基于多维泰勒网络和小波方法的绿色电力价格预测

《Algorithms》:Green Power Price Forecast Based on Multi-Dimensional Taylor Network and Wavelet Method Yaqin Qiu, Chao Zhang, Nanyun Jiang and Qiming Sun

【字体: 大 中 小 】 时间:2026年03月06日 来源:Algorithms 2.6

编辑推荐:

  随着智能电网演变为复杂的网络物理系统,传统的静态防御难以应对时变拓扑和高级持续性威胁(APTs)。研究人员提出基于自组织图神经网络细胞自动机(SG-GNC)的弹性智能电网安全框架。具体而言,神经稳态嵌入(NHE)机制利用变分图自编码器构建连续健康流形,用于无监

  
随着智能电网演变为复杂的网络物理系统,传统的静态防御难以应对时变拓扑和高级持续性威胁(APTs)。研究人员提出基于自组织图神经网络细胞自动机(SG-GNC)的弹性智能电网安全框架。具体而言,神经稳态嵌入(NHE)机制利用变分图自编码器构建连续健康流形,用于无监督异常检测;而神经网络细胞自动机(NCA)引擎采用共享权重局部规则,赋予节点去中心化自愈能力。最后,生成对抗免疫(GAI)策略促进主动防御协同进化,增强对零日攻击的鲁棒性。在IEEE 118和300节点系统上的实验结果表明,平均检测准确率达到98.23%,显著优于基准模型。在动态拓扑和零日攻击场景下,该框架保持超过96%的准确率,推理延迟仅为9.45毫秒。这些发现验证了SG-GNC在复杂异构环境中提供弹性、内生防御的能力。
**论文解读:基于自组织图神经网络细胞自动机的弹性智能电网安全框架**

**研究背景与问题**
随着现代能源基础设施向高度互联的网络物理系统(CPS)转型,智能电网已成为集成可再生能源和实现高效配电的关键支柱。然而,这种深度融合将传统孤立的工业控制环境暴露于开放网络空间,使基于物联网(IoT)的可再生能源系统面临前所未有的网络安全挑战。尽管现有密钥管理系统(KMS)为数据传输提供了基础保密性保证,但传统静态防御范式在识别网络拓扑动态变化和应对未来量子计算带来的非对称计算威胁时,显得日益脆弱且不足。当前的大多数认证和混合加密框架本质上依赖于静态拓扑假设和预设信任锚点,缺乏应对突发网络结构变化(如节点故障或微电网孤岛)的内生适应性。此外,传统深度学习入侵检测模型常呈现黑箱特性,缺乏类似生物体的稳态感知和自愈机制。当未知零日攻击或大规模数据中毒发生时,现有系统无法通过局部交互实现受损数据的即时重建和功能自恢复。因此,构建能够适应时变环境、具备内生自愈能力并抵抗高级持续性威胁(APTs)的下一代弹性安全防御架构已成为学术界和工业界的迫切需求。

**研究内容与结论**
研究人员提出了基于自组织图神经网络细胞自动机(SG-GNC)的弹性智能电网安全框架,旨在通过模拟生物体稳态维持和形态发生机制,实现从被动防御到主动防御的转变。该框架包含三个核心机制:神经稳态嵌入(NHE)机制、神经网络细胞自动机(NCA)引擎和生成对抗免疫(GAI)策略。实验在IEEE 118和300节点标准测试系统以及MSU-ORNL工业控制数据集上开展,结果表明SG-GNC在异常检测准确率、自愈重建质量和对抗鲁棒性方面均显著优于现有基准模型,平均检测准确率达98.23%,在动态拓扑和零日攻击场景下仍保持超过96%的准确率,推理延迟仅9.45毫秒。该研究验证了通过生物启发式形态发生原理实现智能电网弹性、内生防御的可行性,为复杂异构环境下的主动安全防护提供了新范式。论文发表在《Algorithms》。

**主要关键技术方法**
研究人员采用以下关键技术方法:首先,神经稳态嵌入(NHE)机制利用变分图自编码器(VGAE)构建连续可微的健康状态流形,实现无监督异常感知;其次,神经网络细胞自动机(NCA)引擎通过共享权重多层感知器(MLP)作为局部更新规则,赋予节点基于一阶邻域感知的去中心化自愈能力;最后,生成对抗免疫(GAI)策略构建攻击者与防御者之间的双层次博弈模型,结合免疫记忆重放机制,实现对抗性协同进化。

**研究结果**

**4.1 实验环境与评估指标**
基于IEEE 118节点标准测试系统构建时变图数据集,模拟不同负载水平和节点故障(高达30%),生成包含电压幅值和功率注入的归一化特征矩阵及动态拉普拉斯矩阵。引入随机节点故障、虚假数据注入(FDI)和对抗性零日攻击三种威胁模式,采用异常检测准确率、重建均方误差(MSE)和自愈收敛时间作为评估指标。

**4.2 数据集与对比模型**
采用IEEE 118节点、IEEE 300节点和MSU-ORNL三类数据集,涵盖拓扑复杂度、网络攻击多样性和源-荷随机波动。对比模型包括基于后量子密码的HTM-PQC和LiteQSign、基于集中式架构的Fog-AKA和EaaS-IoT、基于轻量级和硬件指纹的Chaos-DNA、PUF-V2G和ASCON-Auth,以及基于图学习的GCN-IDS和GAT-IDS。

**4.3 多源异构环境下的异常检测性能分析**
在IEEE 118和300节点数据集上的全面比较表明,SG-GNC框架在检测准确率(98.65±0.12%)、精确率、召回率和F1分数上均优于所有对比模型。传统认证和加密方法召回率普遍低于90%,而基于图学习的模型虽优于密码学方法,但GCN-IDS在300节点数据集上准确率下降至93.15%,而SG-GNC凭借GAI策略和NCA引擎的局部性实现了最高性能。

**4.4 对抗免疫与动态拓扑鲁棒性分析**
在N-1动态拓扑测试中,SG-GNC在IEEE 118节点系统上达到96.35%的准确率,远超依赖预定义超图结构的HTM-PQC(86.50%)。在MSU-ORNL数据集的对抗性零日攻击测试中,SG-GNC检测准确率达96.55%,而基于认证的方案(如LiteQSign和ASCON-Auth)准确率低于70%,证实静态身份认证无法防御内容级APTs。

**5. 讨论**

**5.1 边缘侧计算效率与收敛分析**
SG-GNC推理延迟为9.45 ms,优于GCN-IDS(11.50 ms)和GAT-IDS(18.20 ms),且内存效率比GAT-IDS低75%,归因于NCA引擎的共享权重机制。尽管迭代进化导致训练时间略高于非迭代的GCN-IDS,但自愈能力的增益使其在边缘训练的可接受范围内。

**5.2 去中心化形态发生与自愈重建质量评估**
在IEEE 118节点系统上,SG-GNC的自愈重建MSE为0.82×10-3,显著低于GAT-IDS(1.95×10-3)和EaaS-IoT(3.88×10-3),这是因为NCA引擎的形态发生训练显式优化了从受损状态到健康流形的轨迹。

**5.3 稳定性正则化系数的影响分析**
稳定性正则化系数λ对自愈重建质量和数值鲁棒性呈现非单调影响。当λ=10-3时,模型在形态发生精度和动态稳定性之间达到帕累托最优平衡,过低(<10-4)导致数值发散,过高(>10-2)导致状态向量坍塌。

**5.4 生成对抗免疫的实证收敛分析**
在200轮协同进化中,GAI博弈呈现两阶段动态:探索阶段(0-120轮)高波动,均衡阶段(120-200轮)防御者损失稳定在1.5×10-3,达到局部斯塔克尔伯格均衡。免疫记忆重放机制使防御方差单调下降至σ2≈0.01,而无记忆基线则持续高频振荡(σ2>0.11),验证了记忆重放有效抑制模式崩溃。

**5.5 消融实验**
在IEEE 118、300节点和MSU-ORNL数据集上的多层级消融实验表明,完整SG-GNC框架在F1分数和MSE上均优于单独模块(NHE、NCA、NHE+NCA)。单独NHE模块的F1>90%但MSE>5.20;单独NCA引擎具有局部修复能力但难以精确划分异常边界;NHE与NCA协同使MSE降至1.62,但缺乏GAI策略时在MSU-ORNL零日攻击场景下准确率仅86.2%。完整框架在IEEE 300节点上F1达97.02%,对抗准确率提升至96.55%,表明三个模块的集成对实现内生安全与自愈弹性至关重要。

**6. 结论**
针对智能电网在时变拓扑演化和APTs下面临的防御困境,研究人员提出了一种基于自组织图神经网络细胞自动机的弹性安全防御框架。该研究通过模拟形态发生原理的自组织机制,将电网安全机制建模,超越传统静态防御范式。框架通过三个核心机制显著提升防御效能:NHE机制利用变分图推理构建连续可微的健康状态流形,实现非平稳负载波动下异常行为的精确无监督感知;SG-NCA引擎通过训练共享权重局部神经规则,赋予节点在去中心化环境中即时自愈受损数据的能力,从根本上实现防御机制的拓扑独立性;GAI策略通过双层次博弈框架和记忆重放机制,解决灾难性遗忘问题,增强系统对未知零日攻击的对抗鲁棒性。实验结果表明,在IEEE 118和300节点以及MSU-ORNL数据集上,所提方法在检测准确率和修复重建质量上显著优于现有集中式架构和静态超图防御方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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