Smart meters, now an essential component of modern power grids, allow energy providers to remotely monitor users' energy consumption in near real-time. While this technology offers numerous advantages for energy management and system efficiency, it also poses significant privacy concerns. High-resolution energy consumption data can reveal sensitive information about users' routines and activities, thus potentially jeopardizing their privacy. In particular, research has demonstrated that Bayesian inference attacks can effectively disaggregate smart meter data to deduce household appliance states and subsequently obtain sensitive user information.

This thesis investigates the use of energy storage systems to protect smart meter data privacy against Bayesian inference attacks. Although several methods have been proposed in the literature that employ energy storage systems for this purpose, many rely on ideal assumptions such as lossless energy storage systems. To address this issue, a data-driven energy storage model that considers energy losses and capacity degradation has been proposed. Privacy leakage is quantified in terms of Bayesian risk, and control strategies are devised to minimize Bayesian risk while accounting for the energy storage system's operational constraints and economic implications. The findings reveal that non-idealities in energy storage systems significantly affect the privacy-preserving performance of control strategies. Moreover, incorporating degradation losses in the design of privacy-enhancing control strategies considerably improves battery life, albeit with some privacy loss.

Taking into account the non-idealities of energy storage, this thesis introduces novel privacy-preserving control strategies using various adversarial models, which are classified based on their knowledge of the control system. These models include controller-aware and controller-unaware adversaries employing sequential hypothesis testing or maximum a posteriori detection. The proposed control strategies are evaluated through numerical simulations using real data and emulated energy storage systems. Additionally, the thesis provides a reference dataset of appliance power consumption, featuring detailed electrical measurements to support future smart meter privacy research. In summary, this work offers valuable insights and practical solutions for managing adversarial inference in cyber-physical systems, with potential applications extending to other sensor networks beyond smart meters.

Smarta elmätare, idag en väsentlig komponent i moderna elnät, gör att elleverantörer kan fjärrövervaka användarnas energiförbrukning i nästan realtid. Även om denna teknik erbjuder många fördelar för energihantering och systemeffektivitet, utgör den också ett betydande integritetsproblem. Högupplösta energiförbrukningsdata kan avslöja känslig information om användarnas rutiner och aktiviteter och därmed potentiellt äventyra deras integritet. Speciellt har forskning visat att Bayesianska slutledningsattacker effektivt kan disaggregera data från smarta elmätare för att härleda hushållsapparaters tillstånd och därefter erhålla känslig användarinformation.

Denna avhandling undersöker användningen av energilagringssystem för att skydda smarta elmätares dataintegritet mot Bayesianska slutledningsattacker. Även om flera metoder som använder energilagringssystem för detta ändamål har föreslagits i litteraturen, förlitar sig många på idealiska antaganden såsom förlustfria energilagringssystem. För att lösa detta problem har en datadriven energilagringsmodell som tar hänsyn till energiförluster och kapacitetsförsämringar föreslagits. Sekretessläckage kvantifieras i termer av Bayesiansk risk, och kontrollstrategier utformas för att minimera detta samtidigt som man tar hänsyn till energilagringssystemets operativa begränsningar och ekonomiska konsekvenser. Våra resultat visar att icke-idealiteter i energilagringssystem avsevärt påverkar kontrollstrategiernas integritetsbevarande prestanda. Dessutom förbättras batteriets livslängd avsevärt om  försämringsför-luster i utformningen av integritetsförbättrande kontrollstrategier inkluderas, om än med viss integritetsförlust.

Med hänsyn till icke-ideala energilager, introducerar denna avhandling nya kontrollstrategier som bevarar integriteten med hjälp av olika kontradiktoriska modeller, som klassificeras baserat på deras kunskap om kontrollsystemet. Dessa modeller inkluderar kontroller-medvetna och kontroller-omedvetna mot-ståndare som använder sekventiell hypotestestning eller maximal a posteriori-detektion. De föreslagna styrstrategierna utvärderas genom numeriska simuleringar med  riktiga mätdata och emulerade energilagringssystem. Dessutom tillhandahåller avhandlingen ett referensdataset  apparatens strömförbrukning, med detaljerade elektriska mätningar för att stödja framtida smarta elmätares integritetsforskning. Sammanfattningsvis erbjuder detta arbete värdefulla insikter och praktiska lösningar för att hantera kontradiktoriska slutsatser i cyberfysiska system, med potentiella tillämpningar som sträcker sig till andra sensornätverk bortom smarta elmätare.