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

• 作者: 潘志新 王守相 王建明 陈海文
• 来源期刊: 中国电机工程学报
• 学科: 工学
• 关键词: 电力系统量测 生成式对抗网络 缺失数据重建 卷积神经网络 时序特性
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 新一代人工智能在智能电网和能源互联网中的应用
• 页码范围: 56-64
• 页数: 9页
• 分类号: TM71
• 语种: 中文
• DOI: 10.13334/j.0258-8013.pcsee.181282

摘要

量测数据的采集、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.传统重建方法仅考虑单一数据分布规律,忽略了电力系统中量测点、采集变量之间的相关性及历史的负荷变化规律,重建精度低.该文提出了基于改进生成式对抗网络(wasserstein generative adversarial networks,WGAN)的量测缺失值重建方法,并设计了适用于该问题的WGAN网络结构.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.文中方法完全依靠数据驱动,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.算例中分析了量测缺失数量与重建误差之间的关系,证明了文中方法性能稳定.对于算例中长期缺失的特定量测,文中方法所重建的数据能够体现量测真实的时序特性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王守相		96	5815	36.0	76.0
2	王建明		3	13	1.0	3.0
3	陈海文		6	8	1.0	2.0
4	潘志新		2	0	0.0	0.0