深度塔斯马尼亚鹰量化肖尔-西蒙分形网络在智能电网中用于智能能源盗窃检测

《Computers and Electrical Engineering》：Deep Tasmanian Aquila quantized Shor Simon fractal network for intelligent energy theft detection in smart grids

智能电网面临量子欺骗和频谱伪装等新型能源盗窃威胁，传统方法难以有效识别。本文提出TAQ-SSFN混合框架，通过量子傅里叶分析（QFA）和Simon相似映射检测隐蔽的能源再分配欺骗，结合TA-AFN模型重构原始信号并分离人为扰动，实验显示准确率达99.25%，RMSE为0.013。

　　

Johncy G|Shaji R?S?|Angelin Monisha Sharean T?M?

圣泽维尔天主教工程学院，Chunkankadai，Nagercoil（邮政信箱），Kanyakumari区，泰米尔纳德邦，629003，印度

摘要

现代智能电网在维持动态消费模式下的高效能源分配方面，严重依赖于智能监控和人工智能（AI）驱动的控制。然而，这些相互连接的系统越来越容易受到攻击者的复杂能源盗窃活动的威胁，传统的检测方法无法识别这些攻击。为了解决这一挑战，本研究提出了一种新颖的Tasmanian-Aquila量化Shor-Simon分形网络（TAQ-SSFN），这是一种用于强大异常检测的混合框架。最初，攻击者在平衡能源需求的同时，会插入虚假的低消耗节点，这些节点会操纵电网损耗计算，从而产生一种量子欺骗的能源重新分配效果，逐渐将损耗转移到欺诈点。为了解决这个问题，TAQ-SSFN采用了深度量化Shor–Simon变压器（DQ-SST），该变压器应用量子傅里叶分析（QFA）和Simon的相似性映射来揭示隐藏的重新分配操作，并准确识别被欺骗的节点。此外，攻击者还会在频率分量中引入小的、重复的失真，产生模仿自然电网行为的频谱上升伪装。为了缓解这一问题，引入了一种新的Tasmanian-Aquila优化自适应分形网络（TA-AFN），该网络可以重建真实的能源签名，恢复相位一致性，并隔离人为注入的干扰。实验结果显示，TAQ-SSFN的准确率达到了99.25%，均方根误差（RMSE）仅为0.013，从而显著增强了智能电网的安全性。

引言

智能电网是一种基于通信和信息技术的电力系统，它可以优化、监控和控制实时电力系统的许多部分。智能电网的一个关键方面是能源管理，它在实现可持续能源发展中发挥着重要作用。然而，由于工业扩张、农业需求以及电动汽车（EVs）的日益普及，全球能源消耗的快速增长给负荷分类、动态定价和间歇性可再生能源的无缝整合带来了挑战。应对这些挑战需要人工智能驱动的方法，以帮助电网运营商确保稳定和高效的电力供应[1,2]。

尽管智能电网有许多优点，但仍有许多技术挑战尚未解决，这阻碍了其最大潜力的发挥。其中，能源盗窃对智能电网的可靠性和效率构成了重大威胁。对信息和通信技术（ICT）基础设施的日益依赖也使电力系统面临潜在的网络威胁。多年来，人们探索了多种能源盗窃检测技术，包括数据挖掘、机器学习（ML）、统计方法和深度学习（DL）。在这些技术中，基于DL的入侵检测系统（IDS）在识别能源盗窃模式方面表现出很高的检测率（DR）。因此，开发一种强大的框架来检测电力盗窃对于保护智能电网免受恶意行为者的侵害至关重要[[3], [4], [5]]。

智能电网系统利用数字通信技术实时监控和控制电力分配。然而，尽管这些系统能够管理自然干扰，但识别由攻击者引起的异常仍然是一个复杂的挑战。建议使用先进的DL模型进行异常检测，这些模型利用来自气象站、智能电表和用户行为日志的数据。为了优化混合DL，采用了修改后的流向算法（MFDA）进行特征选择，以及带有扩张门控循环单元的自适应残差循环神经网络（ARRNN-DGRU）来处理特征以检测电力消耗中的异常。此外，短时傅里叶变换（STFT）技术增强了时频域分析，并改进了能源盗窃模式的分类[[6], [7], [8]]。

此外，为了提高检测精度，还使用了端点检测（EPD）技术来识别计量数据与历史记录之间的差异。这使得可以动态选择感兴趣的时期（POI）间隔，以识别潜在的电力盗窃事件。然而，监督学习方法需要大量的标记数据，这通常成本高昂，并限制了模型的泛化能力。主要障碍在于开发成本效益高、可扩展的算法，这些算法能够持续分析大型复杂数据集，同时克服正常和异常能源消耗模式之间的数据不平衡。由于获取大量电力盗窃样本不切实际，因此处理这种不平衡仍然是智能电网安全中的一个主要挑战[9,10]。盗窃检测的一个关键难点在于区分合法消费者行为和攻击者引入到电网中的篡改数据。在演绎攻击中，能源读数被篡改以伪造实际消耗水平，导致财务损失和负载预测不准确。更复杂的组合攻击会同时操纵高值和低值，使得使用传统方法更难以检测。许多现有的异常检测模型主要关注时间序列能源消耗数据，往往忽略了智能电网使用模式中的空间关系。然而，追踪消费者路径和能源轨迹可以提供关于攻击行为的关键洞察，使智能电网能够识别不规则的消费模式和可疑活动[[11], [12], [13]]。

此外，现代智能电网使用基于AI的优化模型来监控能源流动、平衡需求并减少技术损耗。然而，攻击者越来越多地利用这些智能系统，插入看似合法的虚假低消耗节点。这些虚假节点操纵电网计算并重新分配少量能源损耗，这种现象被称为量子欺骗的能源重新分配漏洞。结果，系统将这些虚假节点错误地视为真实消费者。随着时间的推移，能源损耗分布逐渐向这些被操纵的点转移，使得持续的电力盗窃难以检测。同时，这种转移发生得非常缓慢，类似于正常系统行为，操作员会误将其视为电网效率的提高，而不是篡改的迹象。

除了数据操纵外，攻击者还利用电网的频谱（基于频率的）监控机制的弱点。智能电网通常依赖频谱分析来检测异常模式，但攻击者会以微妙的方式修改能源信号以隐藏他们的活动。攻击者在电力信号中引入小的、重复的失真，使欺诈模式看起来像正常的电网波动。这些人为变化破坏了电网检测异常频率变化的能力，并削弱了预期与实际能源消耗行为之间的关系。同时，攻击者将这些失真分布在信号的不同部分，以防止基于AI的模型识别盗窃模式，这被称为频谱上升伪装。因此，通过实时连续调整这些操纵，攻击者确保他们的行为保持在系统的预期范围内，有效地长期掩盖了盗窃行为。

现有的能源盗窃检测方法无法处理这些数据级操纵、微妙信号失真和适应性隐藏策略的组合。为了解决这些挑战，本研究提出了一种新颖的TAQ-SSFN模型，该模型利用先进的DL技术进行动态、多模态特征整合和精确的消耗模式表示。本工作的先前贡献总结如下：

•

为了解决量子欺骗的能源重新分配漏洞，TAQ-SSFN采用了DQ-SST，这是一种利用量子启发式频谱分析和Simon映射来揭示隐藏操纵的新颖变压器。

•

为了报告攻击者对频谱能源信号的修改，TAQ-SSFN利用TA-AFN，该框架使用分形分解和Aquila引导的Tasmanian Devil优化（AG-TDO）来重建原始能源信号。

•

为了克服隐藏盗窃模式的频谱上升伪装，TA-AFN结合了分形相位恢复和自适应频谱弹性网络（ASRN）来找到实际的能源消耗行为。

此外，本文的其余部分结构如下：第2节回顾了现有的能源盗窃检测方法；第3节详细介绍了提出的TAQ-SSFN框架；第4节评估了该模型的性能，并将其与传统方法进行了比较；最后，第5节总结了研究的主要发现和潜在的未来改进方向。

部分摘录

文献综述

本节全面回顾了传统的能源盗窃检测模型，突出了当前的方法、优势和局限性。

Mbey等人[14]提出的混合模型基于支持向量机（SVM）和粒子群优化（PSO）算法，用于识别网络中的能源欺诈者。在这个模型中，模拟了一个显示能源使用计划的智能日历环境。根据结果，智能电网在

Tasmanian-Aquila量化Shor-Simon分形网络（TAQ-SSFN）

在现代智能电网中，由于能源盗窃技术的日益复杂，确保准确的能源分配是一个重大挑战。本文提出了一种新颖的TAQ-SSFN，这是一种结合了量子启发式频谱分析和自适应分形学习的混合检测框架。

最初，在分配过程中，攻击者会插入虚假的低消耗节点，这些节点会操纵能源损耗计算，从而导致量子欺骗的能源重新分配漏洞。

能源盗窃检测的结果

本节展示了TAQ-SSFN框架的仿真结果，突出了其在检测被欺骗节点、重建隐藏异常以及区分真实波动和盗窃模式方面的有效性。因此，本模块展示了各种标准指标和与TAQ-SSFN模型的比较评估。

结论

在这项研究中，提出了TAQ-SSFN以增强智能电网对日益复杂的电力盗窃形式的防御能力。尽管依赖于传统的统计或ML方法，但所提出的方法结合了量子启发式分析、时间建模、分形分解和元启发式混合优化。通过这种方式，TAQ-SSFN捕捉到了被操纵的消耗数据中的多尺度不规则性。通过统一频谱、时间和分形表示，