CN109144987A - 基于深度学习的电力系统量测缺失值重建方法及其应用 - Google Patents
基于深度学习的电力系统量测缺失值重建方法及其应用 Download PDFInfo
- Publication number
- CN109144987A CN109144987A CN201810876299.5A CN201810876299A CN109144987A CN 109144987 A CN109144987 A CN 109144987A CN 201810876299 A CN201810876299 A CN 201810876299A CN 109144987 A CN109144987 A CN 109144987A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- reconstructing
- network
- missing values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于深度学习的电力系统量测缺失值重建方法,重建方法包括步骤:从SCADA中对量测的历史数据进行清洗挑选,得到神经网络的训练集;构建基于Wasserstein距离的改进生成式对抗网络,并且对其进行训练;选用Adam作为优化器,优化WGAN网络的隐变量,最终得到基于Wasserstein距离的改进式GAN;将含缺失值的量测数据及对应的二值掩码矩阵输入WGAN网络模型,最终得到重建后的量测数据;该方法可应用在数据清洗修正或系统遭受通信攻击时重建丢失量测值方面;本发明神经网络将自动学习到量测之间相关性、负荷波动规律等难以显式建模的复杂时空关系,保证了将重建数据作为伪量测的可行性。
Description
技术领域
本发明属于电力系统数据清洗及修复技术领域,尤其涉及一种基于深度学习的电力系统量测缺失值重建方法及其应用。
背景技术
电力系统中的海量量测装置组成了复杂的数据采集与监视控制系统SCADA。SCADA系统采集的量测数据对电力系统状态估计、电力设备评估、系统运行优化具有重要意义。特别是近年来大数据技术蓬勃发展,针对电网数据的传输、存储、分析已成为重要的研究方向。
但是,基于真实可靠的采集数据的研究结论才具有实际应用价值,才能正确反映电力系统的运行特性与客观规律。然而在SCADA系统实际运行中,数据的采集、测量、传输、转换各个环节都有可能发生故障或受到干扰,导致数据出现缺失等问题。一般而言,由于电力系统中量测配置具有一定冗余度,对于少数数据缺失的量测,在满足状态估计可观测性的前提下,以伪量测的形式作为替代,不会对状态估计精度产生太大影响,同时状态估计结果可作为缺失数据的填充。但是当量测缺失数量较多,不满足可观测性条件时,状态估计本身已无法计算,这种处理方法不再适用。也有文献通过均值填充法、热冷卡填补法、回归填充法、最近距离填充算法等数学方法修复缺失数据,但这种处理方法仅从数据分布角度分析,忽略了电力系统中量测的时序特性、不同量测点之间的相关性、量测变量之间的相关性及历史的负荷变化规律,对电力系统中量测缺失数据的重建效果并不理想。
电力系统中量测的时序特性、量测间的相关性、负荷变化规律都能作为缺失数据重建的重要依据,但难点在于这些因素之间具有复杂的时间空间关系,难以用明确的数学模型进行建模描述。
因此,基于这些问题,提供一种通过神经网络的训练以无监督的形式自动学习到数据之间复杂的分布规律,进而生成满足客观规律的新数据,从而解决数据修复问题的电力系统量测缺失值重建方法,能够解决数据分布维度高、建模复杂的问题。
发明内容
本发明的目的在于克服现有技术的不足,采用基于深度学习的方法,通过神经网络的训练以无监督的形式自动学习到数据之间复杂的分布规律,进而生成满足客观规律的新数据,从而解决数据修复问题。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于深度学习的电力系统量测缺失值重建方法,所述重建方法包括如下步骤:
(1)从数据采集与监视控制系统SCADA中,对量测的历史数据进行清洗挑选,将无缺失值及异常值的量测数据作为神经网络的训练集;
(2)构建基于Wasserstein距离的改进生成式对抗网络,并且使用训练集数据对WGAN网络进行训练;
(3)将训练完成的WGAN网络权重设为固定值,将含缺失值的量测数据以及对应的二值掩码矩阵作为WGAN网络的输入,选用Adam作为优化器,通过真实性损失及上下文损失优化WGAN网络的隐变量,最终得到基于Wasserstein距离的改进式GAN;
(4)将含缺失值的量测数据及对应的二值掩码矩阵作为步骤(3) 中得到的WGAN网络模型的输入,最终重建后的量测数据由原样本中可用部分与生成样本中缺失量测对应的部分组成。
需要指出的是,所述步骤(1)中的历史数据来自负荷节点,且负荷节点上均装有量测装置,分别采集节点电压幅值、相角、节点注入有功功率、无功功率四种数据。
其中,所述GAN网络基本结构由生成器与判别器两部分组成;所述生成器采用ReLU作为激活函数,所述判别器采用LeakyReLU作为激活函数。
所述GAN训练过程的目标函数通过Wasserstein距离衡量描述,从而得到Wasserstein距离下的优化目标。
所述二值掩码矩阵表示系统量测值是否缺失,掩码值为0表示对应量测出现缺失,掩码值为1表示量测值正常。
并且,基于深度学习的电力系统量测缺失值重建方法可应用在数据清洗修正或系统遭受通信攻击时重建丢失量测值方面。
本发明的优点和积极效果是:
1、本发明通过WGAN的无监督训练,神经网络将自动学习到量测之间相关性、负荷波动规律等难以显式建模的复杂时空关系;利用真实性约束及上下文相似性约束优化隐变量,使得训练后的生成器将能够生成高精度的重建数据;
2、本发明完全依靠数据驱动,不涉及显式建模步骤,在大量量测出现缺失的情况下仍具有较高的重建精度;
3、本发明方法所重建的数据同真实数据之间具有相似的时序特性,保证了将重建数据作为伪量测的可行性;
4、本发明的电力系统量测缺失值重建方法在应用方面,除进行数据清洗修正外,在系统遭受通信攻击时,利用WGAN重建因攻击而丢失的量测值,能保证在紧急情况下对系统状态的感知,从而提高量测系统的可靠性。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实施例提供的GAN网络结构图;
图2为本发明基于WGAN的量测缺失数据重建结构图;
图3为本发明实施例中提供的IEEE24节点标准算例;
图4为本发明的WGAN网络训练过程;
图5为本发明实施例中基于WGAN对缺失数据的重建效果图;
图6为本发明实施例中WGAN对19号节点量测缺失数据进行重建的重建结果时序图;
具体实施方式
首先,需要说明的是,以下将以示例方式来具体说明本发明的具体结构、特点和优点等,然而所有的描述仅是用来进行说明的,而不应将其理解为对本发明形成任何限制。此外,在本文所提及各实施例中予以描述或隐含的任意单个技术特征,仍然可在这些技术特征(或其等同物) 之间继续进行任意组合或删减,从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面就结合图1至图6来具体说明本发明。
实施例1
图1为本发明实施例提供的GAN网络结构图;图2为本发明基于 WGAN的量测缺失数据重建结构图;图3为本发明实施例中提供的IEEE24 节点标准算例;图4为本发明的WGAN网络训练过程;图5为本发明实施例中基于WGAN对缺失数据的重建效果图;图6为本发明实施例中WGAN 对19号节点量测缺失数据进行重建的重建结果时序图;如图1~6所示,本实施例提供的一种基于深度学习的电力系统量测缺失值重建方法,所述重建方法步骤如下:
(1)从数据采集与监视控制系统SCADA中,对量测的历史数据进行清洗挑选,将无缺失值及异常值的量测数据作为神经网络的训练集;
(2)构建基于Wasserstein距离的改进生成式对抗网络,并且使用步骤(1)中得到的训练集数据对WGAN网络进行训练;
(3)将训练完成的WGAN网络权重设为固定值,将含缺失值的量测数据以及对应的二值掩码矩阵作为WGAN网络的输入,选用Adam作为优化器,通过真实性损失及上下文损失优化WGAN网络的隐变量,最终得到基于Wasserstein距离的改进式GAN;
(4)将含缺失值的量测数据及对应的二值掩码矩阵作为步骤(3) 中得到的WGAN网络模型的输入,最终重建后的量测数据由原样本中可用部分与生成样本中缺失量测对应的部分组成。
在本实施例中以IEEE24节点标准算例为例,具体的重建过程为:
一、训练数据生成
IEEE24节点标准算例网络拓扑结构如图3所示,其中,图中有箭头的节点为负荷节点,共17个;除此之外的7个节点为联络节点。
假定17个负荷节点上均装有量测装置,分别采集节点电压幅值、相角、节点注入有功功率、无功功率四种数据。首先生成该系统的历史量测数据用于WGAN的训练。需要注意的是算例中生成的历史数据都是完整的,而在实际应用时用于训练的历史量测数据必须经过清洗以去除含缺失值及异常值的样本。
使用我国华东某地区同等规模系统90天总负荷数据(采样间隔 15min,共8640组),经适当缩放作为该算例中总负荷数据,以保证负荷波动情况与实际情况一致。仍按原算例中的各节点负荷比例,对总负荷进行分配,并添加标准差为0.05的高斯扰动,进一步模拟实际节点的负荷波动。对8640种负荷条件分别计算交流最优潮流,记录每个节点电压幅值、相角、节点注入有功、无功数据。
经上述计算,可获得8640组样本数据,按9:1比例划分训练集与测试集,训练集Xtrain维度为(7776,17,4),测试集Xtest维度为(864,17,4)。
二、WGAN神经网络构建
如图1所示,建立WGAN神经网络。生成器的详细网络参数如表1 所示,网络的输入为512维的噪声向量z(即隐变量),通过全连接层及上采样层使数据维度膨胀。考虑到SCADA量测数据为一维时序数据,使用ID卷积层对维度进行缩减。每个1D卷积层后均添加批归一化层,并且采用ReLU作为激活函数,来提高网络训练速度。输出卷积层滤波器数量为4,对应算例所述电压幅值、相角、节点注入有功功率、无功功率4类数据,各卷积层参数经过人为设计,此处的认为设计主要是要设计卷积核大小及滑动步长的组合,从而确保卷积操作后最终输出维度与算例中系统量测总数量保持一致;需要说明的是,该卷积层参数的人为设计是本领域技术人员都会的操作,属于现有技术。
表1
表2为判别器的详细网络参数,如表2所示,判别器网络与生成器网络基本对称,不同点在于卷积层的激活函数被替换为LeakyReLU以提高识别性能,网络最终输出代表输入数据属于真实量测数据的概率。
表2
三、神经网络的训练
选择历史数据中无缺失的量测数据作为训练集。设系统中共有i组量测,则相应量测值为xi。由于这些量测值之间存在某种复杂分布关系,将其设为pr(x),由上述介绍可知pr(x)难以通过显式的数学模型进行描述。设有一组噪声向量z(即隐变量),满足联合高斯分布pz(z),可通过深度神经网络建立起pz(z)与pr(x)之间的映射关系,这样通过在已知分布中采样作为输入,即可生成满足原数据分布关系的新数据。映射的建立过程通过GAN的训练实现,GAN网络基本结构如图1所示,由生成器G(z;θ(G))与判别器D(z;θ(D))两部分组成,其中θ(G)与θ(D)分别表示两种网络的权重。
在训练过程中,生成器的输入为噪声向量z,通过多层神经网络的上采样步骤,生成数据的分布规律pg(z)将逐渐拟合样本数据pr(x)。判别器与生成器同时进行训练,输入既来自生成器生成的数据,也包括真实的样本数据,通过与生成器相反的下采样步骤,最终输出关于输入数据是否为真实样本的概率pr。生成器与判别器的损失函数如下:
GAN训练过程本质上是一个二人零和博弈问题。博弈过程的目标函数为:
上述目标表明,生成器试图生成接近真实数据分布规律的数据,从而使判别器无法判断数据是否来自于真实数据,训练结束后,生成器将无监督地获得真实数据的分布规律。
具体的,以Wasserstein距离衡量描述(3)式中的优化目标,与传统的JS距离相比,采用Wasserstein距离能减轻训练过程中梯度消失的问题,提高训练稳定性。Wasserstein距离的定义为:
其中,∏(pr,pg)是以pr和pg为边缘分布的联合概率分布γ的集合, W(pr,pg)为γ(x,y)期望的下确界,含义为将pg拟合pr需要将x移动到y 的距离。由于直接计算任意分布之间的Wasserstein距离比较困难,采用其Kantorovich-Rubinstein对偶形式:
其中,f(x)为满足莱布尼兹连续的函数,其导函数绝对值存在上界。将原目标函数中的D(x)写作G(z)写作即可得到Wasserstein距离下的优化目标。
具体训练过程如图4所示,由图4可见,随着训练次数增加,神经网络已经学习到了量测数据之间的分布规律,其损失值逐渐减小,最后趋于稳定。
四、量测缺失数据重建
训练后的WGAN网络理论上能生成无限多个满足量测数据分布规律的样本,利用WGAN生成模型重建量测缺失数据,需要从所有生成样本中选择与真实情景最接近的样本。在这个步骤中,生成器、判别器的网络权重将被设为固定值,通过损失函数对噪声向量z(即隐变量)进行训练。
图2为本发明基于WGAN的量测缺失数据重建结构图,其中,图2 中左侧表示生成器的网络结构,右侧表示判别器的网络结构,当真实量测数据出现缺失时,我们通过输入隐变量生成一组量测数据,把这组量测数据和真实量测中未缺失的值做差,得到相似性损失,把生成数据整体输入判别器,得到输出的真实性损失,然后根据这两个损失反过来优化隐变量z,直到两个损失的和达到最小,这时候的隐变量z输入到生成器中,得到的输出即被认为是缺失值的最佳的填充值。
建立一个与系统量测数据维度一致的二值掩码矩阵Ms,其中二值掩码矩阵Ms的建立过程为:假如量测数据有四种,每种有17个量测点,那么就能形成一个17X4的矩阵,掩码矩阵同样是这个维度,如果有个量测值出现缺失,那么就把它对应的掩码矩阵位置值置0,否则为1;该建立二值掩码矩阵Ms的过程是本领域技术人员所熟知的,属于现有技术。将存在缺失的量测数据及矩阵Ms作为重建算法的输入,WGAN所生成的样本应该满足真实性及上下文约束。
真实性约束是指补全的量测数据能尽可能接近真实情况,设真实性损失为Lr,Lr定义为:
Lr=D(G(z;θ(G));θ(D)) (6)
式中,G(z;θ)表示生成器生成数据,D(~;θ)表示判别器网络输出,即所生成的用于数据重建的样本与真实样本之间的Wasserstein距离。
上下文约束迫使生成模型在样本空间中搜索与其他数据完整量测最相似的样本来优化隐变量,从而保证二者具有一致的上下文关系。相似性损失Ls定义为:
Ls=||G(z;θ(G))⊙Ms,I⊙Ms||2 (7)
式中,⊙为矩阵元素的乘法运算,I表示含缺失值的量测数据,以二范数度量两个矩阵的相似度。
综上,重建量测缺失数据的优化目标为
以(8)式为优化目标,采用Adam作为优化器优化隐变量,使得生成的量测值尽可能接近缺失量测值,最终重建后的量测数据由原样本中可用部分与生成样本中缺失量测对应的部分组成,即:
在测试集Xtest上,对其二值掩码矩阵Ms(17×1)随机置8个值为0,其余值为1,表示系统中对应的8组量测值出现缺失。将含缺失值的量测数据及Ms作为模型的输入,以其中一组数据为例,WGAN对缺失数据的重建效果如图5所示,图5中打叉的是缺失量测的真实值,未打叉的是所提算法的重建值,由图可见,所提方法的重建值与真实值之间非常相近,证明重建精度较高。。
五、重建误差分析
分别改变二值掩码矩阵中0值的个数,在测试集上求得重建结果的平均绝对误差(mean absolute error,MAE)、平均绝对误差百分数(mean absolute percentage error,MAPE),两指标随量测缺失个数变化情况如表3所示。
表3
由表3可见,当缺失量测数小于等于8个时,数据重建结果未发生太大变化,仍保持了较高的精度。但当系统量测缺失数量超过一半后, MAE、MAPE指标增长较快,但总体而言,对量测缺失数据的重建精度较高。
假定19号节点对应的量测在某个时刻发生物理故障,导致量测缺失。通过WGAN对该量测数据进行重建,重建结果如图6所示。由图可见节点电压幅值、相角、节点注入有功功率、无功功率四组变量的重建结果均与实际量测值具有相似的变化规律,特别是电压幅值与相角,重建结果与实际量测高度一致。这表明对于长时间缺失的量测,所提算法不仅重建精度高,还能正确反映量测时序上的变化特点。
综上,本发明针对电力系统中量测缺失问题,提出了一种基于WGAN 的缺失数据重建方法,并设计了WGAN内部的深度神经网络结构。WGAN 能以无监督训练的形式,自动学习到量测之间相关性、负荷波动规律等难以显式建模的复杂时空关系,通过改变输入的隐变量能够生成无限多个符合量测客观规律的新样本。在此基础上,输入含缺失值的量测样本,依据所提真实性约束及上下文约束,对隐变量进行优化,即可输出重建数据。由于本发明所提方法是通过所学到的相关性规律来重建数据,即便在系统中大量量测出现缺失的情况下仍能保持稳定、准确的重建效果。此外,本发明方法所重建的数据同真实数据之间具有相似的时序特性,保证了将重建数据作为伪量测的可行性。
此外,本发明的电力系统量测缺失值重建方法在应用方面,除进行数据清洗修正外,在系统遭受通信攻击时,利用WGAN重建因攻击而丢失的量测值,能保证在紧急情况下对系统状态的感知,从而提高量测系统的可靠性。
以上实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于深度学习的电力系统量测缺失值重建方法,其特征在于:所述重建方法包括如下步骤:
(1)从数据采集与监视控制系统SCADA中,对量测的历史数据进行清洗挑选,将无缺失值及异常值的量测数据作为神经网络的训练集;
(2)构建基于Wasserstein距离的改进生成式对抗网络,并且使用训练集数据对WGAN网络进行训练;
(3)将训练完成的WGAN网络权重设为固定值,将含缺失值的量测数据以及对应的二值掩码矩阵作为WGAN网络的输入,选用Adam作为优化器,通过真实性损失及上下文损失优化WGAN网络的隐变量,最终得到基于Wasserstein距离的改进式GAN;
(4)将含缺失值的量测数据及对应的二值掩码矩阵作为步骤(3)中得到的WGAN网络模型的输入,最终重建后的量测数据由原样本中可用部分与生成样本中缺失量测对应的部分组成。
2.根据权利要求1所述的一种基于深度学习的电力系统量测缺失值重建方法,其特征在于:所述步骤(1)中的历史数据来自负荷节点,且负荷节点上均装有量测装置,分别采集节点电压幅值、相角、节点注入有功功率、无功功率四种数据。
3.根据权利要求1所述的一种基于深度学习的电力系统量测缺失值重建方法,其特征在于:所述GAN网络基本结构由生成器与判别器两部分组成。
4.根据权利要求3所述的一种基于深度学习的电力系统量测缺失值重建方法,其特征在于:所述生成器采用ReLU作为激活函数,所述判别器采用LeakyReLU作为激活函数。
5.根据权利要求3所述的一种基于深度学习的电力系统量测缺失值重建方法,其特征在于:所述GAN训练过程的目标函数通过Wasserstein距离衡量描述,从而得到Wasserstein距离下的优化目标。
6.根据权利要求1所述的一种基于深度学习的电力系统量测缺失值重建方法,其特征在于:所述二值掩码矩阵表示系统量测值是否缺失,掩码值为0表示对应量测出现缺失,掩码值为1表示量测值正常。
7.权利要求1-6任一项所述的基于深度学习的电力系统量测缺失值重建方法在数据清洗修正或系统遭受通信攻击时重建丢失量测值方面的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876299.5A CN109144987A (zh) | 2018-08-03 | 2018-08-03 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876299.5A CN109144987A (zh) | 2018-08-03 | 2018-08-03 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109144987A true CN109144987A (zh) | 2019-01-04 |
Family
ID=64791477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876299.5A Pending CN109144987A (zh) | 2018-08-03 | 2018-08-03 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144987A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN110569881A (zh) * | 2019-08-12 | 2019-12-13 | 北京智芯原动科技有限公司 | 基于卷积神经网络的数据增广方法及装置 |
CN110929399A (zh) * | 2019-11-21 | 2020-03-27 | 国网江苏省电力有限公司南通供电分公司 | 基于BIRCH聚类和Wasserstein距离的风电出力典型场景生成方法 |
CN111008455A (zh) * | 2019-11-01 | 2020-04-14 | 国网河南省电力公司电力科学研究院 | 一种中期风电场景生成方法和系统 |
CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111461984A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于压缩感知的负荷预测方法 |
CN111555368A (zh) * | 2020-05-15 | 2020-08-18 | 广西大学 | 一种综合能源系统的深度生成式对抗网络调度与控制方法 |
CN111581189A (zh) * | 2020-03-27 | 2020-08-25 | 浙江大学 | 一种空气质量检测数据缺失的补全方法及补全装置 |
CN111756049A (zh) * | 2020-06-18 | 2020-10-09 | 国网浙江省电力有限公司电力科学研究院 | 计及配电网实时量测信息缺失的数据驱动无功优化方法 |
CN111881565A (zh) * | 2020-07-17 | 2020-11-03 | 特变电工新疆新能源股份有限公司 | 一种光伏组件过程数据重建方法 |
CN112287562A (zh) * | 2020-11-18 | 2021-01-29 | 国网新疆电力有限公司经济技术研究院 | 一种电力设备退役数据补全方法及系统 |
CN112395737A (zh) * | 2020-10-09 | 2021-02-23 | 湖南工业大学 | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 |
CN112542848A (zh) * | 2020-11-02 | 2021-03-23 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种特高压柔性直流输电系统状态估计方法及装置 |
CN113065218A (zh) * | 2021-05-13 | 2021-07-02 | 南京工程学院 | 考虑lr攻击的电力系统可靠性评估方法、装置及系统 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN114217132A (zh) * | 2021-11-11 | 2022-03-22 | 江苏弈赫能源科技有限公司 | 一种基于wgan的电力系统谐波规律计算方法 |
CN114330486A (zh) * | 2021-11-18 | 2022-04-12 | 河海大学 | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 |
CN114611590A (zh) * | 2022-03-01 | 2022-06-10 | 浙江大学 | 一种基于图神经网络的电力系统缺失数据重建方法及系统 |
CN114860709A (zh) * | 2022-05-20 | 2022-08-05 | 昆明理工大学 | 一种基于Bi-GAN的电力系统缺失值填补方法 |
CN114972082A (zh) * | 2022-05-13 | 2022-08-30 | 天津大学 | 一种对高比例负荷缺失数据的恢复与评估方法 |
CN115146827A (zh) * | 2022-06-08 | 2022-10-04 | 国网江苏省电力有限公司淮安供电分公司 | 一种考虑量测缺失的配电网在线优化方法 |
CN115374957A (zh) * | 2022-06-22 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 一种径流式小水电多尺度缺失量测数据重建方法 |
US11544522B2 (en) * | 2018-12-06 | 2023-01-03 | University Of Tennessee Research Foundation | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network |
CN116579382A (zh) * | 2023-02-21 | 2023-08-11 | 上海交通大学 | 基于生成对抗网络的微型pmu量测数据补全系统及训练方法 |
CN116933022A (zh) * | 2023-09-14 | 2023-10-24 | 国网江苏省电力有限公司苏州供电分公司 | 多源负载设备数据智能同步对齐预处理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164825A1 (en) * | 2010-12-27 | 2014-06-12 | Netapp, Inc. | Identifying lost write errors in a raid array |
CN107563510A (zh) * | 2017-08-14 | 2018-01-09 | 华南理工大学 | 一种基于深度卷积神经网络的wgan模型方法 |
-
2018
- 2018-08-03 CN CN201810876299.5A patent/CN109144987A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164825A1 (en) * | 2010-12-27 | 2014-06-12 | Netapp, Inc. | Identifying lost write errors in a raid array |
CN107563510A (zh) * | 2017-08-14 | 2018-01-09 | 华南理工大学 | 一种基于深度卷积神经网络的wgan模型方法 |
Non-Patent Citations (2)
Title |
---|
张东英等: ""风电场有功功率异常运行数据重构方法"", 《电力系统自动化》 * |
王坤峰等: ""生成式对抗网络 GAN 的研究进展与展望"", 《自动化学报》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11544522B2 (en) * | 2018-12-06 | 2023-01-03 | University Of Tennessee Research Foundation | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN110212528B (zh) * | 2019-06-19 | 2021-05-07 | 华北电力大学 | 一种配电网量测数据缺失重构方法 |
CN110569881A (zh) * | 2019-08-12 | 2019-12-13 | 北京智芯原动科技有限公司 | 基于卷积神经网络的数据增广方法及装置 |
CN110569881B (zh) * | 2019-08-12 | 2022-03-22 | 北京智芯原动科技有限公司 | 基于卷积神经网络的数据增广方法及装置 |
CN111008455A (zh) * | 2019-11-01 | 2020-04-14 | 国网河南省电力公司电力科学研究院 | 一种中期风电场景生成方法和系统 |
CN111008455B (zh) * | 2019-11-01 | 2021-09-07 | 国网河南省电力公司电力科学研究院 | 一种中期风电场景生成方法和系统 |
CN110929399A (zh) * | 2019-11-21 | 2020-03-27 | 国网江苏省电力有限公司南通供电分公司 | 基于BIRCH聚类和Wasserstein距离的风电出力典型场景生成方法 |
CN111046027B (zh) * | 2019-11-25 | 2023-07-25 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111581189A (zh) * | 2020-03-27 | 2020-08-25 | 浙江大学 | 一种空气质量检测数据缺失的补全方法及补全装置 |
CN111461984B (zh) * | 2020-03-30 | 2022-06-14 | 华南理工大学 | 一种基于压缩感知的负荷预测方法 |
CN111461984A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于压缩感知的负荷预测方法 |
CN111555368B (zh) * | 2020-05-15 | 2022-12-06 | 广西大学 | 一种综合能源系统的深度生成式对抗网络调度与控制方法 |
CN111555368A (zh) * | 2020-05-15 | 2020-08-18 | 广西大学 | 一种综合能源系统的深度生成式对抗网络调度与控制方法 |
CN111756049A (zh) * | 2020-06-18 | 2020-10-09 | 国网浙江省电力有限公司电力科学研究院 | 计及配电网实时量测信息缺失的数据驱动无功优化方法 |
CN111881565A (zh) * | 2020-07-17 | 2020-11-03 | 特变电工新疆新能源股份有限公司 | 一种光伏组件过程数据重建方法 |
CN111881565B (zh) * | 2020-07-17 | 2024-03-22 | 特变电工新疆新能源股份有限公司 | 一种光伏组件过程数据重建方法 |
CN112395737A (zh) * | 2020-10-09 | 2021-02-23 | 湖南工业大学 | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 |
CN112542848A (zh) * | 2020-11-02 | 2021-03-23 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种特高压柔性直流输电系统状态估计方法及装置 |
CN112287562A (zh) * | 2020-11-18 | 2021-01-29 | 国网新疆电力有限公司经济技术研究院 | 一种电力设备退役数据补全方法及系统 |
CN112287562B (zh) * | 2020-11-18 | 2023-03-10 | 国网新疆电力有限公司经济技术研究院 | 一种电力设备退役数据补全方法及系统 |
CN113065218A (zh) * | 2021-05-13 | 2021-07-02 | 南京工程学院 | 考虑lr攻击的电力系统可靠性评估方法、装置及系统 |
CN113065218B (zh) * | 2021-05-13 | 2024-02-13 | 南京工程学院 | 考虑lr攻击的电力系统可靠性评估方法、装置及系统 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN114217132A (zh) * | 2021-11-11 | 2022-03-22 | 江苏弈赫能源科技有限公司 | 一种基于wgan的电力系统谐波规律计算方法 |
CN114330486A (zh) * | 2021-11-18 | 2022-04-12 | 河海大学 | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 |
CN114611590A (zh) * | 2022-03-01 | 2022-06-10 | 浙江大学 | 一种基于图神经网络的电力系统缺失数据重建方法及系统 |
CN114972082A (zh) * | 2022-05-13 | 2022-08-30 | 天津大学 | 一种对高比例负荷缺失数据的恢复与评估方法 |
CN114860709A (zh) * | 2022-05-20 | 2022-08-05 | 昆明理工大学 | 一种基于Bi-GAN的电力系统缺失值填补方法 |
CN115146827B (zh) * | 2022-06-08 | 2023-11-03 | 国网江苏省电力有限公司淮安供电分公司 | 一种考虑量测缺失的配电网在线优化方法 |
CN115146827A (zh) * | 2022-06-08 | 2022-10-04 | 国网江苏省电力有限公司淮安供电分公司 | 一种考虑量测缺失的配电网在线优化方法 |
CN115374957A (zh) * | 2022-06-22 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 一种径流式小水电多尺度缺失量测数据重建方法 |
CN115374957B (zh) * | 2022-06-22 | 2024-02-27 | 国网浙江省电力有限公司丽水供电公司 | 一种径流式小水电多尺度缺失量测数据重建方法 |
CN116579382A (zh) * | 2023-02-21 | 2023-08-11 | 上海交通大学 | 基于生成对抗网络的微型pmu量测数据补全系统及训练方法 |
CN116933022A (zh) * | 2023-09-14 | 2023-10-24 | 国网江苏省电力有限公司苏州供电分公司 | 多源负载设备数据智能同步对齐预处理方法及系统 |
CN116933022B (zh) * | 2023-09-14 | 2024-01-23 | 国网江苏省电力有限公司苏州供电分公司 | 多源负载设备数据智能同步对齐预处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109144987A (zh) | 基于深度学习的电力系统量测缺失值重建方法及其应用 | |
CN110597240B (zh) | 一种基于深度学习的水轮发电机组故障诊断方法 | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN109614981A (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN103136598B (zh) | 基于小波分析的月度电力负荷计算机预测方法 | |
CN110161343A (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN113688869B (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
Niu et al. | Research on short-term power load time series forecasting model based on BP neural network | |
CN113283175A (zh) | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 | |
CN105005708B (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
CN114444013A (zh) | 一种基于对抗博弈的配电网大数据修复方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN114219216B (zh) | 一种电力系统的运行调度方法、系统、装置及介质 | |
CN112613542B (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
CN113569928A (zh) | 一种列车运行状态检测数据缺失处理模型及重建的方法 | |
CN102034111A (zh) | 一种对飞行器结构损伤状态进行多元化识别与检测的方法 | |
Li et al. | Fault identification in power network based on deep reinforcement learning | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
Yang et al. | Generative wind power curve modeling via machine vision: a deep convolutional network method with data-synthesis-informed-training | |
Wang et al. | Research on ultra-short term forecasting technology of wind power output based on various meteorological factors | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Chen et al. | Short-term Wind Speed Prediction with Master-slave Performance Based on CNN-LSTM and Improved POABP. | |
CN108537581A (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |