[发明专利]一种适用于电网信息攻击检测的数据增强模型及方法

权利要求书

1.一种适用于电网信息攻击检测的数据增强模型，其特征在于，包括生成器网络结构和判别器网络结构，所述生成器网络结构用于将张量形式的电力系统运行数据生成“假冒”的电力数据，所述判别器网络结构用去区分生成器生成的图像和真实的电力数据；

所述生成器网络结构包括编码器、解码器、多级特征信息融合模块和多尺度上下文信息提取模块，采用U形网络作为主干，所述编码器部分通过一系列的下采样操作来提取输入电力数据的特征信息，所述解码器结构包含一系列卷积和反卷积操作，将特征图上采样到原始尺寸大小；所述多级特征信息融合模块包括捷径分支结构和空间注意力机制模块，用以减少下采样过程中的特征信息的丢失；所述多尺度上下文信息提取模块包括多尺度特征提取模块和通道注意力机制模块，用以降低噪声对模型的干扰；

所述判别器网络结构采用区域判别器，所述区域判别器将输入数据映射成为一个概率矩阵，每个位置对应原始数据中一个区域为真的概率，最终将概率矩阵中所有值的均值作为整个电力数据为真的概率。

2.根据权利要求1所述的一种适用于电网信息攻击检测的数据增强模型，其特征在于，所述编码器中，输入网络的标签图像通过6次下采样操作，分别采用特征提取模块1、特征提取模块2和特征提取模块3，特征提取模块1由两个深度可分离卷积层和两个1×1卷积层组成，其中第一个1×1卷积层用来减少特征图的通道数，第二个深度可分离卷积层用来缩小特征图的宽和高为原来的1/2；特征提取模块2输出特征图的维度与输入特征图的维度一致，输入特征图与输出特征图通过相加操作融合，以这种连接减少梯度消失问题；特征提取模块3输出的特征图的维度在高度和宽度方向保持不变，深度方向增加。

3.根据权利要求1所述的一种适用于电网信息攻击检测的数据增强模型，其特征在于，所述编码器输出的特征图经过6次上采样操作得到生成的电力数据，每一次上采样操作包含反卷积层、LeakyReLU激活函数和BatchNorm2d归一化方式。

4.根据权利要求1所述的一种适用于电网信息攻击检测的数据增强模型，其特征在于，所述多尺度特征提取模块采用具有不同扩张率的空洞卷积，扩张率的设置为(1,2,3,4)。

5.根据权利要求1所述的一种适用于电网信息攻击检测的数据增强模型，其特征在于，所述通道注意力机制模块通过一个全局平均池化层、2个3×3卷积来学习每个通道的权重，特征图通过Sigmoid函数重新分配通道上的权重，输出特征图在通道的维度上乘以输入特征图，其输出的结果作为下一阶段的输入数据。

6.根据权利要求1所述的一种适用于电网信息攻击检测的数据增强模型，其特征在于，还包括损失函数，如下式所示：

其中，

式中，g(·)表示期望算子，G(·)表示生成网络的输出，D(·)表示判别器网络的输出，x表示生成网络输出的预测电力数据，y表示x对应的标签，z表示真实的电力数据，λ是一个阀值，取值0.1-0.9。

7.一种适用于电网信息攻击检测的数据增强方法，应用于如权利要求1-6任意一所述的一种适用于电网信息攻击检测的数据增强模型，其特征在于，包括以下步骤：

S1：利用深度卷积神经网络张量输入构建方法，将电力系统运行数据赋值给二维平面中的节点并得到一个二维张量特征图；

S2：分别采用特征提取模块1、特征提取模块2和特征提取模块3，对输入网络的标签图像进行6次下采样操作；

S3：经过多尺度上下文信息提取模块，输出的特征图经过6次上采样操作得到生成的电力数据，每一次上采样操作包含反卷积层、LeakyReLU激活函数和BatchNorm2d归一化方式；

S4：将经过步骤S1-S3后生成的电力数据送入判别器进行判别，具体经过五次卷积，所述五次卷积的前四次为卷基层、LeakyReLU激活函数和BatchNorm2d归一化的方式，第五次卷积采用的是3×3卷积层和Sigmoid激活函数。