Distributed Federated Autoencoder-DeepCNN Framework for False Data Injection Attack Detection in Consumer Applications

Abid Ali

doi:10.1109/TCE.2026.3678431

Distributed Federated Autoencoder-DeepCNN Framework for False Data Injection Attack Detection in Consumer Applications

2026-03-30

0

PRE

AI

DOI：10.1109/TCE.2026.3678431

原文链接

原文求助

摘要

En 中文

城市化与工业化的快速发展增加了智能电网中消费者端的应用，先进的数据驱动方法显著提升了通过智能电表实现的消费者级能源管理。然而，这些系统极易受到网络攻击，尤其是虚假数据注入攻击（FDIA），可能导致电网可靠性和稳定性受损。现有检测技术通常依赖集中式数据收集与处理，这不仅引发严重的隐私担忧，还因数据多样性有限而导致过拟合问题。为解决这些问题，本文提出了一种将联邦学习与基于自动编码器的1D深度卷积神经网络（AE-1DdeepCNN）相结合的新型框架，用于消费者应用中的FDIA。该框架在基于IEEE-14母线系统数据集进行异常检测的协同模型训练时，确保了数据隐私。广泛的实验结果表明，在不同智能电表上的行精度达到93.35%~99.40%，证明了所提出方法在智能电网系统和消费者智能计量应用中对FDIA检测的有效性与鲁棒性。

Keyword:

Anomaly detection

autoencoder

convolutional neural network

deep learning

federated learning

false data injection attacks

smart meters

Distributed Federated Autoencoder-DeepCNN Framework for False Data Injection Attack Detection in Consumer Applications

摘要

期刊

机构

引用论文