[发明专利]一种基于对抗博弈的配电网大数据修复方法

说明书

本发明公开了一种基于对抗博弈的配电网大数据修复方法，涉及电气工程技术领域，技术方案为，获取样本类别标签；搭建生成器框架；搭建判别器框架；训练网络；根据训练好的网络生成配电网缺失数据。本发明的有益效果是：本方案采用由深度神经网络构成的生成器与判别器之间互相对抗博弈模型。生成器试图生成与真实数据分布一致的样本，判别器尽可能鉴别出生成器生成的样本，两个网络在相互切磋较量中共同进步。建立梯度惩罚优化的条件式对抗博弈模型可指导多类别缺失样本的生成过程，并克服了原始对抗博弈模型的训练不稳定问题，因而本发明可解决配电网中因量测故障、分布式能源等影响导致的数据缺失问题。

技术领域

本发明涉及电气工程技术领域，特别涉及一种基于对抗博弈的配电网大数据修复方法。

背景技术

配电网数据采集系统获取的海量量测数据对状态估计、设备评估、系统运行优化具有重要意义。然而，基于真实可靠的采集数据取得的研究结论才具有实际应用价值，才能正确反映电力系统的运行特性与客观规律。在量测系统实际运行中，数据的采集、测量、传输、转换各个环节都有可能发生故障或受到干扰，导致数据出现缺失异常等问题。此外，随着分布式新能源的蓬勃发展，大规模新能源的监测数据日益丰富，但由于风电、光伏等新能源并网监测数据具有间歇性、周期性、随机性和波动性等特点，也会导致其并网数据存在数据缺失等质量问题，严重影响了数据特征提取及数据挖掘的准确性和高效性。

现有的配电网缺失数据修复技术多采用回归填充法、最近距离填充算法等数学方法修复缺失数据，但这类处理方法仅从数据分布角度分析，忽略了电力系统中量测的时序特性和相关性，对电力系统中量测缺失数据的重建效果并不理想。浅层的神经网络也很难模拟配电网中复杂的时间空间关系。

深度学习技术的发展有望解决这一难题，近年来提出的基于对抗博弈思想的深度神经网络，作为一种新兴的半监督或无监督学习技术而备受关注。这种博弈思想提供了一种无需广泛注释训练数据就能学习深层表示的方法，其通过一对网络的竞争过程来获得反向传播信号。传统对抗博弈模型在训练过程中容易出现梯度消失和模式坍塌的问题，且仅考虑单一数据分布规律，忽略了电力系统中量测点、采集变量之间的相关性和历史的负荷变化规律，对缺失数据的重建精度低。

发明内容

针对上述技术问题，本发明的目的为提出了一种可按类别生成符合真实数据分布规律的样本，提升样本多样性，重建配电网量测缺失数据的基于对抗博弈的配电网大数据修复技术。

其技术方案为，一种基于对抗博弈的配电网大数据修复方法，包括步骤，

S1、获取样本类别标签：收集配电网电磁数据并进行分类与标注，每个样本生成对应的类别标签；

S2、搭建生成器框架：在生成器中输入噪声与类别标签横向拼接后的数据，将所述生成器输出的生成样本作为判别器的输入；

S3、搭建判别器框架；

S4、训练网络；

S5、根据步骤S4训练好的网络生成配电网缺失数据。

优选为，所述步骤S3中，搭建判别器框架的具体方法为，将真实数据或所述生成样本与对应类别标签横向拼接后输入判别器，输出为判定值，表示判别器的输入样本为真实样本的概率。优选为，所述步骤S4中，训练网络的具体方法为，采用Wasserstein距离来度量实际分布与生成分布之间的差异，构建模型训练时的损失函数，同时使判别器的网络参数满足Lipschitz条件限制，即将其限定在指定范围内，所述指定范围通常为(-0.01，0.01)；根据上述内容，在基于梯度惩罚优化的条件式对抗博弈模型中，对所述生成器与所述判别器的损失函数进行修正；所述生成器按照使生成器损失函数最小进行训练，所述判别器按照使判别器损失函数最小进行训练；通过对生成器与判别器进行交替式的迭代优化训练，最终二者间达到纳什均衡点，即生成器可合成判别器难以甄别的人工样本。