Frequency-increased Reconstruction Method for Electrical Data Based on Improved Generative Adversarial Network

Fusheng LI; Dan LIN; Tao YU; Keying WANG; Yufeng WU; Jiajun YANG

doi:10.7500/AEPS20210211001

您当前的位置：

首页 >

文章列表页 >

Frequency-increased Reconstruction Method for Electrical Data Based on Improved Generative Adversarial Network

Basic Research | 更新时间：2025-06-16

- Frequency-increased Reconstruction Method for Electrical Data Based on Improved Generative Adversarial Network
- Automation of Electric Power Systems Vol. 46, Issue 3, Pages: 105-112(2022)
- 作者机构：
  
  华南理工大学电力学院，广东省广州市 510640
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(U2066212);Key Projects of Basic Research and Applied Basic Research in Universities of Guangdong Province(2018KZDXM001)
- DOI：10.7500/AEPS20210211001
  CLC：
- Received：11 February 2021，
  
  Revised：2021-03-02，
  
  Published Online：25 August 2021，
  
  Published：10 February 2022
- 稿件说明：
移动端阅览
李富盛,林丹,余涛等.基于改进生成式对抗网络的电气数据升频重建方法[J].电力系统自动化,2022,46(3):105-112.

LI Fusheng,LIN Dan,YU Tao,et al.Frequency-increased Reconstruction Method for Electrical Data Based on Improved Generative Adversarial Network[J].Automation of Electric Power Systems,2022,46(3):105-112.
李富盛,林丹,余涛等.基于改进生成式对抗网络的电气数据升频重建方法[J].电力系统自动化,2022,46(3):105-112. DOI： 10.7500/AEPS20210211001.

LI Fusheng,LIN Dan,YU Tao,et al.Frequency-increased Reconstruction Method for Electrical Data Based on Improved Generative Adversarial Network[J].Automation of Electric Power Systems,2022,46(3):105-112. DOI： 10.7500/AEPS20210211001.

摘要

高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一，但是，传统重建算法难以实现高精度的数据重建。因此，文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像，实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构，提高生成器的特征学习能力。此外，生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数据集为例进行算法验证，验证结果表明，相比于传统重建方法，所提方法具有更高的峰值信噪比、结构相似性和更低的平均绝对误差、平均绝对误差百分数，以及更高的高频细节还原度、重建精度，能够对不同数据集实现泛化。

Abstract

High-frequency electrical data is one of the data bases to improve the accuracy of situation awareness

monitoring level and auxiliary service quality of power grids . However

the traditional reconstruction algorithm is difficult to achieve the high-precision data reconstruction. Therefore

this paper uses the improved generative adversarial network to reconstruct the low-frequency electrical data into the high-frequency ones. By transforming the time series data into electrical images

the efficient extraction of electrical image features by neural network method is realized. The generator based on deep residual network and improved residual block structure are used to improve the feature learning ability of the generator. In addition

the generator loss function considers the difference in low- or high-dimensional features between real samples and generated samples. The public data set is taken as an example to verify the algorithm. The verification results show that compared with the traditional reconstruction methods

the proposed method has higher peak signal-to-noise ratio

structural similarity

lower mean absolute error and mean absolute percentage error

as well as the higher high-frequency detail reproduction and reconstruction accuracy

and can be generalized for different data sets.

关键词

Keywords

references

程乐峰，余涛，张孝顺，等 . 机器学习在能源与电力系统领域的应用和展望［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 15 - 43 .

CHENG Lefeng ， YU Tao ， ZHANG Xiaoshun ， et al . Machine learning for energy and electric power systems： state of the art and prospects ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 15 - 43 .

代杰杰，宋辉，杨祎，等 . 基于栈式降噪自编码器的输变电设备状态数据清洗方法［J］. 电力系统自动化， 2017 ， 41 （ 12 ）： 224 - 230 .

DAI Jiejie ， SONG Hui ， YANG Yi ， et al . Cleaning method for status data of power transmission and transformation equipment based on stacked denoising autoencoders ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 12 ）： 224 - 230 .

GUNGOR V C ， SAHIN D ， KOCAK T ， et al . Smart grid technologies： communication technologies and standards ［J］. IEEE Transactions on Industrial Informatics ， 2011 ， 7 （ 4 ）： 529 - 539 .

余涛，程乐峰，张孝顺 . 基于信息-物理-社会系统融合和群体机器学习的弱中心化微元网：理论研究与关键科学问题分析［J］. 中国科学（技术科学）， 2019 ， 49 （ 12 ）： 1541 - 1569 .

YU Tao ， CHENG Lefeng ， ZHANG Xiaoshun . The weakly-centralized web-of-cells based on cyber-physical-social systems integration and group machine learning： theoretical investigations and key scientific issues analysis ［J］. Scientia Sinica （Technologica）， 2019 ， 49 （ 12 ）： 1541 - 1569 .

李彬，卢超，景栋盛，等 . 负载与风险联合均衡的电力通信网路由优化算法［J］. 中国电机工程学报， 2019 ， 39 （ 9 ）： 2713 - 2722 .

LI Bin ， LU Chao ， JING Dongsheng ， et al . An optimized routing algorithm with load and risk joint balance in electric communication network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 9 ）： 2713 - 2722 .

LAYA D ， DINESH G ， BABJI S . Neural compression： a machine learning approach to compress high frequency measurements in smart grid ［J］. Applied Energy ， 2020 ， 257 ： 113966 .

倪明，颜诘，柏瑞，等 . 电力系统防恶意信息攻击的思考［J］. 电力系统自动化， 2016 ， 40 （ 5 ）： 148 - 151 .

NI Ming ， YAN Jie ， BO Rui ， et al . Power system cyber attack and its defense ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 5 ）： 148 - 151 .

王守相，陈海文，潘志新，等 . 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［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 56 - 64 .

WANG Shouxiang ， 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 .

杨挺，李扬，何周泽，等 . 基于矩阵填充的泛在电力物联网电能质量数据修复算法［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 13 - 22 .

YANG Ting ， LI Yang ， HE Zhouze ， et al . Matrix completion theory based recovery algorithm for power quality data in ubiquitous power Internet of Things ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 13 - 22 .

梁寿愚，方文崇，王瑾，等 . 基于图规则化低秩矩阵恢复的用电数据修复与异常检测［J］. 电力系统自动化， 2019 ， 43 （ 21 ）： 221 - 228 .

LIANG Shouyu ， FANG Wenchong ， WANG Jin ， et al . Refinement and anomaly detection for power consumption data based on recovery of graph regularized low-rank matrix ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 21 ）： 221 - 228 .

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

ZHANG F ， CHENG L ， LI X ， et al . Application of a real-time data compression and adapted protocol technique for WAMS ［J］. IEEE Transactions on Power Systems ， 2015 ， 30 （ 2 ）： 653 - 662 .

MIRANDA V ， KRSTULOVIC J ， KEKO H ， et al . Reconstructing missing data in state estimation with autoencoders ［J］. IEEE Transactions on Power Systems ， 2012 ， 27 （ 2 ）： 604 - 611 .

WANG L F ， XIANG S M ， MENG G F ， et al . Edge-directed single-image super-resolution via adaptive gradient magnitude self-interpolation ［J］. IEEE Transactions on Circuits & Systems for Video Technology ， 2013 ， 23 （ 8 ）： 1289 - 1299 .

BABACAN S D ， MOLINA R ， KATSAGGELOS A K . Variational Bayesian super resolution ［J］. IEEE Transactions on Image Processing ， 2011 ， 20 （ 4 ）： 984 - 999 .

LUKES T ， KŘÍŽEK P ， SVINDRYCH Z ， et al . Three-dimensional super-resolution structured illumination microscopy with maximum a posteriori probability image estimation ［J］. Optics Express ， 2014 ， 22 （ 24 ）： 29805 .

LU X ， YUAN Y ， YAN P . Alternatively constrained dictionary learning for image super resolution ［J］. IEEE Transactions on Cybernetics ， 2014 ， 44 （ 3 ）： 366 - 377 .

KONSTANTINOS B ， NATHAN S ， DAVID D ， et al . Unsupervised pixel-level domain adaptation with generative adversarial networks ［EB/OL］. ［ 2017-08-23 ］. https：//arxiv.org/abs/1612.05424v1 https://arxiv.org/abs/1612.05424v1 .

HAN Z ， TAO X ， HONGSHENG L . StackGAN： text to photo-realistic image synthesis with stacked generative adversarial networks ［C］// Proceedings of 2017 IEEE International Conference on Computer Vision （ICCV）， October 22-29 ， 2017 ， Venice， Italy ： 5908 - 5916 .

孙秋野，刘月，胡旌伟，等 . 基于GAN的非侵入式自能源建模［J］. 中国电机工程学报， 2020 ， 40 （ 21 ）： 6784 - 6794 .

SUN Qiuye ， LIU Yue ， HU Jingwei ， et al . Non-intrusive we-energy modeling based on GAN technology ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 21 ）： 6784 - 6794 .

董骁翀，孙英云，蒲天骄 . 基于条件生成对抗网络的可再生能源日前场景生成方法［J］. 中国电机工程学报， 2020 ， 40 （ 17 ）： 5527 - 5536 .

DONG Xiaochong ， SUN Yingyun ， PU Tianjiao . Day-ahead scenario generation of renewable energy based on conditional GAN ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 17 ）： 5527 - 5536 .

LUCAS A ， LOPEZ-TAPIA S ， MOLINA R ， et al . Generative adversarial networks and perceptual losses for video super-resolution ［J］. IEEE Transactions on Image Processing ， 2019 ， 28 （ 7 ）： 3312 - 3327 .

LEDIG C ， THEIS L ， HUSZAR F ， et al . Photo-realistic single image super-resolution using a generative adversarial network ［C］// IEEE Conference on Computer Vision & Pattern Recognition ， July 21-26 ， 2017 ， Honolulu， USA ： 1063 - 6919 .

Smart metering equipment technical specifications： version 2［EB/OL］. ［ 2020-10-21 ］. http：//bit.ly/1401o61 http://bit.ly/1401o61 .

UTTAMA NAMBI A S N ， REYES LUA A ， PRASAD V R . LocED： location-aware energy disaggregation framework ［C］// Proceedings of the 2nd ACM International Conference on Embedded Systems for Energy-efficient Built Environments ， November 4-5 ， 2015 ， Seoul， South Korea ： 45 - 54 .

HEBRAIL G E R ， BARARD A E R . Individual household electric power consumption DatSet（IHEPCds）［EB/OL］. ［ 2020-10-21 ］. https：//archive.ics.uci.edu/ml/datasets/Individ ual+household+electric+power+consumption https://archive.ics.uci.edu/ml/datasets/Individual+household+electric+power+consumption .

MAKONIN S ， POPOWICH F ， BARTRAM L ， et al . AMPds： a public dataset for load disaggregation and eco-feedback research ［C］// 2013 IEEE Electrical Power & Energy Conference ， August 21-23 ， 2013 ， Halifax， Canada ： 1 - 6 .

RASHID H ， SINGH P ， SINGH A . I-BLEND， a campus-scale commercial and residential buildings electrical energy dataset ［J］. Scientific Data ， 2019 ， 6 ： 190015 .

王坤峰，苟超，段艳杰，等 . 生成式对抗网络GAN的研究进展与展望［J］. 自动化学报， 2017 ， 43 （ 3 ）： 321 - 332 .

WANG Kunfeng ， GOU Chao ， DUAN Yanjie ， et al . Generative adversarial networks： the state of the art and beyond ［J］. Acta Automatica Sinica ， 2017 ， 43 （ 3 ）： 321 - 332 .

HE K ， ZHANG X ， REN S ， et al . Deep residual learning for image recognition ［C］// IEEE Conference on Computer Vision & Pattern Recognition ， June 26-July 1 ， 2016 ， Las Vegas， USA ： 770 - 778 .

张若愚，吴俊勇，李宝琴，等 . 基于迁移学习的电力系统暂态稳定自适应预测［J］. 电网技术， 2020 ， 44 （ 6 ）： 2196 - 2203 .

ZHANG Ruoyu ， WU Junyong ， LI Baoqin ， et al . Self-adaptive power system transient stability prediction based on transfer learning ［J］. Power System Technology ， 2020 ， 44 （ 6 ）： 2196 - 2203 .

KRIZHEVSKY A ， SUTSKEVER I ， HINTON G . ImageNet classification with deep convolutional neural networks ［J］. Advances in Neural Information Processing Systems ， 2012 ， 25 （ 2 ）： 1 - 6 .

BEE L ， SANGHYUN S ， HEEWON K ， et al . Enhanced deep residual networks for single image super-resolution ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21-26 ， 2017 ， Honolulu， USA ： 136 - 144 .

WU Z ， CHEN C W . Signal reconstruction from partial frequency coefficients for image/video frame up sampling ［J］. IEEE Transactions on Broadcasting ， 2014 ， 60 （ 3 ）： 575 - 581 .

CHAI L ， SHENG Y . Optimal design of multichannel equalizers for the structural similarity index ［J］. IEEE Transactions on Image Processing ， 2014 ， 23 （ 12 ）： 5626 - 5637 .

CHUNG K L ， LIANG Y C ， WANG C S . Effective content-aware chroma reconstruction method for screen content images ［J］. IEEE Transactions on Image Processing ， 2019 ， 28 （ 3 ）： 1108 - 1117 .

LIN J . Divergence measures based on the Shannon entropy ［J］. IEEE Transactions on Information Theory ， 1991 ， 37 （ 1 ）： 145 - 151 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Voltage Regulation Strategy for Active Distribution Network Based on Multi-agent Deep Reinforcement Learning

Online Reactive Power Optimization Method Based on Data-driven Predictive Control for Distribution Network with Low Situation Awareness

Related Author

CHENG Lilin

LUO Zijie

LI Qun

ZHANG Ningyu

LI Yaran

ZANG Haixiang

HUANG Yu

ZHANG Xiaoxiao

Related Institution

School of Electrical and Power Engineering, Hohai University

Electric Power Research Institute of State Grid Jiangsu Electric Power Co., Ltd.

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Technology Co., Ltd.

NARI Group Corporation (State Grid Electric Power Research Institute)

⁰