[发明专利]基于生成对抗插补网络的PMU连续丢失数据恢复方法

说明书

本发明公开了一种基于生成对抗插补网络的PMU连续丢失数据恢复方法，基于生成对抗插补网络(Generative Adversarial Imputation Nets，GAIN)方法能实现对PMU连续丢失数据的无监督修正。该方法能够在线、高精度地修正连续丢失数据，并对扰动过程中的连续丢失数据仍适用，不依赖有标签的数据来训练模型，避免了离线训练的负担。因此采用基于GAIN的PMU数据恢复方法具有十分显著的优点。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于生成对抗插补网络的PMU连续丢失数据恢复方法。

背景技术

随着可再生能源的大规模利用和智能电网的发展，电力系统的机理特征、分析方法和运行控制方式都发生了根本性的变化，对实时监控和闭环精细控制的需求明显。PMU可以为电力系统各类应用提供实时相量数据，如决策控制、振荡检测和状态估计。然而，由于现场环境复杂，PMU不可避免地受同步信号丢失、通信协议错误、系统过载、传输延迟等因素的影响而遭受数据丢失，严重影响其在动态监测和闭环控制中的应用，甚至威胁电网安全。实际中PMU连续丢失数据并不罕见，且对基于PMU的电力系统各类应用影响更大。因此，PMU连续丢失数据恢复对电网安全稳定运行至关重要。

目前PMU丢失数据恢复方法主要有模型驱动和数据驱动两大类。其中，数据驱动的方法由于不需要系统拓扑和线路参数的先验知识而受到广泛关注，目前基于数据驱动的恢复方法有基于插值、基于PMU数据的低秩性和基于深度学习的方法。基于插值的方法和基于低秩性的方法对动态过程中出现丢失数据跟踪和恢复效果较差，因为数据在动态过程中非线性变化。现有基于深度学习的修正方法大多有监督，恢复精度非常依赖于模型训练的好坏，因此在对PMU连续丢失数据的恢复上尚有提升空间。

发明内容

本发明的目的是提供一种基于生成对抗插补网络的PMU连续丢失数据恢复方法，能够无监督、高精度地修正连续丢失数据。

本发明的目的是通过以下技术方案实现的：

一种基于生成对抗插补网络的PMU连续丢失数据恢复方法，包括：

对PMU数据矩阵进行归一化，根据PMU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；

将归一化后的数据矩阵、噪声矩阵和掩码矩阵输入至GAIN模型，所述GAIN模型中的生成器生成插补矩阵来逼近所述归一化后的数据矩阵，所述GAIN模型中的判别器根据提示信息判断插补矩阵中各元素是所述归一化后的数据矩阵中真实数据的概率，所述生成器与判别器博弈训练，使所述生成器学习到所述归一化后的数据矩阵中真实数据的分布；

对于包含丢失数据的PMU数据矩阵，不同提示率的提示信息会使生成器生成满足不同分布的生成矩阵，通过在设定的区间遍历提示率，选择与实际情况差异最小的作为最优恢复数据。

由上述本发明提供的技术方案可以看出，基于生成对抗插补网络(GenerativeAdversarial Imputation Nets，GAIN)方法能实现对PMU连续丢失数据的无监督修正。该方法能够在线、高精度地修正连续丢失数据，并对扰动过程中的连续丢失数据仍适用，不依赖有标签的数据来训练模型，避免了离线训练的负担。因此采用基于GAIN的PMU数据恢复方法具有十分显著的优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域的普通技术人员来讲，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附图。

图1为本发明实施例提供的GAIN模型原理图；

图2为本发明实施例提供的一种基于生成对抗插补网络的PMU连续丢失数据恢复方法的流程图；

图3为本发明实施例提供的对包含丢失数据的PMU数据矩阵进行数据恢复的流程图；