买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉青岛理工大学;山东省计算中心(国家超级计算济南中心)申请的专利一种面向风电功率预测的FDI攻击检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118916806B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410929974.1，技术领域涉及：G06F18/2433；该发明授权一种面向风电功率预测的FDI攻击检测方法是由焦绪国;赵鑫鑫;王鑫;杨明;吴晓明;韩晔飞;田艳兵;张民;周晓燕设计研发完成，并于2024-07-11向国家知识产权局提交的专利申请。

本一种面向风电功率预测的FDI攻击检测方法在说明书摘要公布了：本发明公开了一种面向风电功率预测的FDI攻击检测方法，属于风电功率预测技术领域，所述方法包括：获取待检测的风电功率数据，得到待检测数据集；借鉴k折交叉验证的思想对所述待检测数据集进行初步划分，将其均分为k个子集；在每一轮迭代中，轮流选取其中一个子集作为测试集；使用训练完成的SAE对各测试集进行测试，计算SAE重构后的各测试集数据的重构误差；若满足公式：σσ0，且Rmaxμ+hσ，则将Rmax对应的具有最大重构误差的测试集标记为被攻击数据，并从所述待检测数据集中移除，原本的k折交叉验证相应地转变为k‑1折交叉验证，转至步骤S103。本发明能够增强风电预测模型的鲁棒性，提高风电厂的经济效益和电网的稳定性。

本发明授权一种面向风电功率预测的FDI攻击检测方法在权利要求书中公布了：1.一种面向风电功率预测的FDI攻击检测方法，其特征在于，包括： 步骤S101：获取待检测的风电功率数据，得到待检测数据集； 步骤S102：借鉴k折交叉验证的思想对所述待检测数据集进行初步划分，将其均分为k个子集； 步骤S103：在每一轮迭代中，轮流选取其中一个子集作为测试集；所述步骤S102中，k为10； 和或，所述步骤S103包括： 利用滑动窗口技术对测试集数据进行细分，确保样本数量M按照以下公式确定： 其中，代表数据集的总数据量，代表滑动窗口大小，移动步长，表示向下取整操作，确保得到的样本数量是整数； 步骤S104：使用训练完成的SAE对各测试集进行测试，计算SAE重构后的各测试集数据的重构误差； 步骤S105：若满足公式： ，且 式中，为各测试集数据的重构误差的标准差，为预设阈值，为各测试集数据的重构误差的最大值，为各测试集数据的重构误差的均值，为预设系数； 则将对应的具有最大重构误差的测试集标记为被攻击数据，并从所述待检测数据集中移除，原本的k折交叉验证相应地转变为k-1折交叉验证，转至步骤S103； SAE的训练过程包括： 步骤A1：获取风电功率数据样本，得到原始数据集； 步骤A2：对所述原始数据集中的部分数据进行缩放攻击； 步骤A3：利用缩放攻击后的数据集，结合k折交叉验证，对SAE进行训练； 所述步骤A2中，对所述原始数据集中15%-30%的数据进行缩放攻击，所述缩放攻击的缩放因子为0.3-0.5； 所述步骤A3包括： 步骤A31：借鉴k折交叉验证的思想对所述缩放攻击后的数据集进行初步划分，将其均分为k个子集； 步骤A32：在每一轮迭代中，轮流选取其中一个子集作为测试集，而将其余的k-1个子集合并构成训练集，利用滑动窗口技术对训练集和测试集数据进一步细分后训练所述SAE； 进一步地，SAE的训练与测试使用的损失函数L包括成本函数和稀疏性惩罚： 表示成本函数，使用均方误差作为误差度量： 其中，代表训练集的大小，表示第个训练集数据，表示重构的第个训练集数据； 是稀疏参数，是隐藏层单元的平均激活，是隐藏层激活的期望值，是Kullback-Leibler散度，其表达式为： 所述步骤S105之后还包括： 步骤S106：将所有已标记的被攻击数据输入到训练完成的DAE中，进行被攻击数据恢复； DAE的训练过程包括： 步骤B1：获取风电功率数据样本，得到未被攻击的原始数据集； 步骤B2：对原始数据集添加标准正态分布的噪声，得到训练数据集； 步骤B3：利用所述训练数据集训练所述DAE； 所述步骤B2中，所述噪声为0.1-0.3倍标准正态分布的噪声； 和或，所述步骤B3中，将所述训练数据集的80%用于训练所述DAE，剩余的20%用于测试模型恢复数据的能力。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人青岛理工大学;山东省计算中心(国家超级计算济南中心)，其通讯地址为：266000 山东省青岛市市北区抚顺路11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。