在许多应用中,机器学习模型使用敏感信息作为训练数据或做出影响关键领域(如自动驾驶、癌症检测和生物特征认证)人员的决策。随着机器学习在关键应用中的应用越来越多,攻击的潜在影响也随之增加。旨在从模型中提取数据或操纵其决策的攻击是需要在风险评估期间考虑的威胁。使用预先训练的模型或来自外部来源的公开数据集可以降低开发 AI 系统所需的资源,但也可能引发各种攻击。数据集或模型可能会被恶意准备以在部署期间诱导特定行为,而 AI 开发人员对此并不知情。此外,过度拟合(即模型记住了训练数据但不能很好地推广到以前未见过的数据的状态)会增加从模型中提取私人信息的机会或促进更有效的规避攻击。
随着电力系统向更高比例的可变可再生能源转型,以及为实现减排目标而减少使用传统发电厂,对替代灵活平衡工具(如负荷转移)的需求不断增加。由于运输能力的局部限制和发电日益分散,表征此类灵活平衡资源的地理分布非常重要。这项工作的目的是使用 Kleinhans (2014) 先前开发的时间分辨负荷转移模型,以 NUTS-3 空间分辨率估计德国工业负荷转移潜力,并开放所有输入数据、方法、代码和结果。分析的重点是生产工业产品的电力密集型机器提供负荷转移的潜力(此处称为工业过程),因为它们目前可直接利用,而工业过程热作为次要主题进行研究,因为它主要由化石燃料提供,因此需要未来的开发才能利用。调查的四个主要研究问题是:(1)是否可以使用来自统计数据数据库或行业报告中的易于获取的数据来估算 NUTS-3 工业过程的年度能源需求,而不是像之前发表的几项研究 NUTS-3 工业负荷转移潜力的研究那样使用更难获得的工厂特定数据,(2)使用所选方法得到的负荷转移潜力结果与现有文献相比如何,(3)如何估算 NUTS-3 过程热负荷转移潜力,以及该潜力与工业过程相比如何,以及(4)到 2050 年工业过程的负荷转移潜力将如何发展。