基于改进ACGAN样本增强的变压器故障诊断技术

基于深度学习算法的故障诊断需要足量的样本作为训练数据集.变压器故障数据匮乏将导致故障诊断准确率较低.对此,提出了一种基于辅助分类GAN的故障诊断方法.该方法引入自我注意机制,提取故障样本的全局特性,以提高生成样本的质量;并加入梯度惩罚,以提高模型收敛速度和训练稳定性.运用该方法对失衡样本进行增强扩充,并在变压器振动试验数据集上进行验证.仿真结果表明,该方法能够有效改善数据不平衡带来的影响,增强扩充后的故障诊断准确率提高了3.4％.     

生成对抗网络及其在电力系统中的应用综述EI北大核心CSCD

随着电力系统的迅猛发展,如何高效利用海量、多源、多维的电力数据,是当前电力行业面临的重要技术问题之一。相对于传统机器学习算法,深度学习具有较强的数据降维能力、非线性拟合能力和特征提取能力。生成对抗网络(generative adversarial network,GAN)作为一类深度学习模型,能够很好地实现电力数据样本的增强与生成。该文首先介绍GAN的基本原理,分析其优势与劣势;此后从网络结构与目标函数的角度出发,分别介绍在电力系统中应用较为广泛的4种GAN衍生模型,进而对GAN在电力系统中的应用现状进行详细的综述,归纳每个应用场景所采用的GAN模型及其特点;最后,总结GAN在电力系统中进一步深入应用所要解决的问题,并展望未来的应用前景。     

基于生成对抗网络的自动装卸目标物标注数据集生成方法

针对建立无人起重装卸目标检测深度学习标注数据耗时问题,设计了货物图像检测生成对抗网络,构成准确的含语义标注和关键点标注的数据集,该数据集可用于有监督深度学习语义分割模型的训练。通过融合StyleGAN与DatasetGAN的生成对抗网络,对实际应用中存在的语义特征变形问题进行改进,将生成器的样本归一化层进行修改,去除均值操作,修改噪声模块和样式控制因子的输入方式;对纹理特征单一的物体的空间位置编码能力弱的问题,将生成网络的常数输入替换为傅里叶特征,并提出一个融合非线性上下采样的模块;最后引入WGAN-GP对目标函数进行改进。应用实验生成标签数据集,使用Deeplab-V3作为评价网络,以DatasetGAN方法作为基线,在语义标签生成任务上,Deeplab-V3输出mIOU值提高14.83%,在关键点标签生成任务上,L2损失平均降低0.4×10^(-4),PCK值平均提高5.06%,验证了改进的生成对抗网络生成语义及关键点标注数据的可行性和先进性。     

基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。     

一种基于改进的WGAN模型的电缆终端局部放电识别准确率提升方法

目前,基于机器学习的电缆终端局部放电模式识别常因标注数据匮乏或不均衡而导致泛化能力不足,识别准确率较低。为解决该问题,该文提出了一种基于改进的Wasserstein生成对抗网络(Wasserstein generative adversarial network,WGAN)模型的电缆终端局部放电识别准确率提升方法。该方法以单个脉冲对应的小波时频谱图为对象,首先训练具有条件生成能力且训练过程稳定的改进WGAN模型并生成新的样本;然后利用新样本对原始样本集进行扩充,以提高样本多样性;最后,利用扩充后数据集训练得到新的局放分类器。实验结果表明,所提方法相较于其他条件生成模型能够更稳定生成新的高质量样本;利用该方法分别对典型电缆终端缺陷数据进行扩充,训练出的新分类器具有更优的泛化能力,且对不同分类器具有适用性。该方法有效抑制了工程中局放类型识别时由于数据匮乏或不均衡所导致的过拟合风险,有效提升了在小数据量下的识别准确率。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

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。     

燃气轮机深度卷积生成对抗故障样本生成研究

针对应用深度学习进行燃气轮机故障诊断时,因故障信号数据不易获取,使得正常运行样本多、故障样本少,影响故障 诊断准确率的问题,提出了一种采用深度卷积生成对抗学习对燃气轮机故障样本进行扩充的方法。 根据燃气轮机振动信号特 点,利用快速傅里叶变换、经验模态分解、解调预处理故障信号,提取故障频域特征并选取特征值指标,将振动信号转为二维灰 度图像,通过正交梯度惩罚算法训练深度卷积生成对抗故障样本生成模型。 实例结果表明,使用所提方法获得 CWRU 轴承数 据集生成样本测试准确率为 98. 01%;某型燃气轮机生成样本测试准确率为 97. 43%,同条件下均优于其他主流故障样本生成方 法,验证了所提故障样本生成方法的有效性和优越性。     

基于迁移学习与Wasserstein生成对抗网络的静态电压稳定临界样本生成方法

静态电压稳定临界点在研究极限状态电力系统的传统分析方法与数据驱动方法中都有重要意义。电网新形势下,多次调用逐点法获取极限数据不再现实。提出一种基于深度学习的生成模型,用于静态电压稳定临界样本生成。首先,注意到临界样本是一种特殊的潮流样本,以非联络节点的电压作为样本的特征参量,可以解决样本的潮流不收敛与联络节点注入功率非零的问题;然后,建立与迁移学习结合的WGAN-GP模型,用于学习临界样本的特殊约束与分布;最后,选用样本的最小奇异值来表明生成样本的质量。算例研究结果表明,相较于直接使用WGAN-GP,与迁移学习结合能够更为有效地生成高质量的样本。     

基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法

油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。     

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

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...     

生成对抗网络 GAN 的发展与最新应用

近年来,生成式对抗网络(generative adversarial nets, GAN)迅速发展,已经成为当前机器学习领域的主要研究方向之一。GAN来源于零和博弈的思想,其生成器和鉴别器对抗学习,获取给定样本的数据分布,生成新的样本数据。对GAN模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究,并在这些GAN的应用所取得的实质性进展进行了系统的阐述。对GAN的提出背景与研究意义、理论模型与改进结构,以及其主要应用领域进行了总结。通过对GAN在各方面的应用分析,对GAN的不足以及未来发展方向进行综述。     

基于栈式混合编码器的水质传感器数据融合算法

由于浅层神经网络网络结构和训练方式的限制,网络学习能力和泛化能力在大样本条件下没有深度学习网络强,为此,提出了一种基于栈式混合编码器的水质传感器数据融合算法。该算法通过堆叠自动编码器和稀疏自动编码器形成深度学习网络模型,实现对样本数据的特征挖掘和稀疏表示。经过大规模样本训练后的网络模型能够拟合复杂非线性函数,对低质量的样本数据有一定的泛化能力,并提高预测分类的精度。仿真结果证明,提出的算法取得了更高的评价分类准确率。     

深度学习在智能电网中的应用现状分析与展望

深度学习是机器学习研究中的一个新领域,其强大的数据分析、预测、分类能力契合智能电网中大数据应用的需求。文中首先总结了深度学习基本思想,介绍深度学习的5种模型(生成式对抗网络、递归神经网络、卷积神经网络、堆叠自动编码器和深度信念网络)的结构、基本原理、训练方法,概括其应用特征。综述了电力系统中的故障诊断、暂态稳定性分析、负荷及新能源功率预测、运行调控等应用深度学习技术的研究现状。针对深度学习的技术特点,结合电力系统各生产环节,构建深度学习技术在电力系统中的应用框架。最后,从多能源系统运行调控、电力电子化系统安全分析、柔性设备故障诊断、电力信息物理系统的安全防护等方面对深度学习应用进行展望。     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于知识嵌入和DNN的工商业用户异常用电检测

目前的异常用电检测研究主要以居民用户为对象,相关方法并不适用于工商业用户。针对此问题,本文提出一种融合了电能计量原理的基于深度学习的异常用电检测方法。首先,分析了各类异常用电的数据现象,结果说明单纯采用智能电表数据不足以准确检测异常用电。本文遵循电能计量原理,将描述电气参量内部逻辑关系的指标作为知识嵌入智能电表数据,构建深度学习样本模型。然后,本文提出了一个改进的深度混合残差神经网络,确保从海量智能电表数据中学习用于识别异常用电的高级特征。实验结果表明,相比多个基准算法,本文方法在所有评估指标上均取得了明显的提升。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

基于深度学习的直流配电网分布鲁棒优化调度方法

随着分布式资源的大规模接入,直流配电网能量损耗小、控制灵活的优点凸显。针对直流配电网传统物理优化模型效率低的问题,提出了一种基于深度学习的直流配电网分布鲁棒优化(DRO)调度方法,其采用深度学习方法替代了基于场景的DRO模型的迭代求解过程,通过直接预测典型场景的最恶劣概率分布来提高模型求解效率。构建直流配电网基于场景的DRO物理模型,采用列与约束生成算法迭代求解生成深度学习的训练数据;以光伏出力、负荷、范数置信度为输入,以最恶劣概率分布为输出,构建深度神经网络模型;基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度的最恶劣概率分布,构建最恶劣概率分布下的单层随机规划模型,获取等效的基于场景的DRO调度策略;采用33节点直流配电网系统为算例,验证所提方法在求解效率和计算精度方面的有效性。