基于改进WassersteinGAN的电力系统不良数据辨识方法技术方案

本发明专利技术公开了一种基于改进Wasserstein GAN的电力系统不良数据辨识方法，包括：筛选历史数据库中仅含高斯白噪声的历史量测数据并预处理；利用预处理后的历史量测数据作为目标数据训练WGAN

【技术实现步骤摘要】
基于改进Wasserstein GAN的电力系统不良数据辨识方法


[0001]本专利技术涉及基于改进Wasserstein GAN的电力系统不良数据辨识方法，属于电力系统的


技术介绍

[0002]随着“30
‑
60双碳”目标的提出，大量新能源并网导致电力系统所需处理的数据量呈指数级增长，同时使得电力系统数据结构也越来越复杂，因此对系统运行的可靠性、安全性和稳定性提出了更高的要求。状态感知作为电力系统能量管理系统的核心功能之一，对电力系统规划和运行具有重要意义，并为实时调度以及后续一系列电力系统高级应用和分析提供可靠的数据库。由于电网在实际运行过程中除了正常的数据噪声，各信息采集单元所获取的量测信息不可避免的出现不良数据，不良数据的存在不仅使电力系统状态估计难以反映系统真实状态，同时也对电力系统的调度造成了困扰。因此不良数据辨识对状态估计以及电网状态分析具有重要意义。
[0003]目前，针对量测偏差较大的问题，可将不良数据辨识方法分为传统电力系统状态估计方法和基于数据驱动的不良数据辨识方法。其中传统电力系统状态估计方法是利用物理模型进行估计
‑
检测及辨识
‑
再估计的迭代，虽然能得到较为精确的检测结果，但是随着系统增大，该类方法运行速度较慢并且容易出现误判和漏判。因此为了同时提高辨识效率和辨识精度，不少学者提出了基于数据驱动的不良数据辨识方法，最为普遍的是聚类方法和深度学习方法。其中有学者提出了改进FCM聚类方法，该方法是将聚类分析归结为一个带约束条件的非线性优化问题，相对于其他的聚类算法，FCM算法有着设计简单、应用范围广泛等优点，但是该方法对算法初始值敏感，易陷入局部最优。在深度学习方面，有学者提出一种基于深度学习网络的电力系统不良数据辨识与算法，算法以采集的电力数据为输入参数，构建多层深度循环学习网络，对不良数据进行辨识。该算法能对单个不良数据和参数错误同时存在的情况进行辨识，但在多个不良数据情况下辨识效果较差。因此，为了能同时提高对不良数据的辨识性能和辨识效率，本专利技术提出基于改进Wasserstein GAN的电力系统不良数据辨识方法，以对不良数据进行快速、精准的辨识。

技术实现思路

[0004]本专利技术针对大规模电力系统不良数据辨识准确率低、辨识效率差的问题，提供一种基于改进Wasserstein GAN的电力系统不良数据辨识方法，该方法利用改进Wasserstein GAN对某断面实时量测信息进行重构，从而获取当前断面的量测重构误差，以此精准检测出一组实时量测信息中不良数据的位置，进而对不良数据进行快速、精准的辨识。
[0005]本专利技术具体采用以下技术方案解决上述技术问题：
[0006]本专利技术提出一种基于改进Wasserstein GAN的电力系统不良数据辨识方法，包括以下步骤：
[0007]步骤(1)：筛选历史数据库中仅含高斯白噪声的历史量测数据，并对筛选出的历史
量测数据进行数据预处理，得到预处理后的历史量测数据；
[0008]步骤(2)：利用预处理后的历史量测数据作为目标数据训练WGAN
‑
GP模型；所述WGAN
‑
GP模型在训练过程中，生成器输入与目标数据相同维度且满足标准正态分布的高斯噪声，生成器将高斯噪声转换为与目标数据分布相近的伪数据；判别器则负责从目标数据和生成的伪数据中区分真假，并将区分得到的伪数据作为整个模型输出的重构数据；
[0009]步骤(3)：分别建立WGAN
‑
GP模型中生成器与判别器的损失函数，并对生成器与判别器进行博弈训练，训练完成得到适应于仅含高斯噪声量测数据分布的WGAN
‑
GP模型；
[0010]步骤(4)：将采集到的当前断面实时量测数据进行数据预处理，并将预处理后的当前断面实时量测数据输入步骤(3)训练完成的WGAN
‑
GP模型即可获取当前断面的量测重构数据；
[0011]步骤(5)：基于步骤(4)得到的当前断面的量测重构数据与当前断面实时量测数据得到当前断面的重构误差，并将得到的当前断面的重构误差输入已训练好的C4.5决策树模型中，基于C4.5决策树模型的不良数据阈值设置方法确定不良数据的阈值，结合不良数据的阈值和当前断面的重构误差对当前断面的实时量测数据进行不良数据辨识。
[0012]进一步地，作为本专利技术的一种优选技术方案，所述步骤(1)中对筛选出的历史量测数据进行数据预处理，具体为：
[0013]对于第k个断面第i个量测值，对该量测值进行数据归一化，计算公式如下：
[0014][0015]其中，x
i*
为第i个归一化后的量测值，x
i
为第i个原始的量测值。
[0016]进一步地，作为本专利技术的一种优选技术方案，所述步骤(3)中WGAN
‑
GP模型采用Wasserstein优化目标函数并引入惩罚项，其Wasserstein距离表示为：
[0017][0018]其中，W(P
r
,P
g
)表示γ(x,y)期望的下确界；П(P
r
,P
g
)表示以P
g
(
·
)与P
r
(
·
)为边缘分布的联合概率分布γ的集合；由Kantorovich
‑
Rubinstein duality定律将W(P
r
,P
g
)表示为：
[0019][0020]其中，||D(I)||≤1；
[0021]为使模型能始终保持为一个Lipschitz连续函数，在原损失函数的基础上引入惩罚项，得到最终的WGAN
‑
GP模型的损失函数表示为：
[0022][0023]其中，||
·
||
p
表示p范数；λ表示惩罚项系数；其中ε∈U[0,1]，U为均匀分布；为的分布；
[0024]并且，确定WGAN
‑
GP模型中生成器的损失函数表示为：L
G
＝1
‑
D(G(z))；
[0025]并且，确定WGAN
‑
GP模型中判别器的损失函数表示为：
[0026][0027]其中，P
r
(
·
)表示目标数据的分布；x表示目标数据集合；E(
·
)为期望函数；G(
·
)表示生成器函数；D(
·
)表示判别器函数；P
g
(
·
)表示噪声数据分布；z表示输入的噪声数据向量；
[0028]以及，在WGAN
‑
GP模型训练过程中选用优化器Adam通过迭代L(G,D)和L
G
来分别优化判别器和生成器的参数。
[0029本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进Wasserstein GAN的电力系统不良数据辨识方法，其特征在于，包括以下步骤：步骤(1)：筛选历史数据库中仅含高斯白噪声的历史量测数据，并对筛选出的历史量测数据进行数据预处理，得到预处理后的历史量测数据；步骤(2)：利用预处理后的历史量测数据作为目标数据训练WGAN
‑
GP模型；所述WGAN
‑
GP模型在训练过程中，生成器输入与目标数据相同维度且满足标准正态分布的高斯噪声，生成器将高斯噪声转换为与目标数据分布相近的伪数据；判别器则负责从目标数据和生成的伪数据中区分真假，并将区分得到的伪数据作为整个模型输出的重构数据；步骤(3)：分别建立WGAN
‑
GP模型中生成器与判别器的损失函数，并对生成器与判别器进行博弈训练，训练完成得到适应于仅含高斯噪声量测数据分布的WGAN
‑
GP模型；步骤(4)：将采集到的当前断面实时量测数据进行数据预处理，并将预处理后的当前断面实时量测数据输入步骤(3)训练完成的WGAN
‑
GP模型即可获取当前断面的量测重构数据；步骤(5)：基于步骤(4)得到的当前断面的量测重构数据与当前断面实时量测数据得到当前断面的重构误差，并将得到的当前断面的重构误差输入已训练好的C4.5决策树模型中，基于C4.5决策树模型的不良数据阈值设置方法确定不良数据的阈值，结合不良数据的阈值和当前断面的重构误差对当前断面的实时量测数据进行不良数据辨识。2.根据权利要求1所述基于改进Wasserstein GAN的电力系统不良数据辨识方法，其特征在于，所述步骤(1)中对筛选出的历史量测数据进行数据预处理，具体为：对于第k个断面第i个量测值，对该量测值进行数据归一化，计算公式如下：其中，x
i*
为第i个归一化后的量测值，x
i
为第i个原始的量测值。3.根据权利要求1所述基于改进Wasserstein GAN的电力系统不良数据辨识方法，其特征在于，所述步骤(3)中WGAN
‑
GP模型采用Wasserstein优化目标函数并引入惩罚项，其Wasserstein距离表示为：其中，W(P
r
,P
g
)表示γ(x,y)期望的下确界；П(P
r
,P
g
)表示以P
g
(
·
)与P
r
(
·
)为边缘分布的联合概率分布γ的集合；由Kantorovich
‑
Rubinstein duality定律将W(P
r
,P
g
)表示为：引入惩罚项，得到最终的WGAN
‑
GP模型的损失函数表示为：其中，||
·
||
p
表示p范数；x表示目标数据集合，λ表示惩罚项系数；其中ε∈U[0,1]，U为均匀分布；为的分布；并且，确定WGAN
‑
GP模型中生成器的损失函数表示为：L
G
＝1
‑
D(G(z))；并且，确定WGAN

【专利技术属性】
技术研发人员：臧海祥，郭镜玮，赵佳伟，黄蔓云，卫志农，陈胜，孙国强，周亦洲，韩海腾，朱瑛，
申请(专利权)人：河海大学，
类型：发明
国别省市：