[发明专利]一种面向数据投毒攻击的窃电检测方法

说明书

本发明公开了一种面向数据投毒攻击的窃电检测方法，通过采集用户用电数据，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；构建初始窃电检测模型，并利用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；并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，完成窃电检测；本发明通过构建窃电检测模型，利用长短时记忆网络、带注意力机制的多尺度卷积神经网络以及多层感知机网络完善用户用电数据的特征表达，并利用多样性计算法构建损失函数训练窃电检测模型，使窃电检测模型中长短时记忆网络、带注意力机制的多尺度卷积神经网络提取的特征更具差异化，且相互补充，提高模型系统的鲁棒性，更具泛化能力。

技术领域

本发明涉及窃电检测领域，具体涉及一种面向数据投毒攻击的窃电检测方法。

背景技术

窃电者通过非法手段减少电表记录其用电量的行为，会造成严重的经济损失且危害电网系统的正常运行。针对窃电问题，现有的一些数据驱动型窃电检测方法往往需要较多带标签的用电数据来训练窃电检测模型，并且隐含地假设了参与模型训练的用电数据是被正确标记的。然而，实际场景中，参与窃电检测模型训练的用户用电数据可能带有错误的标签；例如，一些研究者可能从网上收集了大量用户用电数据，但有些数据的来源并不能保证完全可靠，一些有非法意图的攻击者可能将异常用电数据标签篡改为正常的。此外，电力公司未检测出有窃电行为而实际存在窃电行为的用户，其用电数据可能会被认为是正常的用电数据而用于窃电检测模型的训练。对于这种使用了带有错误标签的用电数据训练窃电检测模型的情况，在窃电检测中被称之为遭受了数据投毒攻击，在数据投毒情况下，带有错误标签的数据被窃电检测模型使用后会混淆模型的决策边界，导致模型的检测性能下降。

发明内容

针对现有技术中的上述不足，本发明提供了一种面向数据投毒攻击的窃电检测方法，在遭受训练数据标签反转的数据投毒攻击下，降低数据投毒攻击的影响程度，并提供模型鲁棒性更高的窃电检测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种面向数据投毒攻击的窃电检测方法，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；

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。

优选地，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。

该优选方案具有以下有益效果：

对采集的用户数据进行预处理，增加后续的窃电检测模型提取数据特征的准确性。

优选地，步骤S2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、构建损失函数，迭代训练窃电检测模型。