An Effective LSTM-DDPM Scheme for Energy Theft Detection and Forecasting in Smart Grid

要約

エネルギー盗難検知（ETD）とエネルギー消費予測（ECF）は、スマートグリッドシステムにおける相互に関連する2つの課題である。これらの課題にまとめて対処することは、システムの安全性を確保する上で極めて重要である。本稿では、スマートグリッドシステムにおけるETDとECFの相互に関連する課題に取り組む。提案するソリューションは、長短記憶（LSTM）とノイズ除去拡散確率モデル（DDPM）を組み合わせて、入力の再構成と予測を行う。再構成誤差と予測誤差を活用することで、システムはエネルギー窃盗の事例を特定し、再構成誤差と予測誤差に基づく方法は、異なるタイプの攻撃を検出する上で互いに補完し合う。実世界のデータセットと合成データセットを用いた広範な実験により、提案方式はETDとECF問題においてベースライン方式を上回る性能を示した。アンサンブル手法はETDの性能を大幅に向上させ、ベースライン手法では検出できなかったエネルギー窃盗攻撃を正確に検出する。本研究は、ETDとECFの課題に対処するための包括的かつ効果的なソリューションを提供し、スマートグリッドシステムにおける有望な結果とセキュリティの向上を実証する。

要約(オリジナル)

Energy theft detection (ETD) and energy consumption forecasting (ECF) are two interconnected challenges in smart grid systems. Addressing these issues collectively is crucial for ensuring system security. This paper addresses the interconnected challenges of ETD and ECF in smart grid systems. The proposed solution combines long short-term memory (LSTM) and a denoising diffusion probabilistic model (DDPM) to generate input reconstruction and forecasting. By leveraging the reconstruction and forecasting errors, the system identifies instances of energy theft, with the methods based on reconstruction error and forecasting error complementing each other in detecting different types of attacks. Through extensive experiments on real-world and synthetic datasets, the proposed scheme outperforms baseline methods in ETD and ECF problems. The ensemble method significantly enhances ETD performance, accurately detecting energy theft attacks that baseline methods fail to detect. The research offers a comprehensive and effective solution for addressing ETD and ECF challenges, demonstrating promising results and improved security in smart grid systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL