[发明专利]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

权利要求书

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度量指标计算式，如下式所示：

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。

6.根据权利要求3所述的方法，其特征在于，所述回归模型的鲁棒性度量指标计算式，如下式所示：

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。

7.根据权利要求1所述的方法，其特征在于，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：

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；

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；

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。

8.根据权利要求1所述的方法，其特征在于，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：

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。