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。     

基于生成对抗网络的电能质量扰动数据增强方法

针对当前电能质量扰动自动识别受样本集的规模和质量影响较大及扰动数据匮乏的问题，提出一种在二维尺度上结合深度卷积生成对抗网络(deep convolutional generative adversarail networks, DCGAN)对电能质量扰动数据进行增强的方法。将典型扰动二维图像数据作为输入，以提高数据特征提取能力，再通过深度卷积生成对抗网络不断生成优化扰动数据，并选择验证集上取得最高AUC值的增强数据集进行电能质量扰动的识别测试。在某电网公司提供的真实数据集上进行测试，结果表明：基于DCGAN数据增强方法能生成较大规模、高质量的数据，在网络训练速度及电能质量扰动识别的准确率上有明显提升。     

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。     

基于SDAE和双模型联合训练的低压用户窃电检测方法

用户窃电行为是电网企业运营管理的痛点,基于数据驱动的低压用户窃电检测是当前的重要发展方向.由于窃电数据集具有自身高维度且样本不平衡的特点,对窃电检测模型的拟合能力和泛化能力要求极高.为此,文章利用堆栈降噪自编码器对低压用户日用电量数据进行特征提取,通过挖掘数据的深层特征减少窃电产生的极端数据对检测模型的影响;进而提出逻辑回归与深度神经网络联合训练模型进行低压用户窃电检测,将逻辑回归模型的记忆能力与深度神经网络模型的泛化能力相结合,进一步提升窃电检测的精度.通过实际电网数据的实验仿真,从AUC值、准确率和召回值三个评价指标验证了所提出方法相对于传统机器学习算法具有明显的性能优势.     

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。     

基于约束性循环一致生成对抗网络的人脸表情识别方法

深度神经网络在表情分类识别中会由于样本数量不均衡,样本相似度高出现过拟合,导致识别结果不理想,而通过旋转变换、添加噪声等数据增强方法不能解决相似度较高的问题。为此,对循环一致生成对抗网络(Cycle-GAN)进行改进,通过引入类别约束性条件,构建一种基于约束性循环一致生成对抗网络(CCycle-GAN),实现了一对多的数据类别映射,减少了模型训练开销;同时,为了提高人脸表情识别效率,对Cycle-GAN判别器进行改进,用一个辅助表情分类器替换循环一致生成对抗网络的判别器,不仅可以判断输入图像的真假,而且可以对表情进行分类。在CK+和FER2013数据集上的实验结果表明,该方法可以有效地解决神经网络中的过拟合和样本不均问题,提高了表情样本生成质量,进而提高了人脸表情识别率。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

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WGAN图片去模糊的绝缘子目标检测

针对不可抗力因素造成无人机航拍绝缘子图片模糊、绝缘子目标检测率较低的问题,提出了一种基于Wasserstein距离优化的生成式对抗网络(WGAN)图片去模糊的绝缘子目标检测方法。首先在WGAN训练过程中引入残差网络,使得生成的绝缘子图片更加清晰;其次在损失函数中引入Wasserstein距离以保证训练过程的稳定性;最后通过优化模型的训练过程,使得生成的绝缘子图片细节还原度更高。绝缘子图片去模糊化实验结果表明,所提方法在结构相似性与峰值信噪比等评价指标上均高于基于卷积神经网络与深度多尺度卷积神经网络等图像去模糊算法。另外,将利用所提方法生成的绝缘子图片与模糊绝缘子图片划分为3组,采用改进的基于区域建议的卷积神经网络目标检测算法分别进行目标检测实验,精确度均值分别提高了5.77%、6.73%与5.98%,有效提高了绝缘子的目标检测率。     

基于改进CGAN的电力系统暂态稳定评估样本增强方法

基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点,由于实际电力系统中暂态失稳情况极少,给通过数据挖掘方法判断失稳情况带来了极大困难。针对这个问题,提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法,对条件生成对抗神经网络(CGAN)训练方法的适应性进行改进以提高其学习稳定性,在离线训练时利用改进CGAN交替训练生成器和判别器,学习电力系统暂态数据的分布特性,然后采用极限学习机(ELM)分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本,将其中失稳样本对原始失稳样本进行增强,最后用增强后的原始样本训练分类器,实现在线暂态稳定评估。仿真结果表明,所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习,进而提升暂态稳定评估的正确率,具有抗噪声干扰性强、对高维数据鲁棒性好的优点,能够有效平衡电力系统失稳数据。     

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。     

基于SE-DenseNet的变压器故障诊断

由于变压器故障数据有限,采用神经网络诊断容易出现过拟合.通过Wasserstein生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)数据增强,采用变压器油中溶解气体作为故障诊断参量,本文提出了SE-DenseNet神经网络模型,该模型使用无编码比值法,结合深...     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义。传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息。基于深度学习思想,提出一种基于条件变分自编码器-卷积神经网络(conditionalvariationalautoencoder-convolutional neuralnetwork,CVAE-CNN)模型的不平衡多分类方法,将类别标签作为约束条件,搭建由全连接层构成的CVAE网络生成少数类样本,根据变分下界对服从多维且各维度为独立高斯分布的隐变量建模,学习各类分布特点和数据集全局特征,提高生成数据质量。平衡后的数据采用卷积神经网络进行分类,设计一维卷积层提取数据中潜藏的复杂特征,构造最大池化方法提高模型容错率,依据各类分布特点进行分类处理,提高对少数类别的识别率。以15个KEEL公开数据集和近年采集的智能电表故障数据作为实际算例,所提模型与典型的过采样方法和分类方法进行对比,实验结果表明具有更高的分类精度。     

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％.     

基于生成对抗网络的小样本光伏发电短期预测

光伏发电精准预测是光伏新能源合理调度的依据,然而新建光伏电站发电样本数据不足是降低预测精度的重要因素。利用数据增强算法对光伏发电样本进行扩充,是解决小样本光伏发电预测问题的重要方法,因此,提出一种基于WGAN(Wasserstein generative adversarial network)算法的数据增强方法和基于LSTM算法的小样本光伏发电预测方法。利用源域数据集训练WGAN算法并引入深度迁移学习算法对其训练参数进行迁移优化,完成小样本数据集高效扩充。通过Pearson系数对气象参数和发电量的相关性进行分析,对多气象参数权重进行赋值,利用实际发电值修正LSTM预测模型。公开数据集实验结果表明,该方法对小样本光伏发电预测准确性提升了33.4%,对新建的太阳能电站发电预测具有实际指导意义。     

基于Bagging二次加权集成的孤立森林窃电检测算法

随着智能电网的高速发展,窃电方式呈现多样化,窃电数据也具有难以标注且样本类不平衡的特征.针对窃电数据无标签且类不平衡的窃电检测问题,提出一种基于Bagging二次加权集成的孤立森林窃电检测算法.首先,通过分析居民和商业用户存在的窃电模式,基于孤立类间相似度最低准则,对各类窃电模式的孤立特征顺序进行优选并训练对应的孤立森...     

基于GAN的少样本视网膜血管分割研究

视网膜血管分割是自动筛查糖尿病视网膜病变的重要步骤,当前大部分深度学习方法都使用大样本进行网络训练,但医学领域带标签样本难以获取,且存在健康人样本与患者样本不平衡问题。提出了一种基于生成对抗网络的少样本视网膜血管分割方法,生成器部分对图像做反色等预处理后,通过旋转增扩充了数据集,网络部分使用U Net结构,判别器部分使用卷积神经网络。在实验阶段,在DRIVE数据集和HRF数据集上进行训练测试,训练时只使用训练集的6个样本,测试时使用全部测试集样本,最终在两个数据集下的ROC曲线下面积分别达到了097和095,准确率达到了095和094。与少样本情况下的U Net相比,分割性能提升很大,表明本方法针对少样本视网膜血管分割任务确实有效。