基于时间生成对抗网络的风电随机场景预测

由于风电出力的随机性和时间相关性,利用常规的短期点或区间预测方法所得到的风电数据,无法支撑高比例风电接入下电力系统的鲁棒调度和可靠运行。提出一种基于时间生成对抗网络(TimeGAN)的风电随机场景预测模型。首先,将风电样本分解为静态和时间序列数据,并搭建嵌入、复现、生成和判别网络结构;其次,以静态和时间序列数据为样本,联合训练嵌入和复现网络;最后,以嵌入网络输出为样本,对抗训练生成和判别网络,并将生成网络输出反馈至嵌入-复现训练以检验时间序列拟合效果。以最小化重构、有监督和无监督损失为目标,模型深度学习风电时间特性并预测随机场景。算例验证了所提模型的有效性。

基于MDTimeGAN的序列数据生成方法

非侵入式负荷分解是能源管理领域的一个热门研究课题,其在各种工业和商业场景中都得到广泛应用。针对负荷分解数据集中存在的样本不平衡问题,提出一种基于多判别器时间序列生成对抗网络(MDTimeGAN)的序列数据生成方法。通过对原始序列提取时域、频域、时频域以及自相关特征,并在TimeGAN模型基础上采用4种不同的判别器对时间序列的多维度特征进行判别,从而提高对原始数据的判别能力,提升数据质量。在3种公开数据集上进行横向和纵向对比实验,结果表明,与对比模型相比,MDTimeGAN模型生成的数据能够更好地覆盖原始数据的分布,在数据分布方面保持良好的性能,生成数据符合时间序列数据的特点。

基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法

为了提高故障诊断模型在数据不平衡场景下的诊断性能和模型泛化能力,提出了一种基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法。首先对比基于LSTM和GRU的TimeGAN模型,选取性能更优的GRU网络作为TimeGAN模型的组成单元,然后采用Nadam优化算法对TimeGAN模型的各组件进行优化,即构建Nadam-TimeGAN模型用以数据扩充,最后构建一个平衡的数据集输入XGBoost集成学习模型进行分类训练。实验选取转辙机动作电流数据集进行验证性实验,选取MFPT轴承数据集和CWRU轴承数据集进行泛化性实验,并与8种方法进行对比,结果表明,所提方法在准确率、召回率以及F1-score这3种评价指标上均高于其他方法,从而验证了所提方法在不平衡数据故障诊断方面的有效性和泛化性。

基于TimeGAN数据增强的复杂过程故障分类方法

针对传统基于重构的故障分类方法在故障样本稀疏或失衡情况下效果不佳、故障子空间区分能力弱的问题,提出基于TimeGAN数据增强的复杂过程故障分类方法.针对小子样故障,使用TimeGAN对历史故障数据进行数据增强,生成与历史数据分布相似的虚拟故障样本;采用马氏距离评估虚拟样本的质量,剔除不可信样本,构造平衡的故障样本集.将故障样本映射到高维核空间,并在核空间中提取故障子空间.设计故障分类策略并定义4种故障分类性能评估指标以定量衡量算法的分类性能.Tennessee Eastman应用结果表明,所提数据增强方法可以有效扩充故障样本,进而提高故障重构率.与WGAN-GP和SMOTE方法进行对比,发现基于TimeGAN数据增强的故障分类方法具有更好的分类性能.

面向虚拟电厂运营的温度敏感负荷分析与演变趋势研判

随着极端天气频发,温度敏感负荷用电逐年攀升,温度敏感负荷作为虚拟电厂优质的调控资源,亟须分析气象变化对于此类负荷的影响,由于叠加极端高温、大规模寒潮等异常天气的影响,温度敏感负荷波动剧烈,常规分析预测方法难以适应极端气象场景。针对寒潮天气下温度敏感负荷样本数据及预测精度不足的问题,提出寒潮天气小样本条件下的温度敏感负荷日最大负荷预测方法。该方法先采用时序对抗生成网络(TimeGAN)扩充寒潮期间小样本数据,再采用卷积-长短时记忆神经网络(CNN-LSTM)对寒潮期间的日最大负荷进行预测。以国内某省近两年迎峰度冬期间数据进行模型验证,结果表明所提模型优于其他模型的预测结果,在验证集上日最大负荷的预测精度为99.5%。

基于TimeGAN的电液伺服阀性能评估模型

电液伺服阀容易受到油液污染的影响,当污染颗粒通过节流口时会对阀口壁面产生冲蚀磨损,使得电液伺服阀阀口过流断面变大,内泄漏量增加。针对现有仿真手段难以准确衡量电液伺服阀的性能退化,而试验样本有限等问题,提出一种基于时间序列生成对抗网络算法的评估模型用于评估电液伺服阀性能。首先分析了电液伺服阀的失效机理,然后建立了时间序列生成对抗网络算法的框架,利用维纳过程分析并得到了电液伺服阀的性能评估模型,最后设计并完成了污染磨损试验,利用时间序列生成对抗网络算法对试验数据扩充,通过参数估计的结果对比发现,利用时间序列生成对抗网络算法对试验数据扩充可以有效提升电液伺服阀性能评估模型的准确度。

基于配电网PMU的无监督电力系统扰动特征提取与分类

为应对大量分布式新能源接入给电网运行控制带来的挑战,同步相量测量技术被引入配电网。然而,配电网PMU数据量巨大且缺乏标签信息,如何合理利用海量无标签数据识别扰动为电网运行控制提供数据支撑是亟需解决的问题。针对该问题,该文提出一种长短时序生成对抗网络无监督特征提取框架(long-short-term time generative adversarial network,LST-TimeGAN)。该方法在传统时序对抗生成网络(time-series generative adversarial networks,TimeGAN)架构上,提出一种基于最小二乘决策损失函数的改进框架,使所提取特征能够反应数据异常程度并为分类提供可靠依据。同时,提出一种基于注意力机制的特征提取单元,提高了空间特征提取效率;进一步,建立长短时三窗并行框架,以对不同时间尺度的扰动特征具备敏感性;最后,以一种预分类、再识别的分类策略完成扰动识别。仿真和现场数据验证表明,该方法可实现无标签、少标签情形下的准确扰动识别;且该方法提取的特征不但能对输电网扰动进行识别,还能对本地电能质量扰动进行识别。

基于TimeGAN-CNN-LSTM模型的河流水质预测研究

为精确预测河流水质中的铵离子(NH_(4)^(+))浓度,针对某公开水质数据进行了研究,提出了一种基于时间序列对抗生成网络(TimeGAN)、卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型。使用TimeGAN对河流水质历史数据进行数据增强,生成合成时间序列数据;采用CNN对输入的数据进行特征提取,并通过全连接层将数据输入到LSTM中得到预测值,从而建立TimeGANCNN-LSTM河流水质预测模型。试验结果表明,模型预测效果良好,其平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2))分别为0.07、0.08和0.97,比CNN-LSTM模型分别提高了45.45%、47.06%和19.75%,比LSTM模型分别提高了50%、50%和21.25%。TimeGAN-CNN-LSTM既解决了训练模型时数据不充分的问题,又能够充分提取水质数据在时间和空间上的特征,具有较高的应用价值。

基于TimeGAN和多臂老虎机的WMN接入模式选择方法

无线Mesh网络是一种多跳网络,与传统无线网络不同,它融合了无线局域网WLAN和Ad Hoc网络的优势,具有易组织、高速率和自愈性等优点。由于无线Mesh网络存在负载高、不均衡业务以及业务突发性高等特性,直接在无线Mesh网络中应用传统无线自组网的经典接入算法可能会导致网络性能下降,包括丢包率偏高、吞吐量不足、端到端时延无法得到保障等问题。基于此,提出了一种基于时间序列生成对抗网络(Time-series Generative Adversarial Networks, TimeGAN)与和多臂老虎机(Multi-Armed Bandits, MAB)的无线Mesh网络接入模式选择方法,该方法使用TimeGAN生成无线Mesh网络中Mesh节点的时间序列数据,并将其用于预测不同接入模式下的网络性能;然后,使用多臂老虎机算法选择最佳的接入模式,以实现最优的网络性能。在使用具体硬件搭建的无线Mesh网络中进行了实验,结果表明所提出的方法具有显著的优势和实用性,对于提高无线Mesh网络的性能具有重要意义。

一种基于TimeGAN和OCSVM的多元退化设备小子样数据增广方法

工作在复杂环境下的多元退化设备面临失效数据少、多源信息融合准确度低和监督学习数据不平衡等问题,对此本文提出一种基于时间序列生成对抗网络(Time-series Generative Adversarial Networks,TimeGAN)与单分类支持向量机(One-Class Support Vector Machine,OCSVM)组合模型的小子样数据增广方法.方法引入了TimeGAN模型拟合真实数据时间序列相关性,从而生成新的多元退化设备数据.本文提出了一种基于最大均值差异改进方法的可信度判据,避免强相关特征对生成数据质量评价的影响,通过使用T-分布随机邻近嵌入(T-distributed Stochastic Neighbor Embedding,T-SNE)和全局最大均值差异(Global Maximum Mean Discrepancy,GMMD)的组合方法,定性定量地评价生成数据的质量水平.基于训练后的OCSVM模型,对生成数据进行异常检测与剔除,进一步提高生成数据的质量.以航空发动机数据集C-MAPSS为例进行方法验证分析,通过与其他数据增强模型对比验证了所提方法的可行性和有效性.

基于TimeGAN增强的CNN-LSTM模型在盾构掘进地表沉降中的预测研究

为更准确地预测小数据量下盾构法施工造成的地表沉降,提出基于TimeGAN(time series generative adversarial networks,时间序列生成对抗网络)增强的CNN(convolutional neural networks,卷积神经网络)-LSTM(long short-term memory,长短期记忆网络)盾构掘进地表沉降预测模型,并依托上海北横通道新建工程Ⅱ标盾构施工项目验证该增强模型的性能。首先,选取300环的部分施工参数、地质参数、几何参数以及地表最大沉降,对比LSTM、CNN-LSTM与TimeGAN-CNN-LSTM的性能,证明CNN-LSTM对于盾构施工环境下多参数的预测效果明显优于LSTM,TimeGAN-CNN-LSTM增强模型优于CNN-LSTM;然后,通过更改训练集及测试集的大小,对不同数据集下TimeGAN-CNN-LSTM增强模型相较CNN-LSTM的预测效果进行研究。结果表明:TimeGAN-CNN-LSTM增强模型预测效果相较CNN-LSTM模型提升显著,且当训练集与测试集比值为4~8时,提升最为显著。