Атаки на модели прогноза цен электроэнергии лишают demand response 10% выгоды

Специалисты изучили, как злонамеренные искажения данных могут подорвать выгоду от управления спросом на электроэнергию (demand response). В центре внимания — атаки на модели машинного обучения, прогнозирующие цены на электричество.

В рамках исследования моделировались adversarial-атаки, направленные на ухудшение качества прогнозов. Затем эти искаженные прогнозы использовались для решения задач оптимизации планирования энергоемких производственных процессов.

Авторы применили обобщенную модель производственного процесса, чтобы оценить уязвимость для различных уровней гибкости планирования. Оказалось, что атаки способны снизить финансовые преимущества, получаемые от demand response.

Однако если величина возмущений невелика и они трудно обнаружимы, то demand response сохраняет около 90% своей экономической выгоды по сравнению с работой в стационарном режиме. Таким образом, потери ограничиваются примерно 10% преимущества.

Ключевой вывод: ущерб от атаки зависит не столько от размаха искажений, сколько от их направленности. Это означает, что анализ уязвимостей должен учитывать чувствительность моделей планирования к конкретным возмущениям.

Результаты подчёркивают необходимость более тщательной оценки рисков при внедрении AI-решений в энергетику, особенно в задачах управления спросом.