一种双生成对抗网络的宽频振荡数据集增强方法技术

本发明专利技术涉及宽频振荡扰动源定位技术领域，具体涉及一种双生成对抗网络的宽频振荡数据集增强方法，包括通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集；通过条件生成对抗网络对所述修复数据进行定向扩增，得到扩增数据集；通过生成对抗插补网络对所述扩增数据集进行质量增强，得到增强数据集。基于双生成对抗网络的协同工作使残缺的量测样本集特征与完整的生成样本集特征相融合，提高定向生成样本的质量，实现宽频振荡数据集增强。解决了实际量测获取的宽频振荡样本数量缺乏，难以构建宽频振荡扰动源定位模型的问题。题。题。

【技术实现步骤摘要】
一种双生成对抗网络的宽频振荡数据集增强方法


[0001]本专利技术涉及宽频振荡扰动源定位
，尤其涉及一种双生成对抗网络的宽频振荡数据集增强方法。

技术介绍

[0002]在现代“双高”电力系统中，由大量电力电子设备与电网之间相互作用引起的宽频振荡已经成为影响电网安全稳定运行的重要问题，严重威胁到电网的安全稳定。因此，为了在宽频振荡发生后及时采取抑制措施保证电力系统安全稳定运行，需要实现宽频振荡扰动源的准确定位。
[0003]目前，传统的振荡定位方法，如能量法，行波检测法等均通过分析振荡发生内在机理建立系统数学模型，再根据系统实时量测数据计算相关指标实现振荡源定位，具有较强的解释性。但此类方法均依赖于一定的物理假设与简化条件，在电力系统不满足这些前提时，适用效果较差。近年来，有研究将以人工智能为代表的数据驱动方法应用于振荡定位，此类定位方法摆脱了对系统数学模型的依赖，具有较强的非线性分析能力与宽适用性。
[0004]然而，考虑到电力系统量测数据存在的噪声污染与数据攻击导致数据质量降低，同时受限于当前电力系统中宽频振荡量测装置的安装量，实际量测获取的宽频振荡样本数量缺乏，难以构建具有强鲁棒性的基于人工智能的宽频振荡扰动源定位模型，从而降低了定位的准确性。

技术实现思路

[0005]本专利技术的目的在于提供一种双生成对抗网络的宽频振荡数据集增强方法，旨在解决实际量测获取的宽频振荡样本数量缺乏，难以构建宽频振荡扰动源定位模型的问题。
[0006]为实现上述目的，本专利技术提供了一种双生成对抗网络的宽频振荡数据集增强方法，包括以下步骤：
[0007]通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集；
[0008]通过条件生成对抗网络对所述修复数据进行定向扩增，得到扩增数据集；
[0009]通过生成对抗插补网络对所述扩增数据集进行质量增强，得到增强数据集。
[0010]其中，在步骤通过生成对抗插补网络对所述扩增数据集进行质量增强，得到增强数据集之后，所述方法还包括：
[0011]使用多种评价指标对所述增强数据集进行评价，得到数据增强效果。
[0012]其中，所述通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集，包括：
[0013]根据宽频振荡样本的数据矩阵中各元素对应位置缺失情况，构造掩码矩阵和噪声矩阵；
[0014]将所述数据矩阵、所述噪声矩阵和所述掩码矩阵输入生成对抗插补网络，输出预测掩码矩阵。
[0015]其中，所述生成对抗插补网络包括生成器和判别器。
[0016]其中，所述将所述数据矩阵、所述噪声矩阵和所述掩码矩阵输入生成对抗插补网络，输出预测掩码矩阵，包括：
[0017]生成器基于所述数据矩阵和所述噪声矩阵生成插补矩阵；
[0018]判别器基于所述掩码矩阵结合提示矩阵区分所述插补矩阵中各元素是否为所述数据矩阵中的真实元素。
[0019]其中，所述多种评价指标包括均方根误差、均方误差、最大均值差异、Wasserstein距离和定位准确率。
[0020]本专利技术的一种双生成对抗网络的宽频振荡数据集增强方法，通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集；通过条件生成对抗网络对所述修复数据进行定向扩增，得到扩增数据集；通过生成对抗插补网络对所述扩增数据集进行质量增强，得到增强数据集。基于双生成对抗网络的协同工作使残缺的量测样本集特征与完整的生成样本集特征相融合，提高定向生成样本的质量，实现宽频振荡数据集增强。解决了实际量测获取的宽频振荡样本数量缺乏，难以构建宽频振荡扰动源定位模型的问题。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是基于CGAN
‑
GAIN的宽频振荡数据集增强框架的示意图。
[0023]图2是条件生成对抗网络的结构的示意图。
[0024]图3是生成对抗式插补网络的结构的示意图。
[0025]图4是生成对抗插补网络的判别器网络结构的示意图。
[0026]图5是生成对抗插补网络的生成器网络结构的示意图。
[0027]图6是条件生成对抗网络的判别器网络结构的示意图。
[0028]图7是条件生成对抗网络的生成器网络结构的示意图。
[0029]图8是宽频振荡定位模型网络结构的示意图。
[0030]图9是不同数据生成方法比较结果图。
[0031]图10是本专利技术提供的一种双生成对抗网络的宽频振荡数据集增强方法的流程图。
具体实施方式
[0032]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0033]请参阅图1至图10，本专利技术提供一种双生成对抗网络的宽频振荡数据集增强方法，包括以下步骤：
[0034]S1通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集；
[0035]具体方式为：
[0036]S11根据宽频振荡样本的数据矩阵中各元素对应位置缺失情况，构造掩码矩阵和噪声矩阵；
[0037]具体的，对于实际电力系统量测得到的，由于数据攻击、测量设备损坏与传输信号干扰等问题而存在数据丢失的宽频振荡样本，生成对抗插补网络(GAIN)将其作为模型输入，输出插补后的完整数据。在训练过程中，首先根据宽频振荡样本数据矩阵中各元素对应位置缺失情况，构造掩码矩阵和噪声矩阵。
[0038]S12将所述数据矩阵、所述噪声矩阵和所述掩码矩阵输入生成对抗插补网络，输出预测掩码矩阵。
[0039]具体的，所述生成对抗插补网络包括生成器和判别器。
[0040]所述将所述数据矩阵、所述噪声矩阵和所述掩码矩阵输入生成对抗插补网络，输出预测掩码矩阵，包括：
[0041]S121生成器基于所述数据矩阵和所述噪声矩阵生成插补矩阵；
[0042]S122判别器基于所述掩码矩阵结合提示矩阵区分所述插补矩阵中各元素是否为所述数据矩阵中的真实元素。
[0043]具体的，将数据矩阵、噪声矩阵和掩码矩阵输入GAIN，生成器G生成插补矩阵逼近数据矩阵，判别器D结合提示矩阵区分所述插补矩阵中各元素是否为所述数据矩阵中的真实元素，输出预测掩码矩阵。通过对抗训练，G能学习到数据矩阵中真实元素的分布，目标函数为：
[0044][0045]式中：M为一个取值为[0,1]的矩阵，称作掩码矩阵，0表示该处元素缺失，1表示该处元素未缺失；为经G插补后的矩阵；H是由提示生成器生成的提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双生成对抗网络的宽频振荡数据集增强方法，其特征在于，包括以下步骤：通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集；通过条件生成对抗网络对所述修复数据进行定向扩增，得到扩增数据集；通过生成对抗插补网络对所述扩增数据集进行质量增强，得到增强数据集。2.如权利要求1所述的双生成对抗网络的宽频振荡数据集增强方法，其特征在于，在步骤通过生成对抗插补网络对所述扩增数据集进行质量增强，得到增强数据集之后，所述方法还包括：使用多种评价指标对所述增强数据集进行评价，得到数据增强效果。3.如权利要求2所述的双生成对抗网络的宽频振荡数据集增强方法，其特征在于，所述通过生成对抗插补网络对宽频振荡样本进行插补修复，得到修复数据集，包括：根据宽频振荡样本的数据矩阵中各元素对应位置缺失情况，构造掩码...

【专利技术属性】
技术研发人员：王渝红，周辰予，周旭，蒋奇良，何其多，陈明雪，
申请(专利权)人：四川大学，
类型：发明
国别省市：