← 返回
一种用于检测光伏电站虚假数据注入攻击的联邦学习框架
A Federated Learning Framework for Detecting False Data Injection Attacks in Solar Farms
| 作者 | Liang Zhao · Jiaming Li · Qi Li · Fangyu Li |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年3月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 机器学习 故障诊断 地面光伏电站 光伏逆变器 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 联邦学习 虚假数据注入攻击 光伏电站 机器学习 网络安全 光伏系统 智能电网 |
语言:
中文摘要
随着光伏系统接入智能电网，网络安全威胁日益严峻。基于数据驱动的机器学习方法在电力电子设备攻击检测中表现优异，但集中式处理存在效率瓶颈。本文提出一种联邦学习框架，在保护数据隐私的同时，实现对光伏电站虚假数据注入攻击的有效检测，提升了系统的安全性与鲁棒性。
English Abstract
Smart grids face more cyber threats than before with the integration of photovoltaic (PV) systems. Data-driven-based machine learning (ML) methods have been verified to be effective in detecting attacks in power electronics devices. However, standard ML solution requires centralized data collection and processing, which is becoming infeasible in more and more applications due to efficiency issues ...
S
SunView 深度解读
该研究对于阳光电源的iSolarCloud智能运维平台具有重要参考价值。随着光伏电站规模扩大，数据隐私与网络安全成为运维痛点，联邦学习技术可实现分布式模型训练，在不上传原始电站数据的前提下提升逆变器及储能系统的故障诊断与安全防御能力。建议将此框架集成至PowerTitan等大型储能系统及组串式逆变器的边缘计算模块中，增强设备在弱电网或复杂网络环境下的抗攻击能力，进一步提升阳光电源产品的智能化运维水平和安全性。