《Renewable Energy Focus》：Optimizing resource allocation and enhancing security in smart grid environments through a decentralized access control system with power theft detection mechanism
编辑推荐：
智能电网系统通过模糊增强卡尔曼滤波降噪、量子增强人工神经网络检测窃电及船救援优化算法实现资源动态分配与安全控制，在降低计算成本和噪声干扰的同时达到98%检测精度。
P. Mary Jyosthna|P. Srilatha|N. Raveendra
印度特伦甘纳邦Medak市Narsapur的B.V. Raju理工学院计算机科学与工程系
摘要
智能电网通过引入智能化技术对现有电网进行升级，从而实现客户数据和能源消耗等信息的共享。然而，现有的访问管理和防盗检测方法可能存在灵活性不足、计算成本高昂的问题，并且其泛化能力会受到噪声传感器数据的影响。本研究开发了一种安全高效的智能电网系统，该系统结合了去中心化的访问控制和电力盗窃检测功能。主要目标是利用信息技术管理提高智能电网的安全性，并实现用户身份的撤销功能。本文描述的方法首先从“智能电网环境中的盗窃检测数据集”中提取输入数据，然后使用模糊增强卡尔曼滤波器（FEKF）处理数据以去除噪声和异常值。接着通过量子增强人工神经网络（QANN）对输入数据进行电力盗窃检测，以实现精准的非法活动识别。为优化资源分配和访问请求路由，采用了船舶救援优化（SRO）算法。该系统使用Python编程平台实现并进行了评估。与非洲秃鹫优化算法（AVOA）、粒子群优化算法（PSO）和鲸鱼优化算法与花朵交配优化算法（WOA-FMO）等现有方法相比，所提出的SRO算法表现出色，准确率高达98%。
引言
智能电网是一种信息物理电力系统（CPPS），它集成了先进的传感、通信和控制技术，实现了双向的能源和数据流动，提高了可靠性和效率[1] [2]。然而，其对信息通信技术（ICT）的依赖性带来了严重的安全风险，包括虚假数据注入（FDI）攻击、同步逆变器欺骗以及电力盗窃等问题，这些威胁会引发连锁故障[3] [4]。最新研究表明，在通信拓扑不确定和基础设施老化的情况下，对动态线路评级和基于逆变器式相位测量单元（PMU）的广域监控系统的FDI攻击会显著降低电网的可靠性[5] [6]。去中心化的访问控制通过区块链或基于属性的加密技术在多个权威机构之间分配信任，从而消除了单点故障，增强了隐私性和韧性[7]。尽管取得了这些进展，现有解决方案仍存在计算开销高、撤销机制不高效、可扩展性差以及易受噪声/篡改传感器数据影响的问题[8]。同时，由于欺诈手段复杂和测量不确定性，电力盗窃检测仍然具有挑战性，传统的机器学习方法在应对FDI和传感器噪声方面表现有限[9] [5]。
本文提出了一种综合性的去中心化框架，用于解决智能电网中的访问控制、资源分配和电力盗窃检测问题。主要创新点包括：(i) 使用模糊增强卡尔曼滤波器（FEKF）进行去噪和异常值去除，提供对传感器噪声和潜在FDI攻击具有抵抗力的高质量输入数据；(ii) 采用量子增强人工神经网络（QANN）实现即使在细微欺诈模式下也能实现超精确的盗窃检测；(iii) 创新的船舶救援优化（SRO）算法用于动态资源分配、访问请求路由和安全策略执行，具有更快的收敛速度和更低的延迟。
文献中已有许多关于电力盗窃检测和去中心化访问控制系统管理的研究。以下是一些例子：
C. F. Mbey等人[10]提出了一种结合支持向量机（SVM）和粒子群优化（PSO）的混合AI方法，利用智能电表数据和基于日历的时间模式来检测欺诈性电力消费者。虽然参数优化提高了检测精度，但对基于日历的建模的依赖性限制了其对高度动态或非结构化消费模式的适应能力。Sivaram Rajeyyagari等人[11]开发了一种基于CNN的非洲秃鹫优化算法（AVOA），用于区块链支持的智能电网中的网络安全，其中CNN负责特征提取，AVOA提高了可扩展性并降低了计算复杂性。然而，对特定数据集和仿真设置的依赖性限制了其泛化能力。Masaud等人[12]提出了一种鲸鱼优化算法与花朵交配优化算法（WOA-FMO）的混合方法，用于物联网（IoT）智能电网中的特征选择，CNN和LSTM负责流量分类和特征提取。尽管检测精度有所提高，但对特定数据集和仿真设置的依赖性仍限制了其泛化能力。
Sutradhar等人[13]提出了一种利用OAuth 2.0和Hyperledger Fabric的身份和访问管理系统，提供了防篡改的交易、细粒度访问控制和可扩展的数据管理，但实现复杂性和与现有系统的集成仍面临挑战。Zhonghua等人[14]提出了一种基于区块链的IoT访问控制模型（SC-ABAC），结合了基于属性的访问控制和区块链智能合约来增强IoT安全性和能源效率。然而，合约调用会导致查询延迟增加，且评估仅限于特定数据集。Patil[15]开发了一种基于密文策略属性加密（CP-ABSC-MIoT）的方法，为物联网电子健康记录提供了细粒度的访问控制、保密性和真实性，但双线性配对带来了较高的计算开销，限制了大规模部署。Ma等人[16]提出了一种身份认证协议，保证了匿名性、不可伪造性、完整性和不可否认性，并具有撤销和跟踪功能，但该协议的复杂性限制了其在资源有限环境中的实际应用。表1总结了相关文献。
最新研究表明，安全的访问控制和准确的电力盗窃检测对于维护智能电网环境中的可靠性、效率和网络安全至关重要。现有方法通常存在固有的局限性，如对消费者差异的适应能力较差、计算复杂性高以及由于传感器噪声导致的性能下降。尽管由于设备异构性、数据量和网络条件的动态变化，将去中心化访问控制与实时电力盗窃检测相结合具有挑战性，但文献中讨论了PSO、AVOA和WOA-FMO等技术。然而，研究也指出了这些方法的不足之处，如使用相同的数据集、可转移性有限、计算成本过高，以及缺乏同时撤销用户身份、优化资源和处理噪声及动态条件下的电力盗窃检测的能力。这些不足激发了本研究的发展，该研究结合了去中心化访问控制系统和先进的电力盗窃检测技术，包括用于降噪的FEKF、用于精确检测的QANN以及用于高效资源分配的SRO算法。与以往的方法不同，所提出的系统能够实现动态用户身份撤销、在噪声环境下的高检测精度以及在多种智能电网环境中的优化性能，使其成为现代智能电网的一种稳健、可扩展且实用的解决方案。
本研究的主要贡献如下：
•所提出的多层架构（CS、BS、EN、U）实现了安全、可扩展且保护隐私的访问管理，并支持高效的用户身份撤销。
•FEKF预处理和QANN的结合在动态负载条件下实现了准确可靠的电力盗窃检测。
•SRO算法在计算能力、带宽和访问密钥的分配方面优于PSO、AVOA和WOA-FMO，具有更高的准确性、吞吐量和能源效率。
•该框架通过减轻虚假数据注入、解决基于同步逆变器的漏洞以及考虑网络拓扑结构，增强了信息物理系统的安全性。
•该方法适用于大规模、异构的电网，整合了电力工程、网络安全和启发式优化技术，实现了灵活的智能能源管理。
本文的结构如下：第2部分介绍系统模型，第3部分阐述所提出的方法，第4部分展示结果和讨论，第5部分对全文进行总结。
系统模型
本文介绍了一种基于去中心化设计的智能电网访问控制和数据共享系统[17]。该系统由四个主要实体组成：基站（BS）、边缘节点（EN）和云服务器（CS）以及智能电网用户（U），它们共同协作以管理访问、分配资源并保护数据隐私。
云服务器（CS）：作为基于云的智能电网管理系统，该平台负责用户注册、更新等操作。
提出的方法
本部分描述了用于智能电网的去中心化访问控制系统，包括准确的电力盗窃检测功能。首先使用FEKF对输入数据进行预处理以减少噪声和异常值，然后利用量子计算能力的QANN进行进一步分析，从而加快检测速度并提高检测精度。最后，SRO算法通过路由访问请求实现了动态资源的最优分配和安全管理。
结果与讨论
本文解释了所提出方法的结果。所提出的SRO算法在Python环境中进行了仿真，并使用Jupiter笔记本和配置为64 GB RAM、Intel Core I9-13900k CPU以及500 GB SSD存储的设备进行了测试。将所提出的SRO算法的结果与PSO、AVOA和WOA-FMO等现有方法进行了对比分析。
结论
所提出的基于SRO的策略是一种有效、高效且可靠的智能电网网络安全增强方法，能够优化资源分配和检测电力盗窃行为。该框架在Python中实现并进行了仿真，包括使用FEKF进行数据预处理、QANN进行电力盗窃检测以及SRO进行资源和安全管理。测试结果表明，该框架的准确率为98%，精确度为96%，吞吐量为950 Mbps，访问效率为99%
伦理审批和参与同意
本文不涉及任何涉及人类受试者的研究。支持数据的可用性
由于本研究未产生或分析新的数据，因此不涉及数据共享问题。CRediT作者贡献声明
P. Mary Jyosthna：负责监督工作。P. Srilatha：负责撰写和概念设计。N. Raveendra：负责监督工作。
资金来源
本研究未获得任何公共、商业或非营利组织的资助。利益冲突声明
作者声明没有已知的利益冲突或个人关系可能影响本文的研究结果。
