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
发布时间：2021-08-27 18:03
传统的数据缺失重构技术大多依赖数理统计方法和先验知识结合机理分析构建数学模型,但是配电网量测数据具有高维、时变、非线性特征,复杂度高、表征难度大,难以保证高精度重构。文中提出一种利用无监督生成对抗训练方式自主提取数据特征并结合双重语义感知重构约束实现数据缺失重构的方法。其中,基于二维卷积的重构模型和量测数据二维灰度图像化训练增强了模型泛化能力和稳定性。该方法无需先验知识的分布假设与显式物理建模,在保证数据特征提取最大化的同时,有效提高了重构数据的精确性。最后,利用实测数据验证了该方法在重构缺失数据上的有效性。
【文章来源】：电力系统自动化. 2020,44(18)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
基于GAN和双重语义感知的数据缺失重构网络结构
模型对量测数据缺失重构过程如图3所示。考虑工业实测数据缺失情况复杂，不同缺失量和缺失位置对重构效果会产生不一样的影响，因此首先需采用合适的手段描述数据的缺失情况。实验中构建了一个与配电网量测数据维度一致的二值掩码矩阵M(mask），其中1表示要保留的数据，0表示缺失数据。同样取真实完整的量测数据为测试数据，进行与训练数据相同的归一化和二维重构操作。取其中样例x与M做哈达玛积（Hadamard product）运算，构成含缺失值的数据X，即X=M⊙x。通过上述方式描述数据缺失情况，以精确可靠地量化不同缺失情况对模型缺失重构效果的影响。
将结合模型对量测数据特征提取来介绍GM与DM的内部结构及参数设置，模型架构见图2。对训练数据采取二维变换转为灰度图，通过2D-CNN模型及GAN的对抗训练获取训练数据的分布描述。根据实验算例数据维度大小，GM和DM都采用了2层的CNN进行特征提取，其详细网络结构设计如附录A表A1和表A2所示。
【参考文献】：
期刊论文
[1]Survey on synchrophasor data quality and cybersecurity challenges, and evaluation of their interdependencies[J]. Aditya SUNDARARAJAN,Tanwir KHAN,Amir MOGHADASI,Arif I.SARWAT. Journal of Modern Power Systems and Clean Energy. 2019(03)
[2]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[3]Transition towards higher penetration of renewables: an overview of interlinked technical, environmental and socio-economic challenges[J]. Xinyu CHEN,Michael B.MCELROY,Qiuwei WU,Yinbiao SHU,Yusheng XUE. Journal of Modern Power Systems and Clean Energy. 2019(01)
[4]人工智能在电力系统及综合能源系统中的应用综述[J]. 杨挺,赵黎媛,王成山. 电力系统自动化. 2019(01)
[5]基于改进CGAN的电力系统暂态稳定评估样本增强方法[J]. 谭本东,杨军,赖秋频,谢培元,李军,徐箭. 电力系统自动化. 2019(01)
[6]采用改进生成式对抗网络的电力系统量测缺失数据重建方法[J]. 王守相,陈海文,潘志新,王建明. 中国电机工程学报. 2019(01)
[7]LSTM在输变电设备缺失值填补中的应用[J]. 辜超,白德盟,王晶,闫丹凤. 电测与仪表. 2019(05)
[8]结合迁移学习与深度卷积网络的心电分类研究[J]. 查雪帆,杨丰,吴俣南,刘颖,袁绍锋. 中国医学物理学杂志. 2018(11)
[9]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
[10]协作式生成对抗网络[J]. 张龙,赵杰煜,叶绪伦,董伟. 自动化学报. 2018(05)
本文编号：3366830
【文章来源】：电力系统自动化. 2020,44(18)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
基于GAN和双重语义感知的数据缺失重构网络结构
模型对量测数据缺失重构过程如图3所示。考虑工业实测数据缺失情况复杂，不同缺失量和缺失位置对重构效果会产生不一样的影响，因此首先需采用合适的手段描述数据的缺失情况。实验中构建了一个与配电网量测数据维度一致的二值掩码矩阵M(mask），其中1表示要保留的数据，0表示缺失数据。同样取真实完整的量测数据为测试数据，进行与训练数据相同的归一化和二维重构操作。取其中样例x与M做哈达玛积（Hadamard product）运算，构成含缺失值的数据X，即X=M⊙x。通过上述方式描述数据缺失情况，以精确可靠地量化不同缺失情况对模型缺失重构效果的影响。
将结合模型对量测数据特征提取来介绍GM与DM的内部结构及参数设置，模型架构见图2。对训练数据采取二维变换转为灰度图，通过2D-CNN模型及GAN的对抗训练获取训练数据的分布描述。根据实验算例数据维度大小，GM和DM都采用了2层的CNN进行特征提取，其详细网络结构设计如附录A表A1和表A2所示。
【参考文献】：
期刊论文
[1]Survey on synchrophasor data quality and cybersecurity challenges, and evaluation of their interdependencies[J]. Aditya SUNDARARAJAN,Tanwir KHAN,Amir MOGHADASI,Arif I.SARWAT. Journal of Modern Power Systems and Clean Energy. 2019(03)
[2]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[3]Transition towards higher penetration of renewables: an overview of interlinked technical, environmental and socio-economic challenges[J]. Xinyu CHEN,Michael B.MCELROY,Qiuwei WU,Yinbiao SHU,Yusheng XUE. Journal of Modern Power Systems and Clean Energy. 2019(01)
[4]人工智能在电力系统及综合能源系统中的应用综述[J]. 杨挺,赵黎媛,王成山. 电力系统自动化. 2019(01)
[5]基于改进CGAN的电力系统暂态稳定评估样本增强方法[J]. 谭本东,杨军,赖秋频,谢培元,李军,徐箭. 电力系统自动化. 2019(01)
[6]采用改进生成式对抗网络的电力系统量测缺失数据重建方法[J]. 王守相,陈海文,潘志新,王建明. 中国电机工程学报. 2019(01)
[7]LSTM在输变电设备缺失值填补中的应用[J]. 辜超,白德盟,王晶,闫丹凤. 电测与仪表. 2019(05)
[8]结合迁移学习与深度卷积网络的心电分类研究[J]. 查雪帆,杨丰,吴俣南,刘颖,袁绍锋. 中国医学物理学杂志. 2018(11)
[9]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
[10]协作式生成对抗网络[J]. 张龙,赵杰煜,叶绪伦,董伟. 自动化学报. 2018(05)
本文编号：3366830
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3366830.html
