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...     

基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。     

基于增强生成对抗网络的PMU丢失数据恢复方法

同步相量测量单元(phasormeasurementunits,PMUs)因能够提供实时测量数据,使得电力系统动态行为的实时监测成为可能。但是,由于现场环境复杂,受干扰、硬件故障等诸多因素影响,PMU数据存在一定程度的数据丢失问题。PMU数据丢失直接影响其在电力系统中的应用,甚至威胁到系统的安全稳定运行。为了提高PMU数据质量,该文提出了一种基于PMU分群的丢失数据恢复算法。为利用相关度高的PMU数据以提高恢复精度,首先提出一种基于层次聚类的PMU分群方法,利用不同PMU数据的相关度来对PMU进行分群。进一步,利用长短期记忆构造了一种增强型生成对抗神经网络丢失数据恢复方法。该算法不需要系统的拓扑结构和参数,可通过将相关度高的数据作为神经网络的输入来恢复不同扰动下的丢失数据,并且在扰动条件下也能高精度恢复。仿真和测试结果表明,该方法能够有效地实现丢失数据的恢复,为提高PMU的数据质量,保证其在电力系统中的应用效果提供基础。     

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。     

基于双重注意力机制生成对抗网络的偏振图像融合

针对单一强度图像缺少偏振信息,在恶劣天气条件下无法提供充足场景信息的问题,本文提出了一种基于双重注意力机制生成对抗网络用于强度图像和偏振度图像进行融合。算法网络由一个包含编码器、融合模块和解码器的生成器和一个鉴别器组成。首先源图像输入到生成器的编码器中,经过一个卷积层和密集块进行特征提取,然后通过含有注意力机制的纹理增强融合模块中进行特征融合,最后通过解码器得到融合图像。鉴别器主要由两个卷积模块和两个注意力模块组成,在网络训练过程中,通过不断博弈,迭代优化生成器网络参数,使生成器输出既保留偏振度图像的稀疏特征又不损失强度图像信息的高质量融合图像。实验表明,该方法得到的融合图像在主观上纹理信息更丰富,更符合人眼的视觉感受,并且在客观评价指标中SD提升约18.5%,VIF提升约22.4%。     

基于改进循环生成对抗网络实现红外图像生成

针对目前已有的可见光图像生成红外图像的算法不能感知图像的弱纹理区域而导致生成的图像细节信息不突出、图像质量低的问题,本文提出了一种适用于图像生成任务的改进循环生成对抗网络（CycleGAN）结构。首先,利用特征提取能力更强的残差网络构建CycleGAN的生成器网络结构,使图像特征可以充分被提取,解决图像因特征提取不充分导致图像质量低下的问题;其次,在生成器的网络结构中引入了通道注意力机制和空间注意力机制,利用注意力机制对图像感知能力较差的区域进行权重处理,解决图像纹理细节丢失的问题。在OSU数据集上,本文所提出的方法相较于CycleGAN方法在峰值信噪比(PSNR)以及结构相似性(SSIM)指标上分别提高了7.1%和10.9%,在Flir数据集上的PSNR和SSIM分别提高了4.0%和6.7%。经过多个数据集上的实验结果证明,本文改进的方法能够突出图像生成任务中的细节特征信息,并且能有效地提升图像生成的质量。     

基于自注意力生成对抗网络的电力设备在线监测缺失数据填补

电力设备的在线监测系统常出现不同程度的数据缺失,而传统的缺失数据填补模型精度较低。因此提出一种基于自注意力生成对抗网络(self-attention generative adversarial networks,SA-GAN)的电力设备在线监测缺失数据填补模型。首先搭建基于自注意力机制的时间序列填补模型,并对权重融合模块进行改进,然后将时间序列填补模型作为生成器,构造对应的判别器与损失函数,提出了具有自注意力机制的生成对抗网络SA-GAN,对电力设备在线监测数据进行缺失填补。最后通过实际工程中的电力变压器、高压电缆在线监测数据对模型进行训练与测试,验证了模型的有效性。结果表明,通过局部遮掩对110 kV变压器在线监测数据进行自然缺失模拟并通过各类缺失填补模型进行补全时,SA-GAN模型的平均绝对误差(mean absolute error,MAE)最高为0.11,均方根误差(root mean square error,RMSE)最高为0.17,较其他模型分别至少降低19.10%、14.07%,验证了SA-GAN模型的有效性;对9.51%自然缺失率下的220 kV高压电缆在线监测数据...     

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。     

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。     

基于改进生成对抗网络的动液面建模数据扩充

针对采用生成对抗网络进行油井生产参数数据生成时,部分生成数据不符合油井生产过程特性,导致动液面软测量建模质量不高的问题,提出一种基于专家诊断的生成对抗网络油井动液面软测量建模数据扩充方法。 在判别器基于真实数据与生成数据得到原始损失值后,结合油井生产的机理过程对生成数据的合理性进行专家诊断,检测判别器判别结果。 对错误结果进行补偿并加入生成器与判别器的损失函数中进行后续对抗训练,从而生成较优的符合油井生产过程特性的动液面软测量建模样本数据。 通过仿真实验,生成数据补充到软测量建模的训练数据中能够提高动液面的预测精度,均方根误差降低了5. 99%。 表明加入专家诊断模块后生成器生成数据质量更高,能够更好地满足油田生产需求。     

基于深层次多分类生成对抗网络的红外与可见光图像融合方法

为了实现红外和可见光图像信息的良好平衡,本文利用生成对抗网络技术,提出了一种深层次多分类的生成对抗网络红外与可见光图像融合方法。该方法将主辅思想引入到生成器的梯度和强度信息提取中,并提高了生成器卷积层的深度及浅层网络信息提取能力。在鉴别器中使用多分类器同时估计可见光和红外区域的分布。经过连续的对峙学习,使融合结果中具有显著的对比度和丰富的纹理细节信息。实验获得的信息熵及香农熵值为6.86、互信息值为13.72、标准差值为34.82、结构相似性值为0.71。对比实验结果表明,在主客观评价中,本文提出的方法获得更好的红外与可见光图像融合性能。     

基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。     

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。     

基于双阶段多尺度生成对抗网络的图像复原方法

针对人脸图像复原任务中对图像尺度信息利用不足和眼镜结构复原错误的问题,提出一种基于双阶段多尺度生成对 抗网络复原模型。该模型第1阶段引入改进损失的U-Net 粗重构网络,利用跳连接减少原始图像信息的丢失,融合3种不同 的损失函数提高生成器的重构能力,采用双判别器考虑全局信息和局部信息,并提出一种混合域注意力机制用于关注图像的 空间和通道信息。第2阶段的精修复网络构建了全新的特征增强模块,增强网络对细节信息的提取能力和对结构的表达能 力,引入相对判别器,用于关注生成样本与真实样本之间的相对真实性,提高了生成质量和训练稳定性。实验结果表明,该方 法能够复原各类图像缺失的情况,并能够有效复原佩戴眼镜的人脸图像,与其他方法相比,该方法的峰值信噪比、结构相似性 和感知相似度评估等指标分别提升了3.81%、2.65%和0.45%。     

基于结构相似约束生成对抗网络的视网膜OCT图像去噪算法

光学相干断层扫描(OCT)图像中存在的散斑噪声会掩盖视网膜重要的形态学细节,妨碍视网膜病变的观察和临床诊断。提出了一种基于结构相似约束生成对抗网络的视网膜OCT图像去噪算法,基于残差策略改进生成对抗网络模型结构,并融合结构相似性损失约束模型优化,实现散斑噪声抑制,同时增强对视网膜结构细节的保留。在杜克大学发布的SD-OCT公开数据集上的实验表明,所提算法的峰值信噪比和边缘保持指数分别为28.08和0.960,优于所对比的其他去噪方法,且适用于其他来自A2A SD-OCT研究的公开数据集。     

基于时序信号图像编码和生成对抗网络的配电网台区数据修复

受不可抗力影响,配电网低压台区数据中普遍存在缺失值,整体数据质量较差,限制了台区的精益化管理水平。传统的数据修复方法忽略了数据的周期性和时序性,修复精度较低。提出了一种基于图像编码和生成对抗网络的台区缺失数据修复方法。首先引入了一种一维时序信号编码图像预处理方法,将原始的时序信号转换为格拉姆角场图像,然后利用卷积神经网络在图像特征提取上的强大优势构建了生成对抗网络模型。结合像素损失和相似性损失的双重约束条件增强了生成图像的质量。整体流程由数据驱动,无需先验知识的分布假设与显式物理建模。最后的算例结果表明,该方法能够较为精确地实现台区缺失数据的修复。     

基于改进域对抗网络的轴承故障迁移诊断方法

针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于 Wasserstein 距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。 该网络首先构建 CNN 特征提 取器进行预训练,学习领域特征表示,在对抗训练阶段,对抗层引入 Wasserstein 距离来度量源域与目标域的差异,实现边缘分 布的对齐,固化训练结果。 在特征提取层引入 LMMD 计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。 通过两种 变工况下的轴承故障数据集对该模型性能进行验证。 实验结果表明,无监督的条件下,本文所提方法在目标数据集上相较于基 础域对抗网络分别提高了 5. 0% 和 6. 9% 的识别精度,性能优于现有的迁移算法。     

基于GPS的RTU对时分析

调度监控系统要准确了解、判断、管理和指挥电网的运行，必须要有一个统一时钟。文中论述了RTU对时间同步精度的要求，并在分析影响RTU对时精度原因的基础上，提出了利用GPS来提高RTU对时精度，该方法具有授时精度高并能有效地进行电网相量异地同步测量等优点。     

基于多重生成对抗网络的智能开关设备状态感知与诊断研究

随着电力物联网数据驱动技术的不断发展,传感器采集的设备量测数据规模爆发式增长,海量异构的多源监测数据给智能开关设备的实时状态感知和诊断带来了新的挑战.针对上述问题,提出一种基于多重生成对抗网络和DS证据理论的开关设备状态感知方法.首先基于DS证据理论构造融合视频、温度、压力、姿态传感器等多源数据的基本信任分配,获取表征...