基于時序信號圖像編碼和生成對抗網(wǎng)絡(luò)的配電網(wǎng)臺區(qū)數(shù)據(jù)修復(fù)

劉科研，周方澤，周 暉

基于時序信號圖像編碼和生成對抗網(wǎng)絡(luò)的配電網(wǎng)臺區(qū)數(shù)據(jù)修復(fù)

劉科研1，周方澤2，周 暉2

(1.中國電力科學(xué)研究院有限公司，北京 100192；2.北京交通大學(xué)電氣工程學(xué)院，北京 100044)

受不可抗力影響，配電網(wǎng)低壓臺區(qū)數(shù)據(jù)中普遍存在缺失值，整體數(shù)據(jù)質(zhì)量較差，限制了臺區(qū)的精益化管理水平。傳統(tǒng)的數(shù)據(jù)修復(fù)方法忽略了數(shù)據(jù)的周期性和時序性，修復(fù)精度較低。提出了一種基于圖像編碼和生成對抗網(wǎng)絡(luò)的臺區(qū)缺失數(shù)據(jù)修復(fù)方法。首先引入了一種一維時序信號編碼圖像預(yù)處理方法，將原始的時序信號轉(zhuǎn)換為格拉姆角場圖像，然后利用卷積神經(jīng)網(wǎng)絡(luò)在圖像特征提取上的強大優(yōu)勢構(gòu)建了生成對抗網(wǎng)絡(luò)模型。結(jié)合像素損失和相似性損失的雙重約束條件增強了生成圖像的質(zhì)量。整體流程由數(shù)據(jù)驅(qū)動，無需先驗知識的分布假設(shè)與顯式物理建模。最后的算例結(jié)果表明，該方法能夠較為精確地實現(xiàn)臺區(qū)缺失數(shù)據(jù)的修復(fù)。

配電網(wǎng)；缺失數(shù)據(jù)修復(fù)；生成對抗網(wǎng)絡(luò)；格拉姆角場

0 引言

在“碳中和，碳達峰”的能源革命大背景下，配電網(wǎng)作為支撐經(jīng)濟社會發(fā)展的重要基礎(chǔ)設(shè)施，是支撐“雙碳”目標實現(xiàn)和智慧電網(wǎng)建設(shè)的關(guān)鍵性環(huán)節(jié)[1-2]，利用大數(shù)據(jù)技術(shù)來指導(dǎo)電網(wǎng)運行和管理已經(jīng)成為一種共識[3-4]。臺區(qū)分布廣泛，設(shè)備眾多，數(shù)據(jù)在采集、測量、傳輸、轉(zhuǎn)換等各個環(huán)節(jié)都可能出現(xiàn)故障或干擾，導(dǎo)致數(shù)據(jù)出現(xiàn)缺失，嚴重影響了臺區(qū)的精益化管理[5]，缺失數(shù)據(jù)的精確修復(fù)對提升臺區(qū)管理水平有著重要意義。

傳統(tǒng)的缺失值處理方法可以分為基于回歸的方法和基于機器學(xué)習(xí)的方法。前者的思想是利用無缺失的歷史數(shù)據(jù)來對缺失值進行預(yù)測，如文獻[6-7]分別使用ARIMA模型和支持回歸向量機來對缺失值進行修復(fù)。這種方法的缺點是僅僅利用了缺失值之前的信息，損失了缺失值之后的可利用數(shù)據(jù)信息，且不適用于數(shù)據(jù)缺失量太大的情形。后者的思想是將時間序列數(shù)據(jù)視為結(jié)構(gòu)化的數(shù)據(jù)，通過挖掘數(shù)據(jù)間蘊含的相關(guān)性完成缺失數(shù)據(jù)的修復(fù)，如文獻[8]使用矩陣分解方法。這些方法往往依賴于嚴格的假設(shè)，且沒有考慮到數(shù)據(jù)中的時序相關(guān)信息[9]。

隨著計算機技術(shù)的發(fā)展，基于深度學(xué)習(xí)的方法[10-11]在數(shù)據(jù)修復(fù)的問題上展現(xiàn)出了超越傳統(tǒng)方法的優(yōu)越性，這是因為基于深度學(xué)習(xí)的方法具備挖掘時序信息時隱藏信息的能力[9]。在2014年，Goodfellow提出了生成對抗網(wǎng)絡(luò)[12](generative adversarial network, GAN)，這一模型能夠估測數(shù)據(jù)樣本并在潛在分布中生成新的樣本，在缺失圖像修復(fù)和高分辨圖像重建上取得了豐碩的成果[13]。在電力系統(tǒng)領(lǐng)域，GAN已經(jīng)在樣本生成上得到了成功的應(yīng)用[14-15]，這說明GAN能夠精確地提取電網(wǎng)數(shù)據(jù)的潛在特征并生成符合真實分布的樣本。文獻[16]提出了將GAN用于電力系統(tǒng)量測缺失值的修復(fù)問題，且在大量數(shù)據(jù)缺失的情況下仍能保持較高的修復(fù)精度。文獻[17]對GAN的結(jié)構(gòu)進行了改進，為判別器額外設(shè)計了提示機制。文獻[18]結(jié)合了門控循環(huán)單元和GAN兩種模型，對波動性較大的光伏出力數(shù)據(jù)進行了修復(fù)。

上述研究雖然取得了一定成果，但大多是基于原始的一維信號通過一維卷積網(wǎng)絡(luò)或全連接網(wǎng)絡(luò)生成新數(shù)據(jù)。傳統(tǒng)GAN模型對于一維數(shù)據(jù)特征的提取能力不足，容易出現(xiàn)特征丟失的情況，導(dǎo)致生成的數(shù)據(jù)質(zhì)量較低。且基于一維卷積和全連接神經(jīng)網(wǎng)絡(luò)的特征提取方式會使得網(wǎng)絡(luò)參數(shù)數(shù)量遠多于二維卷積，在訓(xùn)練過程中容易發(fā)生模式崩潰(Mode collapse)的問題。

在對抗生成網(wǎng)絡(luò)的基礎(chǔ)上，本文引入了一種一維時序信號編碼為二維圖像的方式，將傳統(tǒng)的一維時序數(shù)據(jù)修復(fù)(Imputation)問題轉(zhuǎn)化為二維的圖像修復(fù)(Inpainting)問題，利用全卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像潛在特征的提取，顯著減少了網(wǎng)絡(luò)參數(shù)數(shù)量。最后通過生成圖像對角線元素的逆編碼，實現(xiàn)臺區(qū)缺失數(shù)據(jù)的修復(fù)。實驗結(jié)果表明，本文提出的方法在不同的缺失率下均表現(xiàn)出了良好的修復(fù)性能。

1 基本原理

1.1 圖像編碼方法

圖1 一維信號編碼成像過程

Fig. 1 A one-dimensional signal encodes to image

1.2 生成對抗網(wǎng)絡(luò)

生成對抗網(wǎng)絡(luò)是一種深度生成模型，源自博弈論中的納什零和博弈[22]，通過讓兩個神經(jīng)網(wǎng)絡(luò)以相互博弈的方式進行學(xué)習(xí)。GAN由一個生成網(wǎng)絡(luò)(generator network)與一個判別網(wǎng)絡(luò)(discriminator network)組成。生成網(wǎng)絡(luò)從潛在空間(latent space)中隨機取樣作為輸入，其輸出結(jié)果需要盡量模仿訓(xùn)練集中的樣本。判別網(wǎng)絡(luò)的輸入則為真實樣本或生成網(wǎng)絡(luò)的輸出，其目的是將生成網(wǎng)絡(luò)的輸出從真實樣本中盡可能地分辨出來。這兩個目標相反的網(wǎng)絡(luò)相互對抗，不斷調(diào)整參數(shù)，當(dāng)最后收斂時，GAN達到納什平衡，此時判別網(wǎng)絡(luò)再也無法判斷出一個樣本是來自于真實數(shù)據(jù)集還是生成網(wǎng)絡(luò)，即等價為生成網(wǎng)絡(luò)可以生成符合真實數(shù)據(jù)分布特征的樣本[23]。GAN的模型架構(gòu)如圖2所示。

圖2 GAN網(wǎng)絡(luò)模型

2 數(shù)據(jù)修復(fù)模型設(shè)計

2.1 生成對抗網(wǎng)絡(luò)模型架構(gòu)

對于臺區(qū)缺失數(shù)據(jù)修復(fù)問題，本文提出的整體生成對抗網(wǎng)絡(luò)框架如圖3所示，包含了一個生成網(wǎng)絡(luò)和一個判別網(wǎng)絡(luò)。其中的網(wǎng)絡(luò)結(jié)構(gòu)與自編碼器(auto-encoder)相似，通過無監(jiān)督的方式來學(xué)習(xí)數(shù)據(jù)的有效編碼。編碼器學(xué)習(xí)缺失圖像的有效特征表示并將其映射為隱變量，解碼器則嘗試通過隱變量生成圖像的缺失部分。Encoder和Decoder是一個互為逆運算的過程，從而更好地實現(xiàn)重構(gòu)。采用全卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建，網(wǎng)絡(luò)的詳細參數(shù)見表1。

圖3 基于生成對抗網(wǎng)絡(luò)的缺失數(shù)據(jù)修復(fù)框架

表1 生成器網(wǎng)絡(luò)結(jié)構(gòu)

的輸入為單通道24×24的GAF圖像，采用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計的普適性法則對網(wǎng)絡(luò)結(jié)構(gòu)進行設(shè)計，即在確定輸入的維度和通道數(shù)后，逐層增加通道數(shù)，并對特征維度逐層進行縮減?？紤]到原始輸入圖像的維度較低，為了充分提取圖像特征，在C1和C2層增加了通道數(shù)，但沒有對維度進行縮減。在每個2D卷積層后均添加批歸一化(Batchnorm)層，提升神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度[24]。激活函數(shù)選擇LeakyReLU，避免深度網(wǎng)絡(luò)中梯度消失的問題[25]。為了充分保留圖像的邊緣信息，對卷積層的輸入進行零填充，padding取值為1。缺失圖像在經(jīng)過編碼器后被映射至(1000×1×1)的隱變量空間中。需要指出的是，缺失圖像修復(fù)不需要自編碼器將隱變量還原為原始輸入，因而不要求編碼器將輸入映射至低維空間[26]。解碼器(C7—C10)的網(wǎng)絡(luò)結(jié)構(gòu)與編碼器基本類似，區(qū)別在于用反卷積層替代了編碼器中的卷積層。相似地，在反卷積層(C7—C9)后添加批歸一化層，激活函數(shù)均選擇LeakyReLU，C10的激活函數(shù)選擇Tanh。各反卷積參數(shù)經(jīng)過人為設(shè)計，以確保反卷積操作后的最終輸出維度與輸入的缺失圖像維度一致。

判別器(C11—C14)的網(wǎng)絡(luò)結(jié)構(gòu)與編碼器類似，網(wǎng)絡(luò)的詳細參數(shù)見表2。區(qū)別在于最后輸出層C14的激活函數(shù)選擇為sigmoid，將輸出映射至[0,1]區(qū)間，表示判別數(shù)據(jù)來源于真實數(shù)據(jù)集的概率。為了進一步提升的判別水平，引入了圖像修復(fù)領(lǐng)域中的PatchGAN[27]，即的輸出為一個2×2的矩陣，迫使關(guān)注圖像的更多區(qū)域。

表2 判別器網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)是一個非凸優(yōu)化問題，參數(shù)初始值的選取關(guān)系到網(wǎng)絡(luò)的優(yōu)化效率和泛化能力。對于GAN中的卷積層，均采用均值為0、方差為0.02的高斯分布對每個參數(shù)進行隨機初始化。

2.2 缺失數(shù)據(jù)修復(fù)流程

該模型的缺失數(shù)據(jù)修復(fù)流程如圖4所示，整體可以分為兩個階段，首先基于訓(xùn)練集對模型進行訓(xùn)練，然后將測試集數(shù)據(jù)輸入訓(xùn)練完成的GAN網(wǎng)絡(luò)，實現(xiàn)缺失數(shù)據(jù)的修復(fù)。

圖4 缺失數(shù)據(jù)修復(fù)流程

Fig. 4 Flow chart of missing data imputation

2.3 生成對抗網(wǎng)絡(luò)優(yōu)化目標

另一方面，真實性損失則是使得的生成結(jié)果更接近實際圖像，如式(10)所示。

結(jié)合以上兩個損失函數(shù)，GAN生成缺失圖像過程，總損失表示為

3 算例分析

本文使用Intel I7 3.0 GHz CPU，16 GB RAM 配置以及Windows10 64 位操作系統(tǒng)的PC，以Pytorch為深度學(xué)習(xí)框架編制Python程序，以實際的臺區(qū)數(shù)據(jù)對所提算法的性能進行了驗證。

3.1 數(shù)據(jù)預(yù)處理

將前300天的數(shù)據(jù)劃分為訓(xùn)練集，后65天的數(shù)據(jù)劃分為測試集?？紤]到現(xiàn)實中臺區(qū)采集數(shù)據(jù)的缺失位置以及數(shù)量不可控，具有極強的隨機性與不確定性，實驗在設(shè)置掩碼矩陣時不人為指定固定缺失點，而是在保證缺失數(shù)量時隨機生成掩碼矩陣。如設(shè)置數(shù)據(jù)缺失率為20%時，對于一條有100 個采樣點的樣本，其缺失值將在20 個采樣點上下浮動，以此來量化模型對臺區(qū)缺失數(shù)據(jù)的修復(fù)效果。

設(shè)置數(shù)據(jù)缺失率為20%，以第301天到第306天共6天的負荷曲線為例，每一天的曲線編碼成為一個圖像，編碼后的無缺失圖像和缺失圖像分別如圖5和圖6所示。

由圖5可知，編碼后的圖像具備高度的相似性，這是因為原始的臺區(qū)負荷曲線具備相似的周期性和形態(tài)。所提出的模型對圖像中所蘊含的隱式特征進行識別和提取，進而完成對于缺失圖像的修復(fù)。由圖6可知，由于在設(shè)置掩碼矩陣時隨機指定缺失位置，因而呈現(xiàn)出不同的缺失區(qū)域。

圖5 無缺失圖像

圖6 缺失圖像

3.2 數(shù)據(jù)修復(fù)評價指標

以均方根誤差(root mean square error, RMSE)和平均絕對百分比誤差(mean absolute percentage error, MAPE)作為衡量數(shù)據(jù)修復(fù)效果的指標。計算公式為

3.3 缺失數(shù)據(jù)修復(fù)結(jié)果

同樣以第301天到第306天的負荷曲線為例，利用GAN網(wǎng)絡(luò)實現(xiàn)圖像修復(fù)后的結(jié)果，如圖7所示。

將圖7與圖5進行對比，可以看出修復(fù)后的圖像與原始的無缺失圖像表現(xiàn)出了高度的一致性，這證明了所提出的GAN模型能夠取得良好的圖像修復(fù)效果。

圖7 修復(fù)圖像

圖8 臺區(qū)負荷修復(fù)結(jié)果

由圖8可以看出，修復(fù)后的曲線精確地刻畫出了臺區(qū)負荷的周期性，整體擬合性良好。在缺失率為20%的情況下，對于缺失數(shù)據(jù)的修復(fù)精度達到了2.14%。測試集中共有292個缺失點，詳細的修復(fù)效果如表3所示。

表3 修復(fù)數(shù)據(jù)MAPE誤差分析表

由表3可以看出，71.92%的缺失數(shù)據(jù)修復(fù)誤差小于2%，數(shù)據(jù)的整體修復(fù)效果良好。僅有2.74%的缺失數(shù)據(jù)修復(fù)精度超過5%，其中最大誤差為10.94%，屬于可接受的范圍。

為了進一步驗證模型在不同缺失率下的修復(fù)精度，設(shè)置測試集的缺失率從20%遞增至90%，模型的修復(fù)效果如表4所示。

表4 不同缺失率下的數(shù)據(jù)修復(fù)誤差

由表4可知，本文提出的修復(fù)模型在不同的缺失率下均保持了較高的修復(fù)精度，且整體的修復(fù)精度并不隨缺失率的上升而發(fā)生明顯下降，平均誤差僅為2.39%。從細節(jié)上看，在缺失率超過80%時，修復(fù)性能較低缺失率情況發(fā)生了一定的降低，但是仍然維持在一個較為精準的水平，實驗結(jié)果證明了本文所提模型在數(shù)據(jù)修復(fù)問題上的優(yōu)越性。

4 結(jié)論

本文提出了一種基于圖像化編碼和GAN的應(yīng)用于臺區(qū)缺失數(shù)據(jù)的修復(fù)方法。該方法首先引入了一種一維信號的圖像化編碼方法，將傳統(tǒng)的一維數(shù)據(jù)修復(fù)問題轉(zhuǎn)換為二維圖像修復(fù)問題。然后利用GAN無監(jiān)督的自學(xué)能力和卷積神經(jīng)強大的特征提取能力，利用完整數(shù)據(jù)進行了數(shù)據(jù)分布特征的隱式建模，克服了物理建模的表征難題，完全依賴于數(shù)據(jù)驅(qū)動，是一種“端到端”(end to end)的數(shù)據(jù)修復(fù)方法。為了進一步優(yōu)化GAN的生成性能，提出了像素損失和真實性損失的雙重約束。在不同的缺失率下，本文方法均表現(xiàn)出了良好的適應(yīng)性，證明了該方法在數(shù)據(jù)修復(fù)問題上的優(yōu)越性。

[1] 黃少雄, 王璨, 孔慶竹, 等. 含短期預(yù)測的光伏配電網(wǎng)智能調(diào)壓策略[J]. 熱力發(fā)電, 2020, 49(7): 21-27.

HUANG Shaoxiong, WANG Can, KONG Qingzhu, et al. Intelligent voltage regulation strategy of photovoltaic distribution network considering short-term forecasting[J]. Thermal Power Generation, 2020, 49(7): 21-27.

[2] 王贊, 陳光, 董曉, 等. 基于工業(yè)互聯(lián)網(wǎng)的智慧能源服務(wù)系統(tǒng)架構(gòu)研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(3): 77-83.

WANG Zan, CHEN Guang, DONG Xiao, et al. Research on the architecture of smart energy service system based on industrial internet[J]. Power System Protection and Control, 2020, 48(3): 77-83.

[3] CHEN H, WANG X, LI Z, et al. Distributed sensing and cooperative estimation/detection of ubiquitous power internet of things[J]. Protection and Control of Modern Power Systems, 2019, 4(2): 151-158.

[4] 鄒昊東, 王鵬飛, 陶曄波, 等. 面向大數(shù)據(jù)處理的數(shù)據(jù)中心節(jié)能調(diào)度策略研究[J]. 電力信息與通信技術(shù), 2021, 19(3): 34-42.

ZOU Haodong, WANG Pengfei, TAO Yebo, et al. Research on energy-saving scheduling strategy of data center oriented to big data processing platform[J]. Electric Power Information and Communication Technology, 2021, 19(3): 34-42.

[5] 趙洪山, 壽佩瑤, 馬利波. 低壓臺區(qū)缺失數(shù)據(jù)的張量補全方法[J]. 中國電機工程學(xué)報, 2020, 40(22): 7328-7337.

ZHAO Hongshan, SHOU Peiyao, MA Libo. A tensor completion method of missing data in transformer district[J]. Proceedings of the CSEE, 2020, 40(22): 7328-7337.

[6] JUNGER W L, DE LEON A P. Imputation of missing data in time series for air pollutants[J]. Atmospheric Environment, 2015: 96-104.

[7] SHANG Q, YANG Z, GAO S, et al. An imputation method for missing traffic data based on FCM optimized by PSO-SVR[J]. Journal of Advanced Transportation, 2018(1): 1-21.

[8] 王毅, 李鼎睿, 康重慶. 低秩矩陣分解在母線壞數(shù)據(jù)辨識與修復(fù)中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2017, 41(6): 1972-1979.

WANG Yi, LI Dingrui, KANG Chongqing. Application of low-rank matrix factorization in bad data identification and recovering for bus load[J]. Power System Technology, 2017, 41(6): 1972-1979.

[9] FANG C, WANG C. Time series data imputation: a survey on deep learning approaches[J]. arXiv preprint arXiv, 2011.

[10] CHE Z, PURUSHOTHAM S, CHO K, et al. Recurrent neural networks for multivariate time series with missing values[J]. Scientific Reports, 2018, 8(1): 60-85.

[11] CAO Wei, WANG Dong, LI Jian, et al. Brits: bidirectional recurrent imputation for time series[J]. arXiv preprint arXiv, 2018.

[12] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[J]. Advances in Neural Information Processing Systems, 2014, 3: 2672-2680.

[13] 陳佛計, 朱楓, 吳清瀟, 等. 生成對抗網(wǎng)絡(luò)及其在圖像生成中的應(yīng)用研究綜述[J]. 計算機學(xué)報, 2021, 44(2): 347-369.

CHEN Foji, ZHU Feng, WU Qingxiao, et al. A survey about image generation with generative adversarial nets[J]. Chinese Journal of Computers, 2021, 44(2): 347-369.

[14] 李輝, 任洲洋, 胡博, 等. 基于時序生成對抗網(wǎng)絡(luò)的月度風(fēng)光發(fā)電功率場景分析方法[J]. 中國電機工程學(xué)報, 2022, 42(2): 537-548.

LI Hui, REN Zhouyang, HU Bo, et al. A sequential generative adversarial network based monthly scenario analysis method for wind and photovoltaic power[J]. Proceedings of the CSEE, 2022, 42(2): 537-548.

[15] 肖雄, 肖宇雄, 張勇軍, 等. 基于二維灰度圖的數(shù)據(jù)增強方法在電機軸承故障診斷的應(yīng)用研究[J]. 中國電機工程學(xué)報, 2021, 41(2): 738-749.

XIAO Xiong, XIAO Yuxiong, ZHANG Yongjun, et al. Research on the application of the data augmentation method based on 2D gray pixel images in the fault diagnosis of motor bearing[J]. Proceedings of the CSEE, 2021, 41(2): 738-749.

[16] 王守相, 陳海文, 潘志新, 等. 采用改進生成式對抗網(wǎng)絡(luò)的電力系統(tǒng)量測缺失數(shù)據(jù)重建方法[J]. 中國電機工程學(xué)報, 2019, 39(1): 56-64, 320.

WANG Shuoxiang, CHEN Haiwen, PAN Zhixin, et al. A reconstruction method for missing data in power system measurement using an improved generative adversarial network[J]. Proceedings of the CSEE, 2019, 39(1): 56-64, 320.

[17] 劉科研, 周方澤, 周暉, 等. 基于改進生成對抗網(wǎng)絡(luò)的臺區(qū)采集數(shù)據(jù)修復(fù)[J]. 電網(wǎng)技術(shù), 2022, 46(8): 3231-3240.

LIU Keyan, ZHOU Fangze, ZHOU Hui, et al. Missing data imputation in transformer district based on improved generative adversarial network[J]. Power System Technology, 2022, 46(8): 3231-3240.

[18] ZHANG Wenjie, LUO Yonghong, ZHANG Ying, et al. SolarGAN: multivariate solar data imputation using generative adversarial network[J]. IEEE Transactions on Sustainable Energy, 2021, 12(1): 743-746.

[19] WANG Z, OATES T. Imaging time-series to improve classification and imputation[C] // Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence, July 28-August 1, 2015, Buenos Aires, Argentina: 3939-3945.

[20] 鄭煒, 林瑞全, 王俊, 等. 基于GAF與卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動分類[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 97-104.

ZHENG Wei, LIN Ruiquan, WANG Jun, et al. Power quality disturbance classification based on GAF and a convolutional neural network[J]. Power System Protection and Control, 2021, 49(11): 97-104.

[21] 陳軍鋒, 王雪, 張效天. 非侵入式負荷識別邊緣計算顏色編碼研究[J]. 儀器儀表報, 2020, 41(9): 12-19.

CHEN Junfeng, WANG Xue, ZHANG Xiaotian. Non- intrusive load recognition using color encoding in edge computing[J]. Chinese Journal of Scientific Instrument, 2020, 41(9): 12-19.

[22] 袁培, 王舶仲, 毛文奇, 等. 基于多重生成對抗網(wǎng)絡(luò)的智能開關(guān)設(shè)備狀態(tài)感知與診斷研究[J]. 電力系統(tǒng)保護與控制, 2021, 49(6): 67-75.

YUAN Pei, WANG Bozhong, MAO Wenqi, et al. Research on state perception and diagnosis of intelligent switches based on triple generative adversarial networks[J]. Power System Protection and Control, 2021, 49(6): 67-75.

[23] 邱錫鵬. 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M]. 北京: 機械工業(yè)出版社, 2019.

[24] SERGEY I O, SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[C] // Proceedings of the 32nd International Conference on Machine Learning, 2015, Lille, France: 448-456.

[25] XU Bing, WANG Naiyan, CHEN Tianqi, et al. Empirical evaluation of rectified activations in convolutional network[J]. arXiv preprint arXiv, 2015.

[26] PATHAK D, KRAHENBUHL P, DONAHUE J, et al. Context encoders: feature learning by inpainting[C] // Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition, 2016, Las Vegas, USA: 2536-2544.

[27] ISOLA P, ZHU J Y, ZHOU T, et al. Image-to-image translation with conditional adversarial networks[C] // Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition, 2017, Honolulu, USA: 1147-1156.

Missing data imputation in a transformer district based on time series imaging encoding and a generative adversarial network

LIU Keyan1, ZHOU Fangze2, ZHOU Hui2

(1. China Electric Power Research Institute, Beijing 100192, China; 2. College of Electrical Engineering,Beijing Jiaotong University, Beijing 100044, China)

For various reasons, there are generally missing values in low voltage transformer districts, and overall data quality is poor. This limits lean management for a distribution network. Traditional data imputation methods ignore the periodicity and temporality of data and the imputation accuracy is relatively low. This paper proposes an imputation method based on imaging encoding and a generative adversarial network. First, a method for one-dimensional time series encoding to a two-dimension image is introduced, the original signals are transformed to Gramian angular field images. Second, using the powerful advantages of a convolutional neural network in image feature extraction, a generative adversarial network model is constructed. Combining the dual constraints of pixel and similarity loss, the quality of generated images is improved. The overall process is driven by data, does not need the distribution hypothesis of prior knowledge and explicit physical modeling. Lastly, experimental results show that this method could accurately impute missing values in a transformer district.

distribution network; missing data imputation; generative adversarial network; Gramian angular field

10.19783/j.cnki.pspc.220256

國家電網(wǎng)公司科技項目資助“支撐精益化管理的配電大數(shù)據(jù)分析技術(shù)研究與基礎(chǔ)平臺開發(fā)”(52020116000G)

This work is supported by the Science and Technology Project of State Grid Corporation of China (No. 52020116000G).

2022-03-02；

2022-04-27

劉科研(1978—)，男，博士，高級工程師，主要研究方向為配電網(wǎng)建模仿真與智能分析；E-mail: liukeyan@ epri.sgcc.com.cn

周方澤(1993—)，男，通信作者，博士研究生，研究方向為配電網(wǎng)建模仿真以及深度學(xué)習(xí)在配電網(wǎng)中的應(yīng)用；E-mail: zhoufangze@gmail.com

周 暉(1964—)，女，博士，副教授，主要從事電力市場運營、電力負荷預(yù)測、電力系統(tǒng)經(jīng)濟調(diào)度的研究。E-mail: hzhou@bjtu.edu.cn

(編輯 許 威)