基于数据驱动的无监督集成方法在AMI系统窃电检测中的创新研究
《IEEE Access》:A Data-Driven Unsupervised Ensemble Method for Electricity Theft Detection in AMI Systems
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Access 3.6
编辑推荐:
本文针对智能电网中高级计量基础设施(AMI)系统面临的虚假数据注入攻击(FDIA)问题,提出了一种新型无监督集成窃电检测(ETD)方法。该方法融合K近邻(KNN)、高斯混合模型(GMM)和互信息(MI)相关分析算法,通过加权策略整合三种算法的异常评分,有效解决了传统方法难以同时检测用电量削减攻击和负荷曲线偏移攻击的难题。实验结果表明,该方法在商业和居民用户数据集上的AUC和MAP@20指标显著优于现有基线,为智能电网安全提供了更鲁棒的解决方案。
随着智能电网的快速发展,高级计量基础设施(AMI)系统通过智能电表实现了电力公司与用户之间的双向通信,为能源管理带来了革命性变革。然而,这种便利性也伴随着新的安全风险——电力窃贼通过发动虚假数据注入攻击(FDIA)篡改电表数据,从而非法降低电费。这种犯罪行为给全球电力公司造成巨额经济损失,仅在美国每年就高达16亿美元,最终这些损失还会通过电费上涨转嫁给诚实用户。
传统的手动检查和视频监控等窃电检测方法效率低下且成本高昂,难以应对日益复杂的攻击手段。基于机器学习的检测方法虽然显示出潜力,但监督学习方法需要大量已标记的欺诈用户数据,这在实际应用中往往难以获取。无监督学习方法虽然不需要标记数据,但现有方法存在明显局限性:它们通常只能有效检测用电量削减攻击,而对负荷曲线偏移攻击的检测效果不佳。负荷曲线偏移攻击是一种更隐蔽的攻击方式,攻击者在不改变总用电量的情况下,将用电高峰期的消耗转移到低谷期,以规避电力公司的分时电价策略。
为了解决这一关键问题,研究人员在《IEEE Access》上发表了创新性研究,提出了一种数据驱动的无监督集成方法。该方法的核心思想是结合多种检测算法的优势,构建一个能够同时检测两种主要攻击类型的鲁棒系统。
研究人员采用了三种核心算法构建集成检测框架:基于K近邻(KNN)和无监督异常检测、基于高斯混合模型(GMM)的概率建模,以及基于互信息(MI)的相关性分析。特别值得注意的是,该方法引入了观察电表的概念,通过计算用户电表读数与区域总用电量之间的比率曲线,有效减少了日常用电波动对检测结果的影响。在技术实现上,研究团队使用K均值(K-means)聚类算法双重功能:一方面用于根据日常异常度评估用户的整体异常程度,另一方面用于根据各算法的检测能力动态确定集成模型的权重。最终通过加权算术平均策略生成用户的综合异常评分。
实验设计方面,研究采用了爱尔兰商业用户数据集和LADPU居民用户数据集,包含30天的高频用电数据。通过模拟11种不同类型的FDIA攻击(包括8种用电量削减攻击和3种负荷曲线偏移攻击)来评估方法性能。评估指标选用AUC(曲线下面积)和MAP@20(平均精度均值),均重复实验50次以确保结果可靠性。
研究结果显示,加权算术平均组合规则在四种候选方案中表现最优,相比未加权方案在攻击类型2、6、7和9上均有显著改进。集成模型与单一检测算法的对比分析表明,KNN和GMM在检测用电量削减攻击和两种负荷曲线偏移攻击(类型9和11)方面表现良好,但在检测类型10攻击(负荷曲线反转)时效果有限。而MI相关分析则在检测类型10攻击时展现出独特优势。
比率曲线与用户负荷曲线的对比实验证实了使用比率曲线的优势。虽然直接使用用户负荷曲线在检测类型9和10攻击时有一定优势,但在其他攻击类型上误报率较高。对于混合攻击类型,基于比率曲线的方法在商业和居民用户上的AUC和MAP@20得分分别显著高于基于用户负荷曲线的变体。
与现有基线方法的比较进一步验证了所提方法的优越性。与仅使用比率曲线的RP方法相比,新方法在用电量削减攻击检测上表现相当或更好,在负荷曲线偏移攻击检测上显著更优。对于混合攻击类型,新方法在商业用户上的AUC和MAP@20得分分别比RP方法高出11.2%和8.2%,在居民用户上分别高出10.4%和12.1%。
该方法的重要创新在于其集成框架的设计思路。通过K均值聚类动态确定各算法权重,使得模型能够自适应不同攻击类型的检测需求。同时,使用观察电表读数作为基准,有效解决了无监督学习中缺乏真实标签的挑战。计算效率方面,由于采用浅层机器学习算法,该方法在标准硬件上运行时间可忽略不计,具备实际部署的可行性。
研究的局限性在于对类型10攻击(负荷曲线反转)的检测效果仍有提升空间,作者也指出这是未来工作的重点方向。此外,方法依赖于观察电表的可用性,这在某些部署场景中可能受限。
这项研究的实际意义在于为电力公司提供了一种可扩展、自适应的窃电检测解决方案,无需预先收集欺诈用户数据即可实现有效检测。随着智能电网和可再生能源的快速发展,这种数据驱动的方法为构建更安全、更高效的能源管理系统奠定了重要基础。该方法的技术路线也可为其他关键基础设施的安全防护提供借鉴,特别是在缺乏标记异常数据的场景下如何实现有效威胁检测。
通过这项研究,我们看到了多算法集成在解决复杂安全检测问题上的巨大潜力。随着人工智能技术的不断发展,这种结合多种技术优势、适应实际约束条件的解决方案,将在越来越多的工业应用场景中发挥关键作用。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号