Photovoltaic generation forecast in adversarial settings

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau7988.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum9133pt_BR
dataload.idvirtuanourauvtls000233664pt_BR
dataload.idvirtuapergamumvtls000233664pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000233664pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000233664pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBarbon Junior, Sylvio [Orientador]pt_BR
dc.contributor.authorSantana, Everton Josept_BR
dc.contributor.bancaZarpelão, Bruno Bogazpt_BR
dc.contributor.bancaMantovani, Rafael Gomespt_BR
dc.contributor.bancaCarvalho, Luiz Fernandopt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T11:33:21Z
dc.date.available2024-05-01T11:33:21Z
dc.date.created2021.00pt_BR
dc.date.defesa18.02.2021pt_BR
dc.description.abstractResumo: A previsão de geração fotovoltaica, assim como outros cenários de séries temporais, é uma tarefa desafiadora Em particular para esse tipo de geração, a dependência de fatores meteorológicos aumenta a dificuldade de obter métodos preditivos com desempenho adequado A maioria das soluções atuais relacionadas à previsão de geração fotovoltaica é baseada em algoritmos de aprendizado de máquina, que normalmente oferecem desempenho superior aos métodos estatísticos tradicionais Contudo, modelos de aprendizado de máquina, mais especificamente de aprendizado profundo, têm se mostrado vulneráveis a ataques adversariais ao longo de sua execução, aumentando o erro do modelo Considerando que o aumento no erro preditivo em uma usina pode causar grandes danos, antecipar possíveis ataques e proteger-se deles é uma atitude essencial Nesse sentido, três principais eixos são investigados: i) obter modelos preditivos de geração fotovoltaica satisfatórios, ii) analisar as vulnerabilidades desses modelos em relação a ataques adversariais e iii) defendê-los desse tipo de ataque Primeiramente, quatro técnicas de séries temporais são exploradas para a predição de geração, denominadas Naive - referência para séries temporais -, modelo Autorregressivo Integrado de Médias Móveis - da área estatística -, e Redes de Memória de Curto e Longo Prazo e Rede Convolucional Temporal - ambas da família de aprendizado profundo Essas técnicas foram utilizadas na predição de geração com 15 minutos e 24 horas de antecedência, tendo como entrada apenas dados históricos de geração Neste ponto, foi analisada a influência do número de amostras de treino com atualizações mensais no desempenho dos modelos preditivos e qual deles forneceu menor erro Posteriormente, foi investigado como os dados de séries temporais univariadas puderam ser modificados por um ataque adversarial com o intuito de degradar o desempenho do modelo por meio de transferência entre técnicas Para isso, o algoritmo de ataque fast gradient sign method (FGSM), junto com um modelo substituto de regressão logística, foi usado para realizar ataques contra os modelos durante o período de teste Por último, foi proposto um mecanismo para detectar ataques adversariais durante a operação da usina e defendê-la deles A detecção foi baseada em atributos estatísticos e classificadores Local Outlier Factor e One-Class Support Vector Machine Este trabalho foi baseado em dados reais de uma usina solar e os resultados mostram que os modelos de aprendizado profundo podem auxiliar no planejamento dessa usina, ao passo que mecanismos de defesa contra ataques adversariais devem ser adotados na previsão de geração fotovoltaicapt_BR
dc.description.abstractother1Abstract: Forecasting photovoltaic (PV) power generation, as in many other time series scenarios, is a challenging task Especially for PV generation, the dependence on meteorological factors increases the difficulty to design satisfactory methods Most current solutions for PV generation forecasting are grounded on machine learning (ML) algorithms, which usually outperform traditional statistical-based methods However, solutions based on ML and, more specifically, deep learning (DL) have been found vulnerable to adversarial attacks throughout their execution, increasing the model error Given that error increases in a PV plant can be very damaging, anticipating possible adversarial attacks and securing against them is essential Bearing this in mind, three main segments are investigated in this work: i) obtaining satisfactory forecasting models for PV generation, ii) analyzing the model’s vulnerability to adversarial attacks and iii) defending them against these attacks First, we explore four time series analysis techniques, namely Naive, a baseline technique for time series, Autoregressive Integrated Moving Average (ARIMA), from the statistical field, and Long Short-term Memory (LSTM) and Temporal Convolutional Network (TCN), from the DL family These techniques were used to forecast the power generation 15 minutes and 24 hours ahead, having as input only power generation historical data At this point, it was analyzed how training sample size with monthly updates influenced the performance of the forecasting models and which one of them provided less predictive error Secondly, it was investigated how univariate time series data could be modified by an adversarial attack to decrease models’ performance through cross-technique transferability To this regard, fast gradient sign method (FGSM) attack algorithm, along with a logistic regression substitute model, were used to perform attacks against DL models at test time Last, we proposed a approach for detecting adversarial attacks during the operation of the plant and defending against them The detection was based on statistical features and Local Outlier Factor and One-Class Support Vector Machine classifiers The work was based on real-world data from a solar parking lot plant and these results show that DL models can aid the planning of this plant whereas defense mechanisms against adversarial attacks should be adopted in the context of PV generation forecastingpt_BR
dc.description.notesDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computaçãopt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/8380
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameCiência da Computaçãopt_BR
dc.relation.departamentCentro de Ciências Exataspt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectComputaçãopt_BR
dc.subjectGeração de energia fotovoltaicapt_BR
dc.subjectPredição de séries temporaispt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectAprendizado profundopt_BR
dc.subjectComputer sciencept_BR
dc.subjectPhotovoltaic power generationpt_BR
dc.subjectTime series forecastpt_BR
dc.subjectMachine learningpt_BR
dc.subjectDeep learningpt_BR
dc.titlePhotovoltaic generation forecast in adversarial settingspt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
7988.pdf
Tamanho:
1.49 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação