专利交易市场

本发明属于数据安全技术领域，公开了一种基于稀疏注意力机制的储能EMS异常用户行为检测方法，根据用户历史的正常行为数据得到每一角色的标准行为模式集，将待检测的用户时序行为特征与所属角色的标准行为模式集中最相似的标准行为基线进行拼接，并将拼接后的样本输入基于稀疏注意力机制自编码器，得到重构的用户时序行为特征，将重构的用户时序行为特征与阈值进行比较，得到用户行为异常检测结果。本发明克服了现有用户行为分析方法无法有效提取稀疏数据中的特征，方法检测效率低、质量差等问题。

本发明公开了一种基于双分支对比学习的供热系统二次网异常检测方法及系统，属于工业互联网及供热系统检测技术领域，包括：采集供热系统二次网的多维时序运行数据形成时间序列样本集；利用双分支对比学习模型获得时间序列样本集中各样本的异常分数，具体地：将时间序列样本集依次经过序列嵌入模块和窗口级特征融合模块，获得增强时序特征表示并切分为多个特征块，利用双重注意力模块提取特征块的全局特征和局部特征；计算各样本的异常分数；判断是否存在样本的异常分数超过预设阈值，若是，认为供热系统二次网存在异常并记录异常发生时间，否则，认为供热系统二次网不存在异常。无需依赖纯净训练样本，可精确检测到异常并定位异常发生时间。

本发明属于智能电网窃电检测隐私保护技术领域，更具体地，涉及一种基于相对熵优化的双重隐私保护电力盗窃检测方法。本方法包括：边缘服务器对本地用电数据进行分配转换得到最终转换数据；检测服务器建立检测模型，利用集成学习训练检测模型；边缘服务器将基于得到的最终转换数据上传到检测服务器，检测模型提取最终转换数据的中间特征输出到边缘服务器；边缘服务器构建后处理神经网络，通过检测模型返回的中间特征判断信息为积极或消极，确定是否发生窃电行为。本发明解决了现有技术中缺乏对用电量数据隐私性和检测模型的同步关注、在推理阶段缺乏对隐私的关注和推理效率较低和传输存储成本较高等问题。

本发明公开了一种基于限值学习的异常电量数据辨识方法。该方法首先通过异常电量数据分析得出异常电量数据的类型和鉴别算法；然后通过对OneClassSVM算法分析研究，对异常电量数据的鉴别限值进行学习，得到限值学习表，通过限值学习表校核历史数据的异常电量数据，接着通过分析基于密度的聚类算法DBSCAN算法校核历史数据中的离群值，实现基于限值学习的异常电量数据辨识；最后对同样基于密度的聚类算法LOF算法进行分析研究，结合两种基于密度的聚类算法进行实验，同时对多维数据进行离群值辨识，实现了基于密度聚类算法的多维电量数据离群值辨识。