采用改进生成式对抗网络的电力系统量测缺失数据重建方法

量测数据的采集、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。传统重建方法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及历史的负荷变化规律,重建精度低。该文提出了基于改进生成式对抗网络(wassersteingenerative adversarial networks,WGAN)的量测缺失值重建方法,并设计了适用于该问题的WGAN网络结构。通过WGAN的无监督训练,神经网络将自动学习到量测之间相关性、负荷波动规律等难以显式建模的复杂时空关系。利用真实性约束及上下文相似性约束优化隐变量,使得训练后的生成器将能够生成高精度的重建数据。文中方法完全依靠数据驱动,不涉及显式建模步骤,在大量量测出现缺失的情况下仍具有较高的重建精度。算例中分析了量测缺失数量与重建误差之间的关系,证明了文中方法性能稳定。对于算例中长期缺失的特定量测,文中方法所重建的数据能够体现量测真实的时序特性。

基于稀疏迭代协方差估计的缺失数据谱分析及时域重建方法

应用于缺失数据恢复的迭代自适应方法(IAA)被证实可利用20%的有效数据估计信号参数,并能高精度恢复缺失数据,优于经典GAPES方法,但当缺失数据超过80%时其数据恢复性能迅速下降。该文基于稀疏迭代协方差估计提出一种新的缺失数据谱分析方法(M-SPICE)及针对该方法的缺失数据修正时域重建方法。该方法将加权缺失数据协方差拟合代价函数转换为凸优化问题,构造循环最小化器保证缺失数据参数估计的全局收敛特性,通过对缺失数据估计算子的更新实现了时域重建方法的修正,使其在有效数据功率谱欠估计的情况下获得更高的数据重建精度。仿真实验表明无论是数据块缺失还是任意缺失,该方法均能够利用更少的有效数据进行谱分析,并重建大比例缺失数据。

基于ST-SSIM的电力系统缺失数据重建方法

电力系统数据采集、测量、传输和存储等过程均可能出现数据缺失问题,威胁电网安全。针对传统电力系统缺失数据重建方法仅考虑数据分布规律,忽略了数据时序与空间特性的问题,提出一种考虑时空特性的电力系统缺失数据重建模型(spatial-temporal seq2seq imputation model, ST-SSIM)。ST-SSIM具备编码-解码结构,编码器由基于图卷积层与长短时记忆单元构造的时空信息提取单元组成,用于提取数据高维时空特征,解码器由长短时记忆单元与全连接层组成,用于解码高维特征,生成电力系统数据。所提模型的输入包括电力系统数据时间序列与电网拓扑邻接矩阵,因此ST-SSIM可实现对电力系统数据复杂时空关系的自动学习。算例中,将所提方法与现有方法在不同规模电网下比较,ST-SSIM具有最高的重建精度,证明了ST-SSIM能有效地学习到电力系统数据的时空特性。通过讨论重建误差与数据缺失节点数以及缺失时间跨度的关系,验证了所提模型重建效果较稳定。

面向低压配电网智能电表误差监测的LightGBM-EM-EC多变量缺失数据高效重建

低压配电网智能电表误差监测是在不使用外部标准仪器的情况下对现场电表误差进行评估,有助于合理延长电表的使用年限,降低电网成本。然而,智能电表采集数据的缺失会降低远程误差监测的准确性。该文分析低压配电网智能电表数据缺失模式,研究数据缺失对误差监测模型的影响,提出一种面向低压配电网的智能电表误差监测数据重建方法。该方法构建单变量轻量级梯度提升机(light gradient boosting machine,Light GBM)重建器,建立基于期望最大化(expectation maximum,EM)算法的多变量缺失重建模型,根据能量守恒(energy conservation,EC)约束对重建数据进行二次修正。仿真结果表明,所提方法能够有效甄别数据集重要特征,明显降低时间复杂度,实现多个电能表数据同时缺失条件下的高精度重建,提高电表误差远程监测的准确性。

基于MODIS数据的青藏高原地表反射率重建方法研究

青藏高原地表反射率在自然资源监测、生态环境保护和地球科学研究等方面有着重要应用。MOD09A1反射率数据由于云等因素的影响产生了大量异常像元,使得数据存在信息损失不完整的问题。考虑到邻近时序遥感影像具有高相关性,同类地物光谱具备高相似性,本文针对青藏高原地区提出了一种基于残缺多时相数据与地表覆盖分类信息的地表反射率深度学习重建方法。首先,以多时相MOD09A1反射率数据和MCD12Q1地表覆盖分类数据为基础,通过异常像元去除、有效图层提取、投影转换与拼接,得到目标区域基础反射率图像及辅助数据;其次,根据残差网络基本原理,构建了基于多时相数据与地表覆盖分类信息融合的深度学习网络模型;然后,利用MOD09A1数据完整区域裁剪的云掩膜样本、基于地表覆盖分类和K-means聚类算法生成的增广样本对模型进行训练;最后,将训练好的模型用于缺失数据区域地表反射率重建。通过两组对比试验表明,本文方法降低了对多时相辅助影像数据量和完整性的要求,在多时相数据残缺情况下,结合地表覆盖分类信息可实现对青藏高原大范围地表反射率的修复与重建。

考虑数据缺失的短期光伏功率预测模型

准确的光伏功率预测对于现代电力系统的可靠性至关重要。由于传感器、通信系统或数据库系统的各种故障,历史和在线监测数据可能并不总是完整的。数据缺失会严重降低光伏功率预测模型的性能。为解决这一问题,提出一种具有缺失数据重建功能的短期光伏功率预测模型。首先通过位置编码自编码器完成缺失数据重建,然后通过残差网络和Autoformer的混合模型ResAutoformer进行功率预测。基于某光伏场站数据集的实验验证结果表明:与其他基准方法相比,所提出的模型在不同预测步长、不同数据缺失率下能够实现更高精度的预测。

基于压缩感知的稳健性说话人识别

阐述了在噪声条件下,将基于压缩感知理论的丢失数据重建技术应用于说话人识别系统的系统前端。首先使用Mel滤波器组将带噪语音信号转换成Mel频谱,然后利用带噪Mel谱中可靠数据重建不可靠数据,最后从重建的Mel频谱中提取Mel倒谱特征参数用于说话人识别。稳健性实验结果表明,该方法能够提高在噪声环境下说话人系统的识别率。