基于特征提取的面向边缘数据中心的窃电监测方法技术

本发明专利技术公开了一种基于特征提取的面向边缘数据中心的窃电监测方法，包括以下步骤：S1，深度卷积生成对抗网络训练，并提取特征；S2，将提取的特征输入L2SVM算法进行训练；S3，利用训练后的L2SVM算法进行窃电监测。本发明专利技术实施例的技术方案通过在集中式数据中心训练深度卷积生成对抗网络，克服了在边缘数据中心训练深度学习网络算力不足的缺点；将DCGAN鉴别器作为特征提取模型，由于深度学习网络具有非线性以及逐层映射的特点，可以实现信息的有效提取；在边缘数据中心，基于DCGAN提取得到特征，部署采用L2SVM算法的窃电监测模型，实现窃电监测的准确度与计算效率的兼顾。

Power stealing monitoring method for edge data center based on feature extraction

【技术实现步骤摘要】
基于特征提取的面向边缘数据中心的窃电监测方法
本专利技术涉及一种基于特征提取的面向边缘数据中心的窃电监测方法，属于数据处理

技术介绍
随着电网中传感器设备的大量接入、数据处理能力的不断提高，电网朝着具有全面感知、可靠通信以及智能数据处理能力的泛在电力物联网(ubiquitouspowerinternetofthings,UPIoT)不断发展。目前，由传感器采集到的数据主要依靠集中式数据中心完成如安全稳定校核、发电调度计划制定等高级分析功能。然而，随着传感器采集到的数据量的增大，集中化的数据处理方式将给数据传输和集中存储造成巨大的压力，并造成数据处理的实时性能较差。边缘数据中心作为连接集中式数据中心和终端用户的中间平台，辅助集中式数据中心完成一部分计算功能是针对上述问题的有效解决方法。由传感器直接采集到的数据包含大量的噪声和不确定成分，需要在边缘数据中心进行预处理后才能为后续的分析功能提供可靠的数据源。由于采集、传输设备故障或者是恶意攻击造成的异常数据则需要通过数据预处理进行筛查。窃电行为是一种恶意数据攻击方式，其给供电公司造成本文档来自技高网...

【技术保护点】
1.一种基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，包括以下步骤：/nS1，深度卷积生成对抗网络训练，并提取特征；/nS2，将提取的特征输入L2SVM算法进行训练；/nS3，利用训练后的L2SVM算法进行窃电监测。/n

【技术特征摘要】
1.一种基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，包括以下步骤：
S1，深度卷积生成对抗网络训练，并提取特征；
S2，将提取的特征输入L2SVM算法进行训练；
S3，利用训练后的L2SVM算法进行窃电监测。


2.根据权利要求1所述的基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，在步骤S1中，在由正常数据组成的训练集上对深度卷积生成对抗网络进行训练。


3.根据权利要求2所述的基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，在步骤S1中，在集中式数据中心中对深度卷积生成对抗网络进行训练，训练结束后，集中式数据中心将提取的鉴别器模型结构及其参数传递给边缘数据中心。


4.根据权利要求3所述的基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，在步骤S2中，在集中式数据中心中进行L2SVM算法训练，L2SVM算法的输入是训练集经训练后深度卷积生成对抗网络的鉴别器提取特征。


5.根据权利要求4所述的基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，所述步骤S2包括：
利用鉴别器提取特征；
求解L2SVM算法的分类参数。


6.根据权利要求5所述的基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，在步骤S3中，利用训练后的L2SVM算法对用电数据进行窃电监测。


7.根据权利要求1-6任意一项所述的基于特征提取的面向边缘数据中心的窃电监测方法，其特征是，所述深度卷积生成对抗网络训练为生成器和鉴别器进行零和非合作博弈的过程，当生成器和鉴别器达到纳什均衡时，训练收敛；深度卷积生成对抗网络训练的目标函数如下：



其中，Pdata为真实数据遵循的分...

【专利技术属性】
技术研发人员：麻常辉，周宁，李山，张宇帆，艾芊，王亮，张冰，马琳琳，武诚，张志轩，房俏，陈博，刘文学，赵康，李文博，蒋哲，杨冬，马欢，邢鲁华，
申请(专利权)人：国网山东省电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：山东;37