論文の概要: Uncertainty-Aware Federated Learning for Cyber-Resilient Microgrid Energy Management

• arxiv url: http://arxiv.org/abs/2511.17968v1
• Date: Sat, 22 Nov 2025 08:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.551101
• Title: Uncertainty-Aware Federated Learning for Cyber-Resilient Microgrid Energy Management
• Title（参考訳）: サイバーレジリエンスマイクログリッドエネルギー管理のための不確実性を考慮したフェデレーション学習
• Authors: Oluleke Babayomi, Dong-Seong Kim,
• Abstract要約: 本稿では,長期記憶に基づく太陽光発電予測と,新たな2段階の偽データ注入攻撃検出とエネルギー管理システム最適化を組み合わせた総合的サイバーレジリエンスフレームワークを提案する。 その結果,多信号融合による高精度カスケード検出は単一信号方式よりも優れ,分散マイクログリッドのセキュリティ性能の相乗効果が検証された。
• 参考スコア（独自算出の注目度）: 2.733652751545525
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Maintaining economic efficiency and operational reliability in microgrid energy management systems under cyberattack conditions remains challenging. Most approaches assume non-anomalous measurements, make predictions with unquantified uncertainties, and do not mitigate malicious attacks on renewable forecasts for energy management optimization. This paper presents a comprehensive cyber-resilient framework integrating federated Long Short-Term Memory-based photovoltaic forecasting with a novel two-stage cascade false data injection attack detection and energy management system optimization. The approach combines autoencoder reconstruction error with prediction uncertainty quantification to enable attack-resilient energy storage scheduling while preserving data privacy. Extreme false data attack conditions were studied that caused 58% forecast degradation and 16.9\% operational cost increases. The proposed integrated framework reduced false positive detections by 70%, recovered 93.7% of forecasting performance losses, and achieved 5\% operational cost savings, mitigating 34.7% of attack-induced economic losses. Results demonstrate that precision-focused cascade detection with multi-signal fusion outperforms single-signal approaches, validating security-performance synergy for decentralized microgrids.
• Abstract（参考訳）: サイバー攻撃条件下でのマイクログリッドエネルギー管理システムにおける経済効率と運用信頼性の維持は依然として困難である。 ほとんどのアプローチでは、非アノマラス測定を仮定し、不確実性のある予測を行い、エネルギー管理最適化のための再生可能予測に対する悪意のある攻撃を軽減しない。 本稿では,フェデレートされた長期記憶に基づく光電力予測と,新たな2段階の偽データ注入攻撃検出とエネルギー管理システム最適化を統合した総合的サイバーレジリエンスフレームワークを提案する。 このアプローチは、自動エンコーダ再構築エラーと予測不確実性定量化を組み合わせることで、データのプライバシを保ちながら、攻撃耐性のエネルギーストレージスケジューリングを可能にする。 極端に誤ったデータ攻撃条件が研究され、58%の予測低下と16.9%の運用コスト上昇を引き起こした。 提案された統合された枠組みは、偽陽性の検出を70%減らし、性能損失予測の93.7%を回復し、運用コストの5.%を削減し、攻撃による経済損失の34.7%を減らした。 その結果,多信号融合による高精度カスケード検出は単一信号方式よりも優れ,分散マイクログリッドのセキュリティ性能の相乗効果が検証された。

関連論文リスト

• Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks [2.733652751545525]
  電気自動車(EV)の充電インフラは、運用効率とグリッド安定性を著しく損なうサイバーセキュリティの脅威がエスカレートしている。 既存の予測技術は、堅牢な異常軽減ソリューションとデータ保存プライバシの欠如によって制限されている。 本稿では,データプライバシを同時に保持し,サイバー攻撃を検出し,敵条件下での信頼性の高い需要予測精度を維持する,新しい異常回復型フェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-22T08:41:58Z)
• Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction [0.0]
  本稿では,プリフィルタとして機能する軽量検出ユニット(watchdog mechanism)を提案する。 LSTMモデルに供給される入力量を削減し、エネルギー盗難の可能性がより高いインスタンスに制限する。 その結果、消費電力の減少は64%を超え、検出精度は最小限に抑えられ、リコールは一貫して高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-14T14:40:03Z)
• Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
  本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-06-04T12:12:56Z)
• PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
  本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。 このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。 提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
  論文  参考訳（メタデータ） (2025-03-01T03:37:09Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。