傳統(tǒng)的數(shù)據(jù)缺失重構(gòu)技術(shù)大多依賴數(shù)理統(tǒng)計(jì)方法和先驗(yàn)知識(shí)結(jié)合機(jī)理分析構(gòu)建數(shù)學(xué)模型,但是配電網(wǎng)量測(cè)數(shù)據(jù)具有高維、時(shí)變、非線性特征,復(fù)雜度高、表征難度大,難以保證高精度重構(gòu)。文中提出一種利用無監(jiān)督生成對(duì)抗訓(xùn)練方式自主提取數(shù)據(jù)特征并結(jié)合雙重語義感知重構(gòu)約束實(shí)現(xiàn)數(shù)據(jù)缺失重構(gòu)的方法。其中,基于二維卷積的重構(gòu)模型和量測(cè)數(shù)據(jù)二維灰度圖像化訓(xùn)練增強(qiáng)了模型泛化能力和穩(wěn)定性。該方法無需先驗(yàn)知識(shí)的分布假設(shè)與顯式物理建模,在保證數(shù)據(jù)特征提取最大化的同時(shí),有效提高了重構(gòu)數(shù)據(jù)的精確性。最后,利用實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該方法在重構(gòu)缺失數(shù)據(jù)上的有效性。 

【文章來源】：電力系統(tǒng)自動(dòng)化. 2020,44(18)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

基于GAN和雙重語義感知的數(shù)據(jù)缺失重構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)

模型對(duì)量測(cè)數(shù)據(jù)缺失重構(gòu)過程如圖3所示�？紤]工業(yè)實(shí)測(cè)數(shù)據(jù)缺失情況復(fù)雜，不同缺失量和缺失位置對(duì)重構(gòu)效果會(huì)產(chǎn)生不一樣的影響，因此首先需采用合適的手段描述數(shù)據(jù)的缺失情況。實(shí)驗(yàn)中構(gòu)建了一個(gè)與配電網(wǎng)量測(cè)數(shù)據(jù)維度一致的二值掩碼矩陣M(mask），其中1表示要保留的數(shù)據(jù)，0表示缺失數(shù)據(jù)。同樣取真實(shí)完整的量測(cè)數(shù)據(jù)為測(cè)試數(shù)據(jù)，進(jìn)行與訓(xùn)練數(shù)據(jù)相同的歸一化和二維重構(gòu)操作。取其中樣例x與M做哈達(dá)瑪積（Hadamard product）運(yùn)算，構(gòu)成含缺失值的數(shù)據(jù)X，即X=M⊙x。通過上述方式描述數(shù)據(jù)缺失情況，以精確可靠地量化不同缺失情況對(duì)模型缺失重構(gòu)效果的影響。

將結(jié)合模型對(duì)量測(cè)數(shù)據(jù)特征提取來介紹GM與DM的內(nèi)部結(jié)構(gòu)及參數(shù)設(shè)置，模型架構(gòu)見圖2。對(duì)訓(xùn)練數(shù)據(jù)采取二維變換轉(zhuǎn)為灰度圖，通過2D-CNN模型及GAN的對(duì)抗訓(xùn)練獲取訓(xùn)練數(shù)據(jù)的分布描述。根據(jù)實(shí)驗(yàn)算例數(shù)據(jù)維度大小，GM和DM都采用了2層的CNN進(jìn)行特征提取，其詳細(xì)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如附錄A表A1和表A2所示。

【參考文獻(xiàn)】：
期刊論文
[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]深度學(xué)習(xí)在智能電網(wǎng)中的應(yīng)用現(xiàn)狀分析與展望[J]. 周念成,廖建權(quán),王強(qiáng)鋼,李春艷,李劍.  電力系統(tǒng)自動(dòng)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]人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中的應(yīng)用綜述[J]. 楊挺,趙黎媛,王成山.  電力系統(tǒng)自動(dòng)化. 2019(01)
[5]基于改進(jìn)CGAN的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估樣本增強(qiáng)方法[J]. 譚本東,楊軍,賴秋頻,謝培元,李軍,徐箭.  電力系統(tǒng)自動(dòng)化. 2019(01)
[6]采用改進(jìn)生成式對(duì)抗網(wǎng)絡(luò)的電力系統(tǒng)量測(cè)缺失數(shù)據(jù)重建方法[J]. 王守相,陳海文,潘志新,王建明.  中國電機(jī)工程學(xué)報(bào). 2019(01)
[7]LSTM在輸變電設(shè)備缺失值填補(bǔ)中的應(yīng)用[J]. 辜超,白德盟,王晶,閆丹鳳.  電測(cè)與儀表. 2019(05)
[8]結(jié)合遷移學(xué)習(xí)與深度卷積網(wǎng)絡(luò)的心電分類研究[J]. 查雪帆,楊豐,吳俁南,劉穎,袁紹鋒.  中國醫(yī)學(xué)物理學(xué)雜志. 2018(11)
[9]人工智能研究的新前線:生成式對(duì)抗網(wǎng)絡(luò)[J]. 林懿倫,戴星原,李力,王曉,王飛躍.  自動(dòng)化學(xué)報(bào). 2018(05)
[10]協(xié)作式生成對(duì)抗網(wǎng)絡(luò)[J]. 張龍,趙杰煜,葉緒倫,董偉.  自動(dòng)化學(xué)報(bào). 2018(05)



本文編號(hào)：3366830