一种对电力巡检场景人工智能算法模型的评估方法及系统技术方案

本发明专利技术提供了一种对电力巡检场景人工智能算法模型的评估方法及系统，包含以下步骤：对获取的原始电力数据进行处理，得到原始样本和噪声样本；采用集成学习算法对所述原始样本进行处理得到非对抗样本，并采用生成式对抗网络对所述噪声样本进行处理得到对抗样本；基于所述非对抗样本和对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景和对抗场景下的度量指标；基于所述非对抗场景和对抗场景下的度量指标对电力巡检场景下的人工智能算法模型鲁棒性进行评估。利用电力巡检场景的原始电力数据建定制化评测指标，在非对抗与对抗场景中对电力算法模型鲁棒性进行评测，使评测标准更精确、更贴近电力巡检需要。更贴近电力巡检需要。更贴近电力巡检需要。

【技术实现步骤摘要】
一种对电力巡检场景人工智能算法模型的评估方法及系统


[0001]本专利技术涉及电力人工智能领域，具体一种对电力巡检场景人工智能算法模型的评估方法及系统。

技术介绍

[0002]现代电力系统呈现出复杂非线性、不确定性、时空差异性等特点，以高级机器学习、大数据、云计算为主要代表的新一代电力人工智能技术，具有应对高维、时变、非线性问题的强优化处理能力和强大学习能力，将会为突破以上技术瓶颈提供有效地解决途径。
[0003]传统的模式识别技术，已经无法满足新形势下的输电立体化巡检发展需求。因此，结合人工智能的输电线路巡检逐渐走入人们的视野。
[0004]目前，在模型的性能、稳定性、鲁棒性、使用价值方面都有一定的探索，然而目前相关文献对模型安全性方面的研究，多集中在对抗样本构造和防御方法上，对模型鲁棒性的测评上不够准确。

技术实现思路

[0005]为解决现有技术中对模型鲁棒性的测评不够准确的问题，本专利技术提供了一种对电力巡检场景人工智能算法模型的评估方法，包括：
[0006]对获取的原始电力数据进行处理，得到原始样本和噪声样本；
[0007]采用集成学习算法对所述原始样本进行处理得到非对抗样本，并采用生成式对抗网络对所述噪声样本进行处理得到对抗样本；
[0008]基于所述非对抗样本和对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景和对抗场景下的度量指标；
[0009]基于所述非对抗场景和对抗场景下的度量指标对电力巡检场景下的人工智能算法模型鲁棒性进行评估。
[0010]优选的，所述将原始电力数据作为原始数据样本利用集成学习算法生成非对抗样本，包括：
[0011]对所述原始样本采用一种策略生成异常样本；
[0012]将所述原始样本和上一种策略生成的异常样本带入下一种策略生成新的异常样本；
[0013]将所有策略生成的异常样本通过加权组合得到非对抗样本；
[0014]其中，所述策略包括：在全样本中加入噪声、在全样本中加入扰动、在部分样本中加入噪声和在部分样本中扰动。
[0015]优选的，所述基于所述非对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景下的度量指标，包括：
[0016]将非对抗样本中正常数据样本与异常数据样本分别输入到分类模型中得到所述模型中得到模型识别正确率；
[0017]基于所述模型识别正确率结合分类模型的鲁棒性度量指标计算式计算分类模型鲁棒性度量指标对分类模型的鲁棒性进行评估；
[0018]将非对抗样本中正常数据样本与异常数据样本分别输入到聚类模型中得到模型调整兰德系数；
[0019]基于所述模型调整兰德系数结合聚类模型的鲁棒性度量指标计算式计算聚类鲁棒性度量指标对聚类模型的鲁棒性进行评估；
[0020]将非对抗样本中正常数据样本与异常数据样本分别输入到回归模型中得到模型平均绝对误差；
[0021]基于所述模型平均绝对误差结合回归模型的鲁棒性度量指标计算式计算回归模型鲁棒性度量指标回归模型的鲁棒性进行评估；
[0022]其中，所述非对抗样本中包括：正常数据样本与异常数据样本。
[0023]优选的，所述分类模型的鲁棒性度量指标计算式，如下式所示：
[0024][0025]式中，robustness1表示非对抗场景下的鲁棒性，test_acc表示模型在正常数据样本下的识别正确率，abnormal_acc表示模型在异常数据样本下的识别正确率。
[0026]优选的，所述聚类模型的鲁棒性度量指标计算式，如下式所示：
[0027][0028]式中，test_ARI表示模型在正常数据样本下的调整兰德系数，abnormal_ARI表示模型在异常数据样本下的调整兰德系数。
[0029]优选的，所述回归模型的鲁棒性度量指标计算式，如下式所示：
[0030][0031]式中，test_MAE表示模型在正常数据下的平均绝对误差，abnormal_MAE表示模型在异常数据下的平均绝对误差。
[0032]优选的，所述基于噪声样本利用生成式对抗网络生成对抗数据样本，包括：
[0033]以所述噪声样本为所述对抗网络生成模型生成器的输入，生成样本为所述对抗网络生成模型生成器的输出；
[0034]以所述生成样本和原始样本为所述对抗网络生成模型判别器的输入，以真伪标签为所述对抗网络生成模型判别器的输出；
[0035]由所述真伪标签为和所述生成样本为训练集，训练得到对抗样本。
[0036]优选的，所述基于所述对抗样本采用对应的鲁棒性度量指标计算式如下式所示：
[0037][0038]式中，Noise≠0，Noise表示对抗样本噪声，error
attack
表示模型对对抗样本预测错误率，error
ini
表示攻击成功率与原始预测错误率，Defense表示扰动和攻击成功率，α表示调节系数。
[0039]基于同一专利技术构思本专利技术还提供了一种对电力巡检场景人工智能算法模型的评
估系统，其特征在于，包括：
[0040]样本获取模块，用于对获取的原始电力数据进行处理，得到原始样本和噪声样本；
[0041]样本处理模块，用于采用集成学习算法对所述原始样本进行处理得到非对抗样本，并采用生成式对抗网络对所述噪声样本进行处理得到对抗样本；
[0042]度量指标计算模块，用于基于所述非对抗样本和对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景和对抗场景下的度量指标；
[0043]评估模块，用于基于所述非对抗场景和对抗场景下的度量指标分别对非对抗场景和对抗场景下的模型鲁棒性进行评估。
[0044]优选的，所述度量指标计算模块，包括：
[0045]非对抗场景度量指标计算子模块，用于基于所述非对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景下的度量指标；
[0046]对抗场景度量指标计算子模块，用于基于所述对抗样本采用对应的鲁棒性度量指标计算式计算得到对抗场景下的度量指标。
[0047]与现有技术相比，本专利技术的有益效果为：
[0048]本专利技术提供了一种对电力巡检场景人工智能算法模型的评估方法及系统，包含以下步骤：对获取的原始电力数据进行处理，得到原始样本和噪声样本；采用集成学习算法对所述原始样本进行处理得到非对抗样本，并采用生成式对抗网络对所述噪声样本进行处理得到对抗样本；基于所述非对抗样本和对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景和对抗场景下的度量指标；基于所述非对抗场景和对抗场景下的度量指标对电力巡检场景下的人工智能算法模型鲁棒性进行评估。利用电力巡检场景的原始电力数据建定制化评测指标，在非对抗与对抗场景中对电力算法模型鲁棒性进行评测，使评测标准更精确、更贴近电力巡检需要。
附图说明
[0049]图1为本专利技术中一种对电力巡检场景人工智能算法模型的评估方法流程图；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对电力巡检场景人工智能算法模型的评估方法，其特征在于，包括：对获取的原始电力数据进行处理，得到原始样本和噪声样本；采用集成学习算法对所述原始样本进行处理得到非对抗样本，并采用生成式对抗网络对所述噪声样本进行处理得到对抗样本；基于所述非对抗样本和对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景和对抗场景下的度量指标；基于所述非对抗场景和对抗场景下的度量指标对电力巡检场景下的人工智能算法模型鲁棒性进行评估。2.根据权利要求1所述的方法，其特征在于，所述将原始电力数据作为原始数据样本利用集成学习算法生成非对抗样本，包括：对所述原始样本采用一种策略生成异常样本；将所述原始样本和上一种策略生成的异常样本带入下一种策略生成新的异常样本；将所有策略生成的异常样本通过加权组合得到非对抗样本；其中，所述策略包括：在全样本中加入噪声、在全样本中加入扰动、在部分样本中加入噪声和在部分样本中扰动。3.根据权利要求1所述的方法，其特征在于，所述基于所述非对抗样本采用对应的鲁棒性度量指标计算式计算得到非对抗场景下的度量指标，包括：将非对抗样本中正常数据样本与异常数据样本分别输入到分类模型中得到所述模型中得到模型识别正确率；基于所述模型识别正确率结合分类模型的鲁棒性度量指标计算式计算分类模型鲁棒性度量指标对分类模型的鲁棒性进行评估；将非对抗样本中正常数据样本与异常数据样本分别输入到聚类模型中得到模型调整兰德系数；基于所述模型调整兰德系数结合聚类模型的鲁棒性度量指标计算式计算聚类鲁棒性度量指标对聚类模型的鲁棒性进行评估；将非对抗样本中正常数据样本与异常数据样本分别输入到回归模型中得到模型平均绝对误差；基于所述模型平均绝对误差结合回归模型的鲁棒性度量指标计算式计算回归模型鲁棒性度量指标回归模型的鲁棒性进行评估；其中，所述非对抗样本中包括：正常数据样本与异常数据样本。4.根据权利要求3所述的方法，其特征在于，所述分类模型的鲁棒性度量指标计算式，如下式所示：式中，robustness1表示非对抗场景下的鲁棒性，test_acc表示模型在正常数据样本下的识别正确率，abnormal_acc表示模型在异常数据样本下的识别正确率。5.根据权利要求3所述的方法，其特征在于，所述聚类模型的鲁棒性...

【专利技术属性】
技术研发人员：周春雷，陈相舟，刘文立，刘文思，史昕，李洋，宋金伟，李晓燕，
申请(专利权)人：国家电网有限公司大数据中心，
类型：发明
国别省市：