[发明专利]一种面向数据投毒攻击的窃电检测方法

权利要求书

1.一种面向数据投毒攻击的窃电检测方法，其特征在于，包括以下步骤：

S1、采集用户用电数据，并对用户用电数据进行预处理，得到预处理后的用户用电数据集；

S2、构建初始的窃电检测模型，并利用多样性计算法结合预处理后的用户用电数据集训练窃电检测模型，得到窃电检测模型；具体包括以下分步骤：

S21、构建长短时记忆网络，并利用长短时记忆网络提取预处理后的用户用电数据集的全局时序特征；

S22、构建带注意力机制的多尺度卷积神经网络，并利用带注意力机制的多尺度卷积神经网络提取预处理后的用户用电数据集的局部时序特征；

S23、对全局时序特征与局部时序特征进行特征融合，得到融合后的时序特征；

S24、构建多层感知机网络，根据融合后的时序特征得到二分类概率；

S25、利用多样性计算法构建损失函数，迭代训练窃电检测模型；具体为：

利用多样性计算法结合长短时记忆网络以及多尺度卷积神经网络构建的输出多样性，与窃电检测模型的主损失计算得到损失函数，对窃电检测模型进行迭代训练，其中，利用多样性计算法结合长短时记忆网络以及多尺度卷积神经网络得到输出多样性的计算式表示为：

L_r＝L_p-(βL_h+γL_e)

其中，L_r为由长短时记忆网络以及多尺度卷积神经网络构建的输出多样性的参数值，L_p为长短时记忆网络和多尺度卷积神经网络输出的带权交叉熵误差，β，γ分别为超参数，L_h为对短时记忆网络和多尺度卷积神经网络输出的香农熵计算结果，L_e为多样性度量；

S3、利用窃电检测模型检测待测数据，得到待测数据的检测结果。

2.根据权利要求1所述的面向数据投毒攻击的窃电检测方法，其特征在于，步骤S1具体包括以下分步骤：

S11、采集用户用电数据，并划分为训练数据集与测试数据集；

S12、利用过采样算法对训练数据集进行数据均衡处理，得到均衡后的训练数据集；

S13、对均衡后的训练数据集进行数据投毒，得到预处理后的用户用电数据集。

3.根据权利要求1所述的面向数据投毒攻击的窃电检测方法，其特征在于，步骤S21具体为：

利用不少于2个LSTM层，堆叠构建得到长短时记忆网络，并利用构建的长短时记忆网络提取预处理后的用户用电数据集，得到全局时序特征，其全局时序特征提取过程的表达式表示为：

其中，为第l个LSTM层的提取的全局时序特征，为第l-1个LSTM层的提取的全局时序特征，LSTM(.)为LSTM层运算。

4.根据权利要求1所述的面向数据投毒攻击的窃电检测方法，其特征在于，步骤S22具体包括以下分步骤：

S221、构建多尺度的一维卷积模块，提取预处理后的用户用电数据集中不同尺度的输出特征；

S222、拼接不同尺度的一维卷积模块，并根据拼接的不同尺度的输出特征，得到多尺度的初始局部时序特征；

S223、构建注意力机制网络，并利用注意力机制网络对初始局部时序特征进行权重分配。

5.根据权利要求4所述的面向数据投毒攻击的窃电检测方法，其特征在于，步骤S221具体包括以下分步骤：

A1、利用不少于2层的卷积层提取预处理后的用户用电数据集的输出特征，得到初始输出特征，其初始输出特征的表达式表示为：

其中，为第i个一维卷积模块中第l个卷积层的初始输出特征，Conv1d为一维卷积运算，为第i个一维卷积模块中第l-1个卷积层的初始输出特征；

A2、在各卷积层中最后一个卷积模块后添加池化层，得到一维卷积模块，并利用池化层对初始输出特征进行全局池化，得到不同尺度的输出特征，其全局池化的表达式表示为：

其中，f_p,i为第i个一维卷积模块中池化层输出特征，Pooling为全局池化运算。