LSTM-based Load Forecasting Robustness Against Noise Injection Attack in Microgrid

要約

タイトル：ラズームを用いたマイクログリッドにおけるノイズ注入攻撃に対する負荷予測の堅牢性

要約：
– LSTMニューラルネットワークの堅牢性を調査し、電力負荷予測に対するノイズ注入攻撃に耐えることができるかを検証する。
– 黒箱化したガウスノイズ攻撃について、異なるSNRでLSTMモデルのパフォーマンスを調査する。
– 攻撃者はLSTMモデルの入力データにのみアクセスできると仮定する。
– 結果は、ノイズ攻撃がLSTMモデルのパフォーマンスに影響を与えることを示している。
– 健全な予測の場合、負荷予測の平均絶対誤差（MAE）は0.047 MWであるが、SNR = 6 dBのガウスノイズ挿入では、この値が0.097 MWまで増加する。
– ノイズ攻撃に対するLSTMモデルの堅牢性を高めるために、モデルの入力に最適なカットオフ周波数のローパスフィルタを適用してノイズ攻撃を除去する。
– フィルターは、SNRが低いノイズの場合により良いパフォーマンスを発揮し、小さなノイズの場合には少し有望ではない。

要約(オリジナル)

In this paper, we investigate the robustness of an LSTM neural network against noise injection attacks for electric load forecasting in an ideal microgrid. The performance of the LSTM model is investigated under a black-box Gaussian noise attack with different SNRs. It is assumed that attackers have just access to the input data of the LSTM model. The results show that the noise attack affects the performance of the LSTM model. The load prediction means absolute error (MAE) is 0.047 MW for a healthy prediction, while this value increases up to 0.097 MW for a Gaussian noise insertion with SNR= 6 dB. To robustify the LSTM model against noise attack, a low-pass filter with optimal cut-off frequency is applied at the model’s input to remove the noise attack. The filter performs better in case of noise with lower SNR and is less promising for small noises.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI