CN113746087B - 基于ctgan的电网暂稳样本可控生成以及评估方法和*** - Google Patents
基于ctgan的电网暂稳样本可控生成以及评估方法和*** Download PDFInfo
- Publication number
- CN113746087B CN113746087B CN202110955115.6A CN202110955115A CN113746087B CN 113746087 B CN113746087 B CN 113746087B CN 202110955115 A CN202110955115 A CN 202110955115A CN 113746087 B CN113746087 B CN 113746087B
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- model
- transient stability
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于CTGAN的电网暂稳样本可控生成以及评估方法,首先,将电网数据处理为表格型数据,以母线、发电机、节点的属性值为特征;然后,使用拼接或相乘的方法将暂态稳定性和负荷水平等多个条件转换为一个独热编码作为控制生成的条件向量,并使用变分高斯混合模型对数据的连续值进行拟合和归一化处理,作为数据生成模型的输入;最后,搭建基于CTGAN的数据生成模型并进行训练,将训练得到的模型应用于电网暂稳样本可控生成任务;提出了从条件控制效果、合成数据与真实数据相似度、合成数据用于训练暂稳评估模型的效果这三个方面对电网数据生成模型进行有效评估的评估框架。本发明还包括基于CTGAN的电网暂稳样本可控生成以及评估***。
Description
技术领域
本发明涉及一种电网暂稳样本数据的可控生成方法以及对应的数据生成模型评估方法和***。
背景技术
电力***暂态稳定性,指的是正常运行的电力***承受一定扰动后恢复到原有的运行状态或者安全过渡到新的运行状态的能力。暂态稳定计算是研究电力***运行情况稳态运行状态的一种基本计算,主要工具是计算机,基于电力***的复杂性,暂稳计算时间长,效率低,这种情况促使电力***相关的研究人员寻找更加快速可靠的暂态稳定评估方法。近年来,随着人工智能技术的快速发展,利用相关模型来学习电网样本,来评估电网暂态稳定性特征的方法不断被提出并且应用于电网暂稳评估。
基于人工智能的算法都具有数据驱动的特点,实际情况中,针对电网稳态评估问题的数据来源,存在数据来源有限以及分布不均衡的问题,例如稳定样本多,失稳样本少。因此需要对电网数据进行补充,尤其是补充稀缺场景的样本,以完善电网训练数据,提高电网暂稳评估模型的有效性。
生成对抗网络是一种可靠的数据生成模型,利用生成器和判别器的对抗训练得到优秀的数据生成器。条件生成对抗网络是增加了生成条件的生成对抗网络,可控制生成数据的类型。CTGAN模型是一种适用于表格型数据的条件生成对抗网络模型。
电网暂稳样本数据生成问题属于数据生成问题,研究电网暂稳样本的生成,并且将生成的暂稳样本应用于电网暂稳评估模型的训练。电网暂稳样本数据可表示为表格型数据,其属性包括母线、负荷、发电机等节点的特征值。因此,将电网暂稳样本构建成表格型数据,利用适用于表格型数据的数据生成模型CTGAN来学***的电网数据,可实现电网数据生成任务。
发明内容
为解决上述问题,本发明提供一种基于CTGAN的电网暂稳样本可控生成以及评估方法。
本发明考虑电网数据的结构特点,将电网暂稳样本建模为表格型数据,并在现有的CTGAN模型技术的基础上,提出了一种用于电网暂稳样本的数据可控生成方法以及对应的数据生成模型评估方法。本发明的技术方案是:
一种用于电网暂稳样本的数据可控生成方法以及评估方法,包含如下步骤:
1.构建电网暂稳样本数据集;
利用MATLAB的电力***仿真工具PSAT来构建数据集。首先确定电力***的结构,然后以合适的步长分别设置电网负荷水平、故障线路、线路故障位置、故障持续时间这些参数,分别进行时域仿真,根据仿真结果得到电网样本暂态稳定性。如此便可以获得具有暂态稳定性以及负荷水平标签的电网暂稳样本,然后将它们建模为表格型数据以构成电网暂稳样本数据集。
2.控制生成多条件向量;
在条件生成对抗网络中,条件向量为独热编码形式,为单一条件控制,本发明引入一种简单的多条件向量转换方法,旨在将k个条件向量通过如下两种方式之一的方法转换为单一条件向量输入:
3.构建变分高斯混合模型;
经过步骤1获得表格型的电网暂稳样本数据集后,将数据集应用于数据生成模型的训练之前,需要对数据进行处理再输入模型训练。电网样本由母线、负荷、发电机节点的对应属性值组成,这些属性值都属于连续值,在表格中为连续列,具有比较复杂的分布。利用变分高斯混合模型VGM对每一个连续列都进行拟合混合高斯分布,分布的表达式如下:
其中Ci表示第i个连续列,mi表示VGM的模数,μk,ηk和φk分别表示每个模式的权重,期望和标准差。
对于Ci中的每个值ci,j,计算ci,j来自每个模式的概率:
选择概率密度最高的模式k,则有:
αi,j=[0,…,0,1,0,…,0] (5)
其中αi,j表示在第k位为1的独热编码,βi,j的范围被控制在区间[-1,1]内。
每个连续列的一个值都被该列拟合的混合高斯模型表示为一个表示模式的独热向量αi,j和一个表示模式内的值的标量βi,j,从而对数据进行了有效的归一化处理,经过处理的数据用于模型的输入。
4.构建CTGAN模型;
本发明采取CTGAN模型作为基础数据生成模型,其主要组成部分包括生成器和判别器。在生成器和判别器的网络中都使用全连接层来学习所有特征之间的关系。在生成器中,使用两个全连接层,并且每个全连接层都配有批归一化层以及ReLU激活层,并且将tanh和softmax激活函数用于输出层。在判别器中,使用两个全连接层,并且使用dropout层来适当筛选节点,减少过拟合。
5.进行电网暂稳数据可控生成任务;
将步骤1构建好的电网暂稳数据集作为训练集,经过步骤2、步骤3的处理之后,应用于构建的CTGAN模型的训练,在训练过程中,每次迭代中先后训练a次判别器,以及训练b次生成器,经过m次迭代来更新生成器和判别器中的参数,得到用于电网暂稳样本数据生成的网络模型。将得到的模型应用到电网数据生成任务中,输出带有电网暂态稳定性以及负荷水平的电网样本,并且可以分别控制电网暂态稳定性以及负荷水平这两个标签的生成条件,从而可以有目标地生成特定标签的样本,例如控制生成暂态不稳定样本。
6.引入电网数据生成模型评估框架;
经过步骤5,得到电网数据生成模型并且实现了电网暂稳样本可控生成任务后,需要对数据生成模型进行有效的评估。引入一种多方位的电网暂稳数据生成模型的评估框架。
优选地,步骤6所述的多方位的电网暂稳数据生成模型的评估框架,由如下三种评估方式组成:
步骤6.1数据生成模型的条件控制效果评估,具体包括:实现的基于CTGAN的电网样本生成模型应当具有可控制数据生成过程中电网样本的暂态稳定性特征以及可控制生成数据的电网负荷水平等条件的能力。在不设置控制条件、更改控制条件的情况下,统计生成数据的相关条件的生成概率。例如,比较不设置控制条件、设置控制条件为电网暂态稳定、设置控制条件为电网暂态失稳这三种情况下生成数据的暂态稳定电网样本的比例,可以评估模型在电网稳定性条件控制上的效果。对于负荷需求等条件的效果评估同理;
步骤6.2合成数据与真实数据的相似度计算,具体包括:使用降维方法将数据维度降低至合适维度,将降维后的数据通过分箱操作转换为离散概率分布的形式,分别得到合成数据概率分布和真实数据概率分布,最后计算合成电网数据概率分布与真实电网数据概率分布的距离,来衡量模型生成的合成数据的质量。
步骤6.3合成数据应用于电网暂稳评估模型训练的效果评估,具体包括:选取经典的用于分类问题的网络模型作为电网暂稳评估模型,将真实数据集随机划分为训练集和测试集,分别将真实数据训练集、补充了不同大小合成数据的补充数据集用于电网暂稳评估模型的训练,得到不同的电网暂稳评估模型,将这些模型在真实数据测试集上进行测试:
其中TP,TN,FP,FN分别表示正样本预测正确,负样本预测正确,正样本预测错误,负样本预测错误的数量,计算得到准确率accuracy、暂稳样本召回率recallP、失稳样本召回率recallN作为评价指标,评估模型质量。
步骤6.2所述的计算合成电网数据概率分布与真实电网数据概率分布的距离包括:计算合成数据与真实数据集这两个分布之间的KL散度、JS散度、Wasserstein距离。
实施本发明的基于CTGAN的电网暂稳样本可控生成以及评估方法的***,包括依次连接的电网暂稳样本数据集模块、多条件向量控制生成模块、变分混合高斯模型构建模块、CTGAN模型模块、电网暂稳数据可控生成模块、电网数据生成模型评估框架引入模块。
本发明学***这两个条件,可控制地生成稀缺类型的电网样本。
本发明的优点是:考虑了电网暂稳数据的结构特点,将电网数据建模为表格型数据,并在现有CTGAN模型的基础上,使用变分高斯混合模型对连续列进行拟合和归一化处理,并且通过多条件转换为单一条件向量的方法实现了电网暂态稳定性和电网负荷水平的复杂生成条件控制,最后实现了可控制的电网暂稳样本数据生成任务,并且设计了多方位的评估框架对得到的电网数据生成模型进行有效评估。
附图说明
图1是本发明的电网数据生成方法的流程示意图。
图2a~图2b是本发明的多条件向量转换方法示意图,其中图2a是条件向量拼接示意图,图2b是条件向量相乘示意图。
图3是本发明的变分高斯混合模型拟合示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行清晰、完整的解释和描述。
一种用于电网暂稳样本的数据可控生成方法以及评估方法,包含如下步骤:
1.构建电网暂稳样本数据集;
利用MATLAB的电力***仿真工具PSAT来构建数据集。首先确定电力***的结构,例如以新英格兰10机39节点***为算例,然后以合适的步长分别设置电网负荷水平、故障线路、线路故障位置、故障持续时间这些参数,分别进行时域仿真,若仿真结束后存在发电机功角之差达到360度以上,则表示该样本暂态不稳定,即暂态失稳。如此便可以获得具有暂态稳定性以及负荷水平标签的电网暂稳样本,然后将它们建模为表格型数据。取时域仿真的故障切除时刻的电网中母线的电压幅值和电压相角、负荷的有功功率和无功功率、发电机的有功功率和无功功率的数值集合来表示电网暂稳样本,加上暂态稳定性以及负荷水平标签,作为一条电网样本数据,即可转换为表格型数据。至此电网暂稳数据集构建完成(图1.(a)-图1.(b))。
2.控制生成多条件向量;
在条件生成对抗网络中,条件向量在输入前会被转换为独热编码形式,为单一条件控制,本发明引入一种简单的多条件向量转换方法,将k个条件向量通过如下两种方式之一的方法转换为单一条件向量输入:
其中,表示拼接,表示相乘。将电网暂态稳定性以及电网负荷水平这两个生成条件都经过独热编码,进行拼接或者相乘(图2.(a)-图2.(b)),可转换为一个条件向量,作为数据生成模型的条件输入,可以控制生成样本的标签类型。
3.构建变分混合高斯模型;
经过步骤1获得表格型的电网暂稳样本数据集后,将数据集应用于数据生成模型的训练之前,需要对数据进行处理再输入模型训练。电网样本由母线、负荷、发电机节点的对应属性值组成,这些属性值都属于连续值,在表格中为连续列,具有比较复杂的分布。本发明引入变分高斯混合模型(Variational Gaussian mixture model,简称VGM)来实现连续值的归一化处理。利用VGM,对每一个连续列都进行拟合混合高斯分布,分布的表达式如下:
其中Ci表示第i个连续列,mi表示VGM的模数,μk,ηk和φk分别表示每个模式的权重,期望和标准差。
对于Ci中的每个值ci,j,计算ci,j来自每个模式的概率:
选择概率密度最高的模式k,则有:
αi,j=[0,…,0,1,0,…,0] (5)
其中αi,j表示在第k位为1的独热编码,βi,j的范围被控制在区间[-1,1]内。然后计算每个值在不同模式下的概率密度,选择概率密度最高的模式(图3),每个连续列的一个值都被该列拟合的混合高斯模型表示为一个表示模式的独热向量和一个表示模式内的值的标量,例如选择模数为5的变分高斯混合模型拟合Ci,计算ci,j在5个模式下的概率密度ρ1,ρ2,ρ3,ρ4,ρ5,假设最高为ρ3,则将表示为αi,j=[0,0,1,0,0]和βi,j=(ci,j-η3)/4φ3,从而对数据进行了有效的归一化处理,经过处理的数据用于模型的输入。
4.构建CTGAN模型;
本发明采取CTGAN模型作为基础数据生成模型,其主要组成部分包括生成器和判别器。在生成器和判别器的网络中都使用全连接层来学习所有特征之间的关系。在生成器中,使用两个全连接层,并且每个全连接层都配有批归一化层以及ReLU激活层,并且将tanh和softmax激活函数用于输出层。在判别器中,使用两个全连接层,并且使用dropout层来适当筛选节点,减少过拟合。
5.进行电网暂稳数据可控生成任务;
将第步骤1构建好的电网暂稳数据集作为训练集,经过步骤2和步骤3的处理之后,应用于构建的CTGAN模型的训练,在训练过程中,每次迭代中先后训练a次判别器,以及训练b次生成器,经过m次迭代来更新生成器和判别器中的参数,得到用于电网暂稳样本数据生成的网络模型。将得到的模型应用到电网数据生成任务中,输出带有电网暂态稳定性以及负荷水平的电网样本,并且可以分别控制电网暂态稳定性以及负荷水平这两个标签的生成条件,从而可以有目标地生成特定标签的样本,例如控制生成暂态不稳定样本。
6.引入电网数据生成模型评估框架;
经过步骤5,得到电网数据生成模型并且实现了电网暂稳样本可控生成任务后,需要对数据生成模型进行有效的评估。引入一种多方位的电网暂稳数据生成模型的评估框架,由如下三种评估方式组成:(1)数据生成模型的条件控制效果评估(2)合成数据与真实数据的相似度计算(3)合成数据应用于电网暂稳评估模型训练的效果评估。
6.1数据生成模型的条件控制效果评估(图1.(f))。实现的基于CTGAN的电网样本生成模型应当具有可控制数据生成过程中电网样本的暂态稳定性特征以及可控制生成数据的电网负荷水平等条件的能力。在不设置控制条件、更改控制条件的情况下,统计生成数据的相关条件的生成概率。例如,比较不设置控制条件、设置控制条件为电网暂态稳定、设置控制条件为电网暂态失稳这三种情况下生成数据的暂态稳定电网样本的比例,可以评估模型在电网稳定性条件控制上的效果。对于负荷需求等条件的效果评估同理。
6.2合成数据与真实数据的相似度计算(图1.(g))。使用降维方法,例如PCA主成分分析法,将数据维度降低至合适维度,将降维后的数据通过分箱操作转换为离散概率分布的形式,分别得到合成数据概率分布和真实数据概率分布,最后计算合成电网数据概率分布与真实电网数据概率分布的距离,来衡量模型生成的合成数据的质量。例如,通过计算合成数据与真实数据集这两个分布之间的KL散度、JS散度、Wasserstein距离来评估合成数据与真实数据的相似程度。
6.3合成数据应用于电网暂稳评估模型训练的效果评估(图1.(h))。选取经典的用于分类问题的网络模型作为电网暂稳评估模型,将真实数据集随机划分为训练集和测试集,分别将真实数据训练集、补充了不同大小合成数据的补充数据集用于电网暂稳评估模型的训练,得到不同的电网暂稳评估模型,将这些模型在真实数据测试集上进行测试,并计算测试评价指标:
其中TP,TN,FP,FN分别表示正样本预测正确,负样本预测正确,正样本预测错误,负样本预测错误的数量,计算得到准确率accuracy、暂稳样本召回率recallP、失稳样本召回率recallN作为评价指标,评估模型质量。
实施本发明的基于CTGAN的电网暂稳样本可控生成以及评估方法的***,包括依次连接的电网暂稳样本数据集模块、多条件向量控制生成模块、变分混合高斯模型构建模块、CTGAN模型模块、电网暂稳数据可控生成模块、电网数据生成模型评估框架引入模块。
各模块的具体内容,分别与本实施例的发明方法的步骤1~步骤6对应。
本发明考虑到电网样本可转换为表格型结构的表示特性,把电网样本数据处理为表格型数据,在现有CTGAN模型方法的基础上,从暂态稳定性以及电网样本负荷水平这两个条件出发,可控制地生成稀缺类型的电网样本,提出了一种基于CTGAN的电网暂稳样本数据可控生成方法以及对应的数据生成模型评估方法。首先,将电网数据处理为表格型数据,以母线、发电机、节点的属性值为特征。然后,使用拼接或相乘的方法将暂态稳定性和负荷水平等多个条件转换为一个独热编码作为控制生成的条件向量,并使用变分高斯混合模型对数据的连续值进行拟合和归一化处理,作为数据生成模型的输入。最后,搭建基于CTGAN的数据生成模型并进行训练,将训练得到的模型应用于电网暂稳样本可控生成任务。此外,提出了从条件控制效果、合成数据与真实数据相似度、合成数据用于训练暂稳评估模型的效果这三个方面对电网数据生成模型进行有效评估的评估框架。本发明结合人工智能领域的数据生成方法和电网领域的经典暂态稳定评估问题,在电网暂稳样本数据可控生成的研究领域做出了新的尝试并取得了较好效果,具有较高的应用价值和发展前景。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (4)
1.基于CTGAN的电网暂稳样本可控生成以及评估方法,包含如下步骤:
步骤1.构建电网暂稳样本数据集;
利用MATLAB的电力***仿真工具PSAT来构建数据集;首先确定电力***的结构,然后以合适的步长分别设置电网负荷水平、故障线路、线路故障位置、故障持续时间这些参数,分别进行时域仿真,根据仿真结果得到电网样本暂态稳定性;如此便可以获得具有暂态稳定性以及负荷水平标签的电网暂稳样本,然后将它们建模为表格型数据以构成电网暂稳样本数据集;
步骤2.控制生成多条件向量;
在条件生成对抗网络中,条件向量为独热编码形式,为单一条件控制,本发明引入一种简单的多条件向量转换方法,旨在将k个条件向量通过如下两种方式之一的方法转换为单一条件向量输入:
步骤3.构建变分混合高斯模型;
经过步骤1获得表格型的电网暂稳样本数据集后,将数据集应用于数据生成模型的训练之前,需要对数据进行处理再输入模型训练;电网样本由母线、负荷、发电机节点的对应属性值组成,这些属性值都属于连续值,在表格中为连续列,具有比较复杂的分布;利用变分高斯混合模型VGM对每一个连续列都进行拟合混合高斯分布,分布的表达式如下:
其中Ci表示第i个连续列,mi表示VGM的模数,μk,ηk和φk分别表示每个模式的权重,期望和标准差;
对于Ci中的每个值ci,j,计算ci,j来自每个模式的概率:
选择概率密度最高的模式k,则有:
αi,j=[0,…,0,1,0,…,0] (5)
其中αi,j表示在第k位为1的独热编码,βi,j的范围被控制在区间[-1,1]内;
每个连续列的一个值都被该列拟合的混合高斯模型表示为一个表示模式的独热向量αi,j和一个表示模式内的值的标量βi,j,从而对数据进行了有效的归一化处理,经过处理的数据用于模型的输入;
步骤4.构建CTGAN模型;
采取CTGAN模型作为基础数据生成模型,包括生成器和判别器;在生成器和判别器的网络中都使用全连接层来学习所有特征之间的关系;在生成器中,使用两个全连接层,并且每个全连接层都配有批归一化层以及ReLU激活层,并且将tanh和softmax激活函数用于输出层;在判别器中,使用两个全连接层,并且使用dropout层来适当筛选节点,减少过拟合;
步骤5.进行电网暂稳数据可控生成任务;
将步骤1构建好的电网暂稳数据集作为训练集,经过步骤2、3的处理之后,应用于构建的CTGAN模型的训练,在训练过程中,每次迭代中先后训练a次判别器,以及训练b次生成器,经过m次迭代来更新生成器和判别器中的参数,得到用于电网暂稳样本数据生成的网络模型;将得到的模型应用到电网数据生成任务中,输出带有电网暂态稳定性以及负荷水平的电网样本,并且能分别控制电网暂态稳定性以及负荷水平这两个标签的生成条件,从而能有目标地生成特定标签的样本;
步骤6.引入电网数据生成模型评估框架;
经过步骤5,得到电网数据生成模型并且实现了电网暂稳样本可控生成任务后,需要对数据生成模型进行有效的评估,引入一种多方位的电网暂稳数据生成模型的评估框架。
2.如权利要求1所述的基于CTGAN的电网暂稳样本可控生成以及评估方法,其特征在于:步骤6所述的多方位的电网暂稳数据生成模型的评估框架,由如下三种评估方式组成:
6.1数据生成模型的条件控制效果评估,具体包括:实现的基于CTGAN的电网样本生成模型应当具有可控制数据生成过程中电网样本的暂态稳定性特征以及可控制生成数据的电网负荷水平等条件的能力;在不设置控制条件、更改控制条件的情况下,统计生成数据的相关条件的生成概率;例如,比较不设置控制条件、设置控制条件为电网暂态稳定、设置控制条件为电网暂态失稳这三种情况下生成数据的暂态稳定电网样本的比例,可以评估模型在电网稳定性条件控制上的效果;对于负荷需求等条件的效果评估同理;
6.2合成数据与真实数据的相似度计算,具体包括:使用降维方法将数据维度降低至合适维度,将降维后的数据通过分箱操作转换为离散概率分布的形式,分别得到合成数据概率分布和真实数据概率分布,最后计算合成电网数据概率分布与真实电网数据概率分布的距离,来衡量模型生成的合成数据的质量;
6.3合成数据应用于电网暂稳评估模型训练的效果评估,具体包括:选取经典的用于分类问题的网络模型作为电网暂稳评估模型,将真实数据集随机划分为训练集和测试集,分别将真实数据训练集、补充了不同大小合成数据的补充数据集用于电网暂稳评估模型的训练,得到不同的电网暂稳评估模型,将这些模型在真实数据测试集上进行测试:
其中TP,TN,FP,FN分别表示正样本预测正确,负样本预测正确,正样本预测错误,负样本预测错误的数量,计算得到准确率accuracy、暂稳样本召回率recallP、失稳样本召回率recallN作为评价指标,评估模型质量。
3.如权利要求2所述的基于CTGAN的电网暂稳样本可控生成以及评估方法,其特征在于:步骤6.2所述的计算合成电网数据概率分布与真实电网数据概率分布的距离包括:计算合成数据与真实数据集这两个分布之间的KL散度、JS散度、Wasserstein距离。
4.实施权利要求1所述的基于CTGAN的电网暂稳样本可控生成以及评估方法的***,其特征在于:包括依次连接的电网暂稳样本数据集模块、多条件向量控制生成模块、变分混合高斯模型构建模块、CTGAN模型模块、电网暂稳数据可控生成模块、电网数据生成模型评估框架引入模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110955115.6A CN113746087B (zh) | 2021-08-19 | 2021-08-19 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110955115.6A CN113746087B (zh) | 2021-08-19 | 2021-08-19 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113746087A CN113746087A (zh) | 2021-12-03 |
CN113746087B true CN113746087B (zh) | 2023-03-21 |
Family
ID=78731796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110955115.6A Active CN113746087B (zh) | 2021-08-19 | 2021-08-19 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113746087B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662384A (zh) * | 2022-03-09 | 2022-06-24 | 盐城市湛安智感科技有限公司 | 一种基于生成对抗网络的电力负荷数据生成方法 |
CN116362523B (zh) * | 2023-06-01 | 2023-09-26 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
CN117215205B (zh) * | 2023-11-09 | 2024-02-06 | 国网经济技术研究院有限公司 | 基于决策树和iss理论的直流***控制参数分析方法 |
CN117390418B (zh) * | 2023-12-05 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 一种风电并网***暂态稳定评估方法、***及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476294A (zh) * | 2020-04-07 | 2020-07-31 | 南昌航空大学 | 一种基于生成对抗网络的零样本图像识别方法及*** |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力***动态安全评估方法 |
CN112017070A (zh) * | 2020-07-17 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强评估电力***暂态稳定的方法及*** |
WO2020239208A1 (en) * | 2019-05-28 | 2020-12-03 | Toyota Motor Europe | Method and system for training a model for image generation |
-
2021
- 2021-08-19 CN CN202110955115.6A patent/CN113746087B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020239208A1 (en) * | 2019-05-28 | 2020-12-03 | Toyota Motor Europe | Method and system for training a model for image generation |
CN111476294A (zh) * | 2020-04-07 | 2020-07-31 | 南昌航空大学 | 一种基于生成对抗网络的零样本图像识别方法及*** |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力***动态安全评估方法 |
CN112017070A (zh) * | 2020-07-17 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强评估电力***暂态稳定的方法及*** |
Non-Patent Citations (3)
Title |
---|
Data-Free_Knowledge_Amalgamation_via_Group-Stack_Dual-GAN;Mingli Song;《2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;全文 * |
基于生成对抗网络的小样本数据生成技术研究;杨懿男等;《电力建设》(第05期);全文 * |
对抗样本生成技术综述;潘文雯等;《软件学报》(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113746087A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113746087B (zh) | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** | |
Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
CN109274134B (zh) | 一种基于时间序列场景分析的主动配电网鲁棒有功无功协调优化方法 | |
CN111179121B (zh) | 基于专家***与深度逆向强化学习的电网紧急控制方法 | |
CN112564098B (zh) | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 | |
Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
CN108647839A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN105512808A (zh) | 一种面向大数据的电力***暂态稳定评估方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN112947672B (zh) | 一种光伏电池最大功率点跟踪方法及装置 | |
CN112508244B (zh) | 一种用户级综合能源***多元负荷预测方法 | |
CN111900716A (zh) | 一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法 | |
CN113283179A (zh) | 一种基于多目标lstm集成网络的短期负荷预测方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及*** | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
Kumar et al. | Wind speed prediction using deep learning-LSTM and GRU | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测***及方法 | |
CN111105005A (zh) | 一种风电功率预测方法 | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
CN115660895A (zh) | 一种基于宽度学习改进深度学习的水资源管理方法 | |
CN116204771A (zh) | 电力***暂态稳定关键特征选择方法、装置及产品 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及*** | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |