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。     

基于生成对抗网络的综合能源负荷场景生成方法

综合能源负荷场景生成是研究能源计量、规划运行等领域问题的基础,具有重要意义。但由于数据采集困难、综合能源负荷多能耦合等因素的限制,综合能源负荷场景的多样化生成仍是一大难题。提出了一种基于生成对抗网络(generative adversarial networks, GAN)的综合能源负荷场景生成方法。首先建立梯度惩罚优化的Wasserstein生成对抗网络模型,解决综合能源负荷的高随机性可能带来的不收敛或模式崩溃问题。其次,基于深度长短期记忆(long short-term memory, LSTM)的循环神经网络构建生成对抗网络的生成器和判别器,使模型更适用于复杂综合能源负荷数据生成。算例结果表明,所提模型的生成负荷场景在概率分布、曲线标志性特征和冷热电负荷之间相关性等方面相较于蒙特卡洛法和原始生成对抗网络均获得了较好结果,可以在不同模式下生成具有多样性且逼真的负荷场景。     

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...     

适用于小样本的神经网络光伏预测方法

基于神经网络的短期光伏预测方法通常需要大量训练样本,对于新投运的光伏电站,历史运行数据的不足使得常规短期光伏预测方法难以应用。针对该问题,提出一种适用于小样本的双层神经网络单步光伏预测方法。根据光伏发电各环节影响因素的解耦特性,将常规单层神经网络拆分为双层网络,使每层网络具有简化的结构;用单步预测代替多步预测,降低神经网络的输入输出维数;基于统计分析,将天气影响因素有效整合到预测模型中,简化输入输出之间的映射关系。使用实际数据对所提光伏预测模型进行训练和验证,结果表明,所提方法可有效减少对训练样本数量的需求,同时保证预测的准确度。     

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WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测

针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型。首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强。其次,结合卷积神经网络(convolutional neural network, CNN)在特征提取上的优势和长短期记忆网络(long short-term memory, LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力。此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足。实验结果表明：基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度。     

基于强化学习和组合式深度学习模型的超短期光伏功率预测

超短期光伏功率预测对光伏并网系统的安全运行有着重要意义.针对传统单一预测模型在进行光伏功率预测时受到功率随机波动性的影响导致预测精度往往不理想的问题,提出了组合式深度学习预测模型.首先,采用小波包分解对原始光伏功率序列进行分解,初步降低了原始光伏功率的非稳定性.其次,在此基础上分别采用长短时记忆网络、门控循环单元与循环...     

基于生成对抗网络和模型迁移的电力系统典型运行方式样本生成

典型运行方式是电力系统运行方式编制的重要基础。由于电力系统的高维度、非线性和不确定性,制定运行方式时往往面临组合爆炸难题,运方人员难以根据实际需要生成所需的典型运行方式,例如：使某个待研究断面安全裕度低的运行方式,因而面临生成所需类型样本难度大、生成效率低的问题。为此,该文首次提出结合生成对抗网络与模型迁移的典型运行方式样本生成方法,仅需少量数据和少量微调即可高效地得到具有高性能的典型运行方式生成模型。首先,设计了面向运行方式生成的生成对抗网络模型,通过基础模型充分学习到不同类型的运行方式样本的共性特征;在此基础上,提出适用于生成对抗网络的模型迁移训练方法,使参数微调后得到的目标模型可以有针对性地生成大量所需的典型运行方式样本。所提方法以输电断面安全裕度为研究主题,在新英格兰10机39节点系统上进行了验证,结果表明,所提方法能根据实际需求生成任意指定安全裕度的运行方式样本,有效解决运行方式制定中所需特定类型样本不足的难题,为后续运行方式分析提供坚实的数据支撑。     

基于深度学习的光伏发电功率预测方法研究

近几年新能源技术不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,因此准确的功率预测对电网的稳定运行至关重要。随着人工智能的兴起,将深度学习网络技术与功率预测相结合,可得到高精度的预测结果。为此提出一种基于长短期记忆网络的深度学习方法,建立分时长短期记忆网络模型,从而实现了光伏发电功率的预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

基于Wide&Deep-XGB2LSTM模型的超短期光伏功率预测

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型.对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合...     

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...     

基于特征迁移的光伏功率短期预测

随着国家对可再生能源占比要求的不断提高,新光伏电站的建设需求随之增加.为解决新建光伏电站历史数据不足问题,建立基于特征迁移学习的光伏功率短期预测模型.模型采用日辐照度特征、光伏电池温度和t-SNE算法对气象数据进行特征提取,构建具有泛化能力的高识别度预测模型特征.根据迁移学习理论,将长期运行的光伏电站历史数据用于GRU...     

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题,提出一种基于相似日聚类的光伏功率预测组合模型。首先,采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集,并利用变分模态分解（VMD）对相似日样本进行分解;其次,采用卷积神经网络优化支持向量机（CNN-SVM）和双向长短时记忆（Bi LSTM）神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合,利用网格搜索（GS）算法寻找最优组合权重,提升组合预测模型性能;最后,以澳大利亚某光伏电站1年实测数据为例,验证所提出光伏功率预测模型的有效性。实验结果表明：无论何种天气类型,所提出模型均能很好地对光伏功率实现预测,具有较强的适应性。     

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GAN的负荷数据修复及其在EV短期负荷预测中的应用

随着电动汽车(EV)充电设施规模的不断扩大,EV充电数据可以更方便地获得.某些非人为因素会导致数据集中存在数据缺失和数据异常的问题,阻碍了EV负荷预测精度的提高.因此,文中在生成对抗网络(GAN)中采用用于插补的门控循环单元神经网络(GRUI)细胞来处理不完整负荷数据集中前后观测值间的不规则时滞关系,提出了基于GRUI...     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

基于网络服务器的光伏发电短期功率预测研究与应用

通过分析当前国内光伏发电工程的特点,提出一种基于网络服务器的光伏发电短期功率预测系统,充分利用现有监控终端的数据上传能力,结合多数据终端上传的海量数据优化智能算法。此预测系统可以为多个光伏监控系统分时复用,节约了硬件资源;同时预测软件根据其获得的多系统数据特点,利用不同光伏发电系统的数据进行交叉优化,有效提高了预测准确率。     

生成对抗网络扩充样本用于高光谱图像分类

高光谱图像包含着丰富的地理位置信息和光谱信息,高光谱图像分类是遥感领域的一个基础而又重要的研究方向。然而,高光谱图像样本数量不足仍然是限制分类精度进一步提升的主要问题。生成对抗网络中生成器和判别器的不断地对抗学习,最终理想状态为,生成器生成的伪样本判别器无法判别,生成与真实样本非常相似的伪数据样本。文章通过生成对抗网络来依据原有的少量样本,生成新的伪样本,解决样本获取困难、样本数量不足的问题。实验在两个高光谱图像数据集上分别选取200个和400个样本点进行实验,在生成对抗网络中生成新的伪样本,进行分类训练。与SVM、3DCNN等分类方法在同样是样本不足的情况下比较下,分类整体的平均精度得到明显定提升,实验证明文中分类方法的分类表现优于相比的其他分类方法。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强,传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度,提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列,利用CEEMDAN将其分解为多个固有模式函数(IMF),降低其非稳定性;采用LSTM网络分析各分量时序特征,获得多个预测结果 ;将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习,获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析,结果表明,所提方法能够准确掌握负荷变化的规律,且在一天负荷预测问题中精度达到97.32%。