基于两阶段数据增强和双向深度残差TCN的用户负荷曲线分类方法

• 作者: 张杰 刘洋 李文峰 王磊 许立雄
• 来源期刊: 电力建设
• 学科: 工学
• 关键词: 负荷分类 时间卷积网络(TCN) 生成对抗网络 低秩张量补全 类别不平衡 数据缺失
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 智能电网|Smart Grid
• 页码范围: 89-97
• 页数: 9页
• 分类号: TM714
• 语种: 中文
• DOI: 10.12204/j.issn.1000-7229.2022.02.011

摘要

深度挖掘用户负荷规律并感知用电行为对于提升电网服务质量、改善用户用能体验具有重要意义.针对用户负荷中存在的数据缺失、类别不平衡问题以及分类模型性能缺陷,提出一种基于数据增强和双向深度残差时间卷积网络(temporal convolutional network,TCN)的电力用户负荷曲线分类方法.首先,提出考虑负荷数据全局分布特性的两阶段数据增强方法,第一阶段采用基于张量奇异值阈值算法的低秩张量补全方法补全缺失数据,第二阶段使用基于Wasserstein距离的生成对抗网络过采样少数类样本,解决类别不平衡问题.其次,构建融合双向时序特征的深度残差TCN分类模型,实现大规模用电曲线精准辨识.最后,通过选取公开时序分类基准数据集以及实测负荷数据集,验证了所提分类模型在收敛速度和分类精度上具有更好的性能,所提数据增强方法能有效提升模型分类效果.