需求响应是否会因对抗性数据修改而增加网络攻击的脆弱性？

# 需求响应是否会因对抗性数据修改而增加对网络攻击的脆弱性？ 来源：https://arxiv.org/html/2607.06632 Clemens Kortmann 过程系统工程 \(AVT\.SVT\) 亚琛工业大学 clemens\.kortmann@rwth\-aachen\.de &Eike Cramer 化学工程系 萨金特过程系统工程中心 伦敦大学学院 eike\.cramer@alumni\.tu\-berlin\.de 通讯作者 ###### 摘要 对抗性攻击是一种精心设计的数据篡改方式，旨在破坏预测或决策算法的结果。在能源系统文献中，对抗性攻击的研究主要集中在与电网相关的问题上。这类问题包括预测和电网状态估计，在这些领域中，对抗性攻击也被称为虚假数据注入攻击。只有少数研究分析了对抗性攻击对需求侧的潜在影响。我们分析了被篡改的价格预测如何影响工业需求响应中的决策。为此，我们设计了旨在破坏电价预测模型输出的对抗性攻击，并使用被扭曲的价格预测来求解高能耗生产过程的调度优化问题。我们利用一个通用过程模型，来研究不同过程灵活性水平下的生产调度问题对对抗性攻击的脆弱性。我们发现，对抗性攻击会侵蚀需求响应所带来的利润。然而，当扰动幅度有限（使其难以被人类用户察觉）时，与稳态过程运行相比，需求响应仍能保留约90%的财务优势。此外，我们发现对抗性攻击对需求响应的影响不仅取决于扰动的幅度，更取决于对抗性扰动的方向。因此，我们认为，攻击分析应明确地将调度优化模型的敏感性纳入攻击设计中，以便更严格地评估在对抗性攻击下的决策行为。 ## 1 引言 可再生能源的波动性导致能源发电产生波动。需求响应（Demand Response, DR）涵盖了对柔性电力需求的管理，有助于平衡供需，同时为电力消费者带来经济效益\[1 (https://arxiv.org/html/2607.06632#bib.bib1)\]。我们关注的是非可调度型需求响应，即根据电价信号适时调整生产安排，以优化资源成本，同时确保安全运行并满足产品需求。在这方面，需求响应需要利用预测算法来提供对波动系统参数（如发电量、需求或电价）的准确预测，以确定最优运行决策\[2 (https://arxiv.org/html/2607.06632#bib.bib2)\]。由于神经网络预测模型日益精准，它们正在取代传统的统计预测方法\[3 (https://arxiv.org/html/2607.06632#bib.bib3)\]。然而，神经网络参数数量大、外推能力差等特点，使其容易受到对抗性攻击\[4 (https://arxiv.org/html/2607.06632#bib.bib4)\]。对抗性攻击是精心设计的数据篡改，旨在使模型输出错误结果，同时又能与正常数据难以区分。在能源系统文献中，对抗性攻击也被称为虚假数据注入攻击\[5 (https://arxiv.org/html/2607.06632#bib.bib5)\]。虽然“对抗性攻击”和“虚假数据注入攻击”这两个术语经常互换使用，但“对抗性攻击”一词源自机器学习（ML）文献\[4 (https://arxiv.org/html/2607.06632#bib.bib4)\]，而“虚假数据注入攻击”最初是在电网状态估计的背景下引入的\[5 (https://arxiv.org/html/2607.06632#bib.bib5)\]。为清晰起见，本文统一使用“对抗性攻击”一词。

对抗性攻击可能在能源系统中造成恶意影响，因此对于未来具有互联设备和自主决策算法的能源系统而言，这是一个重大关切问题\[6 (https://arxiv.org/html/2607.06632#bib.bib6)\]。对抗性攻击可以操纵能源市场中的节点边际电价\[7 (https://arxiv.org/html/2607.06632#bib.bib7),8 (https://arxiv.org/html/2607.06632#bib.bib8)\]，并破坏电网中的状态估计算法\[9 (https://arxiv.org/html/2607.06632#bib.bib9)\]。由于对抗性攻击可能带来的负面影响，已有大量检测方法被提出\[10 (https://arxiv.org/html/2607.06632#bib.bib10)\]。近年来，针对能源系统中机器学习模型的对抗性攻击引起了广泛的研究关注。在开创性工作中，Chen等人\[11 (https://arxiv.org/html/2607.06632#bib.bib11)\]证明了能源系统中机器学习模型易受对抗性攻击。作者展示了电能质量分类和建筑负荷预测的案例研究，并观察到在对抗性攻击下机器学习模型性能显著下降。Rahman等人\[12 (https://arxiv.org/html/2607.06632#bib.bib12)\]回顾了能源系统中的预测算法及其对网络攻击的韧性。作者确定了能源电网中预测算法的六个应用领域：负荷预测、发电量预测、输配电预测、能源市场预测、关键事件预测以及攻击检测中的预测。Chen等人\[13 (https://arxiv.org/html/2607.06632#bib.bib13)\]研究了电力系统负荷预测模型面临的对抗性攻击，发现黑盒对抗性攻击会对预测性能和电力系统运行产生显著的负面影响。Ruan等人\[14 (https://arxiv.org/html/2607.06632#bib.bib14)\]探索了光伏（PV）和风力发电预测算法的脆弱性。他们还分析了由此导致的最优潮流问题的退化及影响。其结果显示，由于被操纵的预测，不仅产生了高昂的经济损失，还可能引发电网的不稳定性。Tang等人\[15 (https://arxiv.org/html/2607.06632#bib.bib15)]研究了太阳能发电预测面临的对抗性攻击，发现基于梯度的攻击方案能够导致太阳辐射强度预测出现严重偏差。作者还进一步表明，对抗训练虽然增强了预测的鲁棒性，但降低了预测精度。Heinrich等人\[16 (https://arxiv.org/html/2607.06632#bib.bib16)\]在对风力发电预测的对抗性攻击和对抗训练研究中，也发现了对抗训练增强鲁棒性同时降低精度的现象。Yang等人\[17 (https://arxiv.org/html/2607.06632#bib.bib17)\]进一步研究了风力发电预测问题，发现风力预测模型尤其容易受到高风速时期的对抗性攻击。Chen等人\[18 (https://arxiv.org/html/2607.06632#bib.bib18)\]提出了一种针对电力系统惯性预测的对抗性攻击。他们发现，针对惯性预测的对抗性攻击可以显著增加电力系统的运行成本。这些研究揭示了能源系统中预测算法面临的对抗性攻击的潜在威胁。尽管许多研究关注电力、负荷和发电预测方面的对抗性攻击，但被操纵的能源价格预测（EPF）领域仍然相对未受探索\[12 (https://arxiv.org/html/2607.06632#bib.bib12)\]，尽管它对工业需求响应等应用场景至关重要。

工业需求响应涉及过程工业中的能量柔性生产\[19 (https://arxiv.org/html/2607.06632#bib.bib19)\]。过程工业是电力消耗的主要领域，因此也是需求响应的重要参与者。由于电解过程和电加热的增加，过程工业在电力市场中的作用变得越来越重要，因为工业过程的电气化是减少工业碳排放和提高能源系统可持续性的一个主要方面\[20 (https://arxiv.org/html/2607.06632#bib.bib20)\]。工业需求响应的经济潜力已在大量研究文章中得到探讨。例如，Brée等人\[21 (https://arxiv.org/html/2607.06632#bib.bib21)\]以及Otashu和Baldea\[22 (https://arxiv.org/html/2607.06632#bib.bib22)\]发现氯碱生产过程的能量柔性运行具有显著的经济潜力。Röben等人\[23 (https://arxiv.org/html/2607.06632#bib.bib23)\]研究了铜电解的需求响应策略，而Schäfer\[24 (https://arxiv.org/html/2607.06632#bib.bib24)\]则识别出铝电解工业需求响应的经济效益。除了电解过程，Yang等人\[25 (https://arxiv.org/html/2607.06632#bib.bib25)\]以及Caspari等人\[26 (https://arxiv.org/html/2607.06632#bib.bib26)\]等研究了空分装置的需求响应潜力。Hadera等人\[27 (https://arxiv.org/html/2607.06632#bib.bib27)\]研究了钢铁生产的需求响应潜力。此外，已有一些成功的工业需求响应实施案例被报道\[19 (https://arxiv.org/html/2607.06632#bib.bib19)\]。需求响应根据外部数据安排内部生产，因为它依赖于准确的电价预测（EPF）。对外部数据的依赖使需求响应可能容易受到对抗性攻击，因为攻击可能独立于内部生产调度而发生。在我们先前的工作\[28 (https://arxiv.org/html/2607.06632#bib.bib28)\]中，我们表明对抗性攻击可能导致需求响应活动中的显著经济损失。我们的调查显示，对电价预测模型的对抗性攻击有可能恶化需求响应中的调度决策，即使在没有关于底层电价预测和调度优化模型的显式知识的情况下也是如此。文献\[28 (https://arxiv.org/html/2607.06632#bib.bib28)\]中的工作是首次在工业需求响应以及利用电池储能系统（BESS）进行套利电力交易的情境下研究对抗性攻击。关于过程操作中数据篡改的研究主要在控制层面进行，例如参见\[29 (https://arxiv.org/html/2607.06632#bib.bib29)\]。我们建议读者参考Parker等人\[30 (https://arxiv.org/html/2607.06632#bib.bib30)\]的综述文章，以了解过程控制中网络安全方面的概况。在其他的研究线索中，其他作者研究了对抗性攻击对能源系统层面或住宅需求响应中决策框架的影响。例如，对负荷预测模型的对抗性攻击可能以经济损失以及中断和停电的形式，对能源系统运行产生显著的负面影响\[13 (https://arxiv.org/html/2607.06632#bib.bib13),18 (https://arxiv.org/html/2607.06632#bib.bib18)\]。类似地，对光伏和风力发电预测的对抗性攻击也可能导致这种效应\[14 (https://arxiv.org/html/2607.06632#bib.bib14)\]。关于住宅需求响应情境下对抗性攻击与防御的讨论，读者可参考文献\[31 (https://arxiv.org/html/2607.06632#bib.bib31)\]。尽管这些研究探讨了对抗性攻击对需求响应的下游影响，但对工业需求响应脆弱性构成因素的理解和详细研究仍然缺失。由于工业需求响应必须始终保持生产过程的可实施性，生产调度的优化受到一系列运行约束的限制。然而，不同水平的过程灵活性在多大程度上影响需求响应面对对抗性攻击的脆弱性，仍是一个开放性问题。虽然电价预测模型通常基于均方误差（MSE）和平均绝对误差（MAE）等成熟的回归指标进行训练，但这些指标不一定能描述需求响应中的决策质量\[32 (https://arxiv.org/html/2607.06632#bib.bib32)\]。因此，从需求侧的角度来看，电价预测的实际价值不仅取决于预测精度，还取决于利用这些预测的决策问题的数学性质。例如，Zareipour等人\[33 (https://arxiv.org/html/2607.06632#bib.bib33)\]表明，过程工业中的需求侧负荷对预测误差的敏感性不同于市政水厂。基于这些发现，我们预期对抗性攻击对工业需求响应问题的影响也取决于不同需求侧过程的特性。

本文研究了工业需求响应中不同水平的过程灵活性如何影响由电价预测和需求响应组成的耦合系统在面对对抗性攻击时（以经济损失形式呈现）的脆弱性。为了能够超越单一过程进行比较，我们使用了一个通用过程模型（GPM）\[34 (https://arxiv.org/html/2607.06632#bib.bib34),35 (https://arxiv.org/html/2607.06632#bib.bib35)\]，该模型可以调整以模拟一系列工业过程的抽象表示。我们系统地改变通用过程模型的过程灵活性，以研究对抗性攻击对过程调度优化问题的影响。此外，我们还对模拟一系列高能耗电解过程运行约束的过程配置进行了仿真。我们的分析按以下步骤进行：在第2节 (https://arxiv.org/html/2607.06632#S2)中，我们介绍了对抗性攻击、需求响应和通用过程模型的基础知识，并概述了我们仿真的不同要素。在第3节 (https://arxiv.org/html/2607.06632#S3)中，我们展示并讨论了数值结果。在第4节 (https://arxiv.org/html/2607.06632#S4)中，我们展示了针对四个代表性电解过程的对抗性攻击结果。我们在第5节 (https://arxiv.org/html/2607.06632#S5)中给出了本文的结论和展望。 ## 2 针对工业需求响应的攻击方案 参见图注 图1：针对电价预测和需求响应的对抗性攻击的整体结构。我们的研究包含三个主要部分，即电价预测、对抗性攻击设计和需求响应调度优化，见图1 (https://arxiv.org/html/2607.06632#S2.F1)。在第2.1节 (https://arxiv.org/html/2607.06632#S2.SS1)中，我们简要介绍预测问题和用于电价预测的机器学习模型。在第2.2节 (https://arxiv.org/html/2607.06632#S2.SS2)中，我们介绍针对电价预测和需求响应调度优化两步过程的对抗性攻击方法。在第2.3节 (https://arxiv.org/html/2607.06632#S2.SS3)中，我们重新审视通用过程模型，并描述其对工业需求响应不同运行过程特征的模拟。 ### 2.1 电价预测 日前电价的电价预测为电力市场中的决策提供关键的市场价格预测\[36 (https://arxiv.org/html/2607.06632#bib.bib36)\]。电价是由发电和用电相互作用决定的，随着电网中可再生能源电力份额的不断增加，发电侧的波动性也在增大。因此，风能和太阳能发电以及需求已被证明是现代日前市场价格形成的关键决定因素，因为它们决定了剩余负荷\[37 (https://arxiv.org/html/2607.06632#bib.bib37)\]。杜...