ارائه یک مدل یادگیری فدرال برای تشخیص حملات در کنتورهای هوشمند صنعت برق

شبکه های هوشمند توزیع برق امروزه با انواع حملات به منظور سرقت برق مواجه هستندکه علاوه بر تحمیل زیان مالی بر شرکت های برق، بر عملکرد پایدار شبکه نیز اثر منفی می گذارد. اخیرا روش های تشخیص ناهنجاری و حمله مبتنی بر یادگیری عمیق با استفاده از داده های کنتور هوشمند توسعه یافته اند که برای ساخت مدل تشخیص نیاز به اشتراک گذاری داده های محلی کنتورها در یک سرور مرکزی دارند. حال انکه این روشها علاوه بر نقض حریم خصوصی مشترکین، حجم و هزینه انتقال داده بالایی داشته و همچنین دقت مدل حاصل نیز در شرایطی که الگوی مصرف مشترکین متفاوت باشد مطلوب نیست. در این راستا، در این مقاله یک مدل تشخیص حمله مبتنی بر یادگیری فدرال با به کارگیری رمزگذارهای خودکار عمیق با ساختار مبتنی بر حافظه بلندمدت-کوتاه مدت ارایه گردیده است. مدل فدرال ارایه شده بر روی یک مجموعه داده واقعی با پنج حمله سایبری سرقت برق ارزیابی شد و نتایج مقایسه آن با مدل متمرکز و مدل محلی نشان داد که مدل فدرال علاوه بر مزیت در حفظ حریم خصوصی و همچنین صرفه جویی در حجم و هزینه انتقال داده، دقتی بهتر از روش متمرکز و محلی در این حوزه دارد .