清晰地描述,相关安全检测方案难以实施,从而为系统运行的稳定性遗留了安全隐患。为此,分析分布式电力交易系统面临的安全威胁,并在此基础上设计了基于深度学习的安全威胁检测方案。首先,设计面向区块链节点的全量流量数据采汇方法,并清洗冗余数据;其次,设计了基于长短期记忆网络和自动编码器技术融合的特征数据训练方案,以实现对特征化节点安全状态数据的高效学习和异常检测。在国家电网示范性区块链平台上展开实验评估,实验结果表明,所提方案具备良好的检测能力和较低的性能开销,适用于提升分布式电力交易系统的安全性。

虚拟电厂网络安全风险评估指标体系构建及量化计算

提出了静态与动态风险评估相结合的多维动态网络安全风险评估指标体系。基于虚拟电厂的特点进行网络安全风险分析,构筑多维静态风险评估指标。基于攻击路径演化机理,对信息侧、物理侧和信息-物理侧进行数据采集,构筑动态风险评估指标。提出指标量化计算方法。通过仿真实验验证本文所提的指标体系及量化计算方法能够有效评估安全性,识别风险隐患,提出有效的加固措施。

面向虚拟电厂电力交易的隐私保护结算模型

在“双碳”目标驱动下,虚拟电厂已经逐渐成为电力系统中聚合调控柔性资源及参与电力市场交易的有效途径,从而实现分布式资源的优化配置及合理利用。然而,虚拟电厂运营商作为市场主体参与电力市场交易时,依旧存在数据采集和计量公信力不足、隐私保护难度大、利益分配环节透明度不足等问题。区块链技术去中心化、分布式存储等特点与虚拟电厂的分散自治特点相契合。针对上述问题,采用区块链融合装置,从源头解决上链数据的可信问题,并设计了基于同态加密技术的收益分配机制,实现了可验证的隐私多方计算。在此基础上进行了严格的安全性证明和仿真测试,验证了所提方案可以达到收益分配机制公开透明化的目标,同时能够有效地保护各方隐私。