本研究聚焦于智能电网安全中的虚假数据注入（FDIA）攻击问题，提出了一种有效的定位与检测方法，以增强电力系统的安全性与稳定性。
基于深度学习的位置检测架构（DLLD）在智能电网中的虚假数据注入攻击定位检测方面采用了一种多标签分类方法，并已被IEEE物联网杂志接受发表。引用格式为：S. Wang，S. Bi 和 Y.A Zhang，“智能电网中虚假数据注入攻击的定位检测：一种多标签分类方法”，IEEE物联网杂志，第1卷，第7期，第8218-8227页，2020年9月。
我们的研究旨在介绍论文《智能电网中虚假数据注入攻击的位置检测：多标签分类方法》中的代码和数据。我们设计了基于卷积网络的架构来处理以多个数组形式存在的数据类型。这类模态包括一维信号（如测量向量）、二维图像或音频频谱图，以及三维视频或者立体图像等。
采用这种卷积神经网络结构的原因有两个方面：首先，在这些多阵列的数据中，局部值组通常具有高度的相关性，并形成易于识别的特定模式。其次，对于像图片和信号这样的数据类型来说，它们在不同位置上的局部统计特性是不变的——即如果一个特征可以在图像的一部分出现，则它同样可能出现在其他任何地方。
因此，在处理多模态的数据时，卷积网络架构能够有效地捕捉到这些关键特性和模式，并且由于其平移不变性的特点，使其特别适合于智能电网中的虚假数据注入攻击定位检测。
5星
