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！

龙图腾网获悉华北电力大学申请的专利一种基于自适应时空图神经网络的电网虚假数据注入攻击定位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：CN119696841B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411749093.8，技术领域涉及：H04L9/40；该发明授权一种基于自适应时空图神经网络的电网虚假数据注入攻击定位方法是由吴思行;亓泽辉;李建彬设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本一种基于自适应时空图神经网络的电网虚假数据注入攻击定位方法在说明书摘要公布了：本发明公开了属于智能电网安全技术领域，特别涉及一种基于自适应时空图神经网络的电网虚假数据注入攻击定位方法，包括：生成优化的重连接邻接矩阵，实现自适应邻域选择；利用改进的Transformer模块进行全局特征融合；将节点的自嵌入输入时空特征融合模块，将获得的所有节点嵌入拼接，输入至改进的Transformer模块融合多源特征，获得最终节点总嵌入并输入至分类层判断节点异常，实现电网虚假数据注入攻击定位。在考虑电网数据的时间依赖性和空间关联性的同时，改善GNN在低同质性图数据中表现；综合自适应邻域选择和时空特征融合，提高检测与定位攻击效果。

本发明授权一种基于自适应时空图神经网络的电网虚假数据注入攻击定位方法在权利要求书中公布了：1.一种基于自适应时空图神经网络的电网虚假数据注入攻击定位方法，其特征在于，包括如下步骤： 步骤S1、获取电网的运行数据，将电网建模为图，获取图结构数据，引入滑动窗口机制，生成历史数据的图结构时间序列XInput； 步骤S2、基于图结构时间序列XInput，将图结构学习和节点嵌入相结合，生成优化的重连接邻接矩阵A*，实现自适应邻域选择； 步骤S3、基于图结构时间序列XInput，利用改进的Transformer模块进行全局特征融合，获得融合后的特征向量Xfusion；将融合后的特征向量Xfusion与原始特征向量Xo连接作为节点的自嵌入Xego； 步骤S4、将节点的自嵌入Xego与时空特征融合模块输出的邻居嵌入作拼接，获得连接的节点的总嵌入XC；所述时空特征融合模块输出的邻居嵌入包括：重连接邻居嵌入和节点的邻居嵌入和 步骤S5、将连接的节点的总嵌入XC输入至改进的Transformer模块，融合多源特征，获得最终节点嵌入Xout，将最终节点嵌入Xout输入至分类层判断节点异常，实现电网虚假数据注入攻击定位； 所述步骤S2中的将图结构学习和节点嵌入相结合，生成优化的重连接邻接矩阵A*包括： 输入历史数据的图结构时间序列XInput，采用改进的多头自注意力机制来计算节点之间的注意力得分，联合应用K近邻和最小阈值方法，选择关注分数最高的节点作为目标节点的新相邻节点，生成优化的重连接邻接矩阵A*； 所述优化的重连接邻接矩阵A*为：稀疏的且可靠的重连接邻接矩阵； 所述改进的多头自注意力机制为： Qi＝XWiQ1 S＝Meanhead1,head2,…,headn3 式中，Qi是由X线性变换得到的查询矩阵，X表示节点特征矩阵，WiQ是第i个头i＝1,…,n的可学习权重矩阵；表示归一化后的Qi；为的转置矩阵；式2计算矩阵Qi中每对行向量之间的余弦得分，生成余弦得分矩阵headi∈Rn×n；Mean表示将所有注意力头的得分矩阵进行Mean取平均操作，得到对称的注意力得分矩阵S∈Rn×n，其中元素Sij的取值范围在[-1,1]之间； 所述将节点的自嵌入Xego与时空特征融合模块输出的邻居嵌入作拼接，获得连接的节点的总嵌入XC包括： 采用时序卷积网络对输入时间序列数据跨时间步提取特征； 采用带有门控机制的扩展因果卷积，从而有效获取数据的长时间依赖关系； 利用扩展因果卷积，引入扩展因子，对于dilation＝[1,2,4]的扩展因果卷积网络，每层的卷积个数不变，在下一层进行卷积扩展； 引入门控机制，定义门控时间卷积层： 式中，初始输入为自嵌入Xego，σ表示sigmoid激活函数，和分别为用于生成主特征信号和生成门控信号的卷积核参数，bl+1和cl+1为对应的偏置项，⊙为元素级点乘，★表示扩展因果卷积，为第l层在时间步t的输入特征张量； 在时间步t时刻的卷积核可学习参数与的卷积运算表示为： 式中，M为卷积核长度大小；是卷积核中第s个参数；d为扩展因子，其大小控制着跳跃距离，即每d步就选择一个输入； 时间卷积模块的最终输出Xt作为空间特征提取模块的输入，使用初始邻接矩阵A来进行特征聚合： 式中，k＝1,2,…,K，表示特征聚合的次数，表示带有自环的标准化邻接矩阵，D＝diagA+I1n是带有自环的A的度矩阵，I∈Rn×n为单位矩阵；和定义为节点的邻居嵌入； 利用生成的重连接邻接矩阵A*来进行特征聚合： 式中，是标准化的A*，D*＝diagA*1n是A*的度矩阵，将特征聚合的结果称为重连接邻居嵌入； 将自嵌入、重连接邻居嵌入和节点邻居嵌入相连接作节点的总嵌入XC： 对XC进行Dropout，生成一个可学习的权重向量w,权重向量w维度与XC的输出维度相同，将权重向量w与XC进行Hadamard积运算，以突出XC的重要特征维度： Xout＝ReLUw⊙XC19。

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华北电力大学，其通讯地址为：102206 北京市昌平区回龙观北农路2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”。

以上内容由龙图腾AI智能生成。