基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于条件深度卷积生成对抗网络的新能源发电场景数据迁移方法

针对在历史数据缺失的情况下,现有的新能源发电场景生成方法存在精度较低甚至失效的问题,提出一种基于条件深度卷积生成对抗网络(conditionaldeepconvolutions generative adversarial network,C-DCGAN)的新能源发电场景数据迁移方法。该方法以历史数据大规模缺失的新能源电站为目标电站,以历史数据完整的邻近新能源电站为源电站,通过生成对抗网络模型学习源电站与目标电站之间的场景数据映射关系,进而根据源电站场景数据,生成目标电站场景数据,且所生成的数据符合真实场景数据分布规律。采用实际风电数据集对所提算法和模型进行验证,并应用若干统计学指标,分别对文中模型与条件生成对抗网络(conditional generativeadversarialnetwork,CGAN)模型所迁移生成的数据进行对比评估,结果表明所提算法与模型能够更加准确地生成新能源发电场景数据。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

基于深度卷积生成对抗网络场景生成的间歇式分布式电源优化配置

风电和光伏等间歇性分布式电源(distributed generation,DG)在配电网中接入比例不断提高,对配电网规划影响显著,需对其出力的不确定性进行建模,以提升含DG的配电网规划的效益与实用性.建立了考虑出力不确定性的DG双层优化配置模型.通过改进的条件深度卷积生成对抗网络模型对DG出力的不确定性进行建模,并在...     

基于改进生成对抗网络的谐波状态估计方法

传统的基于最小二乘法的谐波状态估计受到量测装置少、精确的谐波阻抗获取难、网络拓扑结构复杂以及电网运行方式变化等因素的限制,造成量测方程欠定、系统非全局可观以及节点间耦合关系难以准确提取等问题。文中提出了一种基于改进生成对抗网络的谐波状态估计方法。该方法基于pix2pix谐波状态估计网络拟合监测节点与目标节点间的耦合关系,利用采集的历史谐波数据,对模型进行批量训练,通过训练之后的生成网络估算目标节点谐波电流、谐波电压幅值,实现基于数据驱动的谐波状态估计。在加噪环境下对模型进行测试,仿真结果验证了所提方法的有效性。     

基于孪生神经网络的变电站异物入侵检测方法

针对传统异物入侵检测存在的问题,提出一种基于孪生神经网络的变电站异物入侵检测方法。用孪生神经网络进行运动前景提取,将背景图和待检图同时送入孪生神经网络,并且在后处理网络中引入注意力机制,最后通过连通域处理直接输出异物检测结果。此方法对异物没有预设检测类别的限制,另外设计的数据增强也进一步提高了算法抗抖动和抗光照变化能力。在测试数据集上取得的98.35%的准确率和98.61%的召回率证明了模型的有效性。     

面向列车轮轨接触区域图像分割的生成对抗网络

列车和轨道之间的开放约束条件决定了车辆脱轨的客观存在.轮轨接触区域边缘曲线分割对列车轮轨接触关系的研究具有重要意义,提出了一种基于生成对抗网络的轮轨接触区域边缘曲线分割算法.通过将残差模块引人生成器网络中,增强了网络对输出变化的敏感程度,进而更好的调整生成器权重.此外,膨胀残差模块的引人,有效扩大了特征图的接收区域.实...     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

基于机器视觉和卷积神经网络的不溶异物检测

药液在生产过程中易混入不溶异物,因此投入市场前的必须对药液进行检测.针对安瓿瓶药液检测,区别于传统的序列图像检测算法,设计了一种基于机器视觉和卷积神经网络的检测方法.首先利用Canny边缘检测提取安瓿瓶瓶壁边缘,裁剪药液区域图像,减少了后续计算量;其次改用VGG16卷积神经网络进行不溶异物的特征提取,可以提取到传统特征...     

基于改进生成对抗网络的虚假数据注入攻击检测方法

随着新型能源互联网的发展,大规模的传感量测系统为基于数据驱动的虚假数据注入攻击检测方法提供了数据支持,然而攻击样本数据不平衡问题会影响此类方法的性能.提出了基于改进生成对抗网络(generative adversarial network,GAN)和极端随机树的数据重平衡攻击检测模型.首先,为了生成高质量数据,设计GA...     

基于条件生成对抗网络的非侵入式负荷分解

以建筑楼宇电力负荷为核心的电能管理技术是智能电网的研究热点.非侵入式负荷分解技术通过对每户电表总表数据分解,在不侵犯用户隐私的前提下,得到家庭每个用电器的耗电情况.对图像翻译模型Pix2pix进行针对性改进,提出一种基于条件生成对抗网络的非侵入式负荷分解方法.将随机噪声和总负荷作为生成器的输入,生成类似真实电器负荷的序...     

基于生成对抗网络的暂态稳定预防控制

针对电力系统暂态稳定预防控制在线计算的复杂性,提出一种基于生成对抗网络的暂态稳定预防控制方法。通过将暂态稳定预防控制建模为样本空间映射问题,该方法利用数据驱动方法训练生成模型,建立从暂态失稳运行空间到暂态稳定运行空间的映射。模型通过调整电网中发电机的有功出力,提高电网的暂态稳定裕度,使电网运行点满足暂态稳定校核的要求。与传统优化建模方法相比,所提方法通过神经网络的前馈推断求解控制策略,无需迭代求解,极大地提高了求解效率。基于新英格兰39节点系统的测试结果验证了所提方法的可行性和有效性。     

基于改进DCGAN的电力系统暂态稳定增强型自适应评估

海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能。针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充。离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著提高了暂态稳定自适应评估的迁移速度和在新场景下失稳样本的识别率,使得评估结果更加可靠。在IEEE 39节点系统和IEEE 140节点系统上的实验结果验证了所提方法的有效性。     

基于改进生成式对抗网络的电网异常数据辨识方法

基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks, WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。     

基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测

无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性。该文提出一种基于压缩激活改进的快速异常检测生成对抗网络（SE-fAnoGAN）,可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度。首先,在f-AnoGAN编码器中引入压缩激活网络（SENet）,提取图像中的显著性信息。然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补。在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。实验结果显示,总体样本的检测准确率为95.74%,正负样本的召回率分别达到96.05%和95.36%,证明了SE-f-AnoGAN在异常检测中的有效性。     

基于深度循环神经网络的换相失败边界检测

交直流混联电网中交流故障导致的换相失败,可能引发交流保护误动、拒动,造成连锁性故障。因此,快速精准的换相失败边界检测对提升交流保护性能、优化交直流保护协同配合、保障电网安全稳定运行具有重要意义。对此,提出了基于深度循环神经网络的换相失败边界检测方法。利用逆变站换流母线三相电压、直流电流及触发角指令实时值等站域信息,实现可综合考虑多因素耦合作用,可准确追溯引发换相失败原因,并含有一定的预测功能的换相失败边界检测新方法。