基于Edge智能电表的LSTM联邦学习技术，结合AES加密技术和区块链技术，应用于智能电网的AIoT网络

智能电网人工智能物联网（SG-AIoT）中能源预测不准确、数据不安全及信息泄露等问题，提出融合LSTM神经网络与AES加密区块链的三层联邦学习框架。该框架通过边缘节点双分层LSTM与Dropout网络实现精准预测，加密聚合数据在雾层和云层安全处理，提升预测精度和隐私保护，实验表明优于六种现有方法。

　　

摘要：

智能电网物联网人工智能（SG-AIoT）利用SCADA（监控控制和数据采集）和AMI（高级计量基础设施）来改善电力分配。然而，当前的SG-AIoT系统面临一些挑战，如能源预测不准确、数据计算不安全、信息泄露以及数据的安全性（保密性、完整性和可用性）问题。智能电表数据已被用于推动诸如英国的“低碳伦敦”项目等倡议，在这些项目中，对准确预测和电网数据安全性的需求尤为迫切。为了解决这些问题，本文提出了一种安全的联邦学习框架，该框架将LSTM（长短期记忆）神经网络与AES（高级加密标准）加密区块链结合使用，应用于三层电网结构（边缘智能电表、雾计算SCADA服务器和云服务器）。基于AES的区块链框架确保了所有电网层（边缘、雾计算和云）之间的数据通信安全。在物联网智能电表的边缘节点，采用双层LSTM和Dropout神经网络进行准确的能源需求预测。每个边缘节点的预测数据通过AES区块链在雾计算层进行加密和汇总。所提出的CBFedAggSum（基于加密区块链的联邦学习聚合方法）能够在雾计算和云节点实现安全高效的模型聚合。这一端到端的过程增强了电网数据的安全性，并提高了预测准确性，有效解决了SG-AIoT系统中的关键问题。我们将我们的方法与六种现有方法（FedAvg、FedSGD、SecAgg、1D-CNN-GRU、PP-CE-FL和Edge-Cloud-AIoT-FL）进行了比较，发现我们的方法在预测准确性和隐私保护方面表现更优。

引言

智能电网物联网人工智能（SG-AIoT）是指将基于人工智能的分析技术与物联网支持的智能电网基础设施相结合，以实现分布式能源系统中的智能、自动化和安全的能源管理。智慧城市和政府是工业4.0发展的重要领域，在这些领域中，智能电网得到了广泛应用[1]。多个国家正在致力于开发先进的计量基础设施（AMI）和监控控制与数据采集（SCADA）系统，以应对高二氧化碳（CO₂）排放、高电力消耗、负荷削减、能源节约效率低下、化石燃料消耗过多以及能源资源枯竭等问题。自COVID-19大流行和俄乌战争以来，全球能源危机愈演愈烈，研究人员通过应用机器学习分析了相关数据。为了支持“低碳伦敦”计划的发展，英国政府提供了智能电表数据[2]、[3]。在消费者和变电站层面实施低能源需求策略反而导致了高能源消耗。因此，高能源生产破坏了能源节约措施，进而加剧了二氧化碳排放和能源资源枯竭的问题[4]。根据2024年版的“IBM-Security X-Force威胁情报指数”，能源行业是遭受网络攻击风险第四高的行业。研究人员分析了基于云的SCADA系统中的主要网络安全威胁，包括零日攻击。将SCADA与AMI相结合，可以提高智能电网网络（SGN）的可靠性和效率。