Residual U-Net Based Complementation Method for Missing Electricity Data of Low-voltage Stations

Yangyang CUI; Hongshan ZHAO; Yuehan QU; Wei SONG; Liang PU; Zengqiang MI

doi:10.7500/AEPS20210703001

您当前的位置：

首页 >

文章列表页 >

Residual U-Net Based Complementation Method for Missing Electricity Data of Low-voltage Stations

Basic Research | 更新时间：2025-06-16

- Residual U-Net Based Complementation Method for Missing Electricity Data of Low-voltage Stations
- Automation of Electric Power Systems Vol. 46, Issue 9, Pages: 83-90(2022)
- 作者机构：
  
  华北电力大学电气与电子工程学院，河北省保定市 071003
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2018YFE0122200)
- DOI：10.7500/AEPS20210703001
  CLC：
- Received：03 July 2021，
  
  Revised：2021-09-14，
  
  Published Online：26 November 2021，
  
  Published：10 May 2022
- 稿件说明：
移动端阅览
崔阳阳,赵洪山,曲岳晗等.基于残差U型网络的低压台区电力缺失数据补全方法[J].电力系统自动化,2022,46(9):83-90.

CUI Yangyang,ZHAO Hongshan,QU Yuehan,et al.Residual U-Net Based Complementation Method for Missing Electricity Data of Low-voltage Stations[J].Automation of Electric Power Systems,2022,46(9):83-90.
崔阳阳,赵洪山,曲岳晗等.基于残差U型网络的低压台区电力缺失数据补全方法[J].电力系统自动化,2022,46(9):83-90. DOI： 10.7500/AEPS20210703001.

CUI Yangyang,ZHAO Hongshan,QU Yuehan,et al.Residual U-Net Based Complementation Method for Missing Electricity Data of Low-voltage Stations[J].Automation of Electric Power Systems,2022,46(9):83-90. DOI： 10.7500/AEPS20210703001.

摘要

低压台区的用户电力数据在采集、传输等环节出现无规律缺失导致后续台区应用分析出现误差，为保证低压台区电力数据的完整性，提出了基于残差U型网络（RU-Net）的多用户电力缺失数据补全方法。首先，根据低压台区多用户电力数据缺失的特点，将电力数据构成可供一维卷积操作的时空张量数据格式。然后，利用RU-Net的编码与解码能力实现缺失数据的重构，通过引入残差学习以及批归一化层来优化网络结构。最后，基于所提方法对某台区用户功率数据随机缺失和连续缺失2种情况进行补全。结果表明，该方法能补全随机缺失率不超过40%与连续缺失不超过2 d的台区电力数据，且在补全精度方面相比于传统方法有一定程度的提高。

Abstract

The irregular missing of user electricity data in the collection and transmission of low-voltage station can lead to errors in the subsequent application analysis of the station area. In order to ensure the integrity of electricity data in the low-voltage station

this paper proposes a multi-user missing electricity data complementation method based on the residual U-Net (RU-Net). First

according to the characteristics of missing multi-user electricity data in low-voltage stations

the electricity data are formed into a spatio-temporal tensor data format that can be operated by one-dimensional convolution. Then

the coding and decoding capabilities of RU-Net are used to reconstruct the missing data

and the network structure is optimized by introducing residual learning and batch normalization layers. Finally

based on the proposed method

two cases of random missing and consecutive missing user electricity data in some stations are complemented. The results show that the method can complement the electricity data of a station with random missing rate not more than 40% and consecutive missing rate not more than 2 days. The proposed method has a certain degree of improvement in precision compared with the traditional method.

关键词

Keywords

references

赵洪山，寿佩瑶，马利波 . 低压台区缺失数据的张量补全方法［J］. 中国电机工程学报， 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 .

杨玉莲，齐林海，王红，等 . 基于生成对抗和双重语义感知的配电网量测数据缺失重构［J］. 电力系统自动化， 2020 ， 44 （ 18 ）： 46 - 54 .

YANG Yulian ， QI Linhai ， WANG Hong ， et al . Reconstruction of missing measurement data in distribution network based on generative adversarial network and double semantic perception ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 18 ）： 46 - 54 .

刘永辉，张显，孙鸿雁，等 . 能源互联网背景下电力市场大数据应用探讨［J］. 电力系统自动化， 2021 ， 45 （ 11 ）： 1 - 10 .

LIU Yonghui ， ZHANG Xian ， SUN Hongyan ， et al . Discussion on application of big data in electricity market in background of Energy Internet ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 11 ）： 1 - 10 .

赵厚翔，沈晓东，吕林，等 . 基于GAN的负荷数据修复及其在EV短期负荷预测中的应用［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 143 - 151 .

ZHAO Houxiang ， SHEN Xiaodong ， LYU Lin ， et al . Load data restoration based on generative adversarial network and its application in short-term load forecasting of electric vehicle ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 143 - 151 .

钟小强，陈杰，蒋敏敏，等 . 基于深度学习的台区线损分析方法［J］. 电网技术， 2020 ， 44 （ 2 ）： 769 - 774 .

ZHONG Xiaoqiang ， CHEN Jie ， JIANG Minmin ， et al . A line loss analysis method based on deep learning technique for transformer district ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 769 - 774 .

郭亦宗，冯斌，岳铂雄，等 . 负荷聚合商模式下考虑需求响应的超短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 79 - 87 .

GUO Yizong ， FENG Bin ， YUE Boxiong ， et al . Ultra-short-term load forecasting considering demand response in load aggregator mode ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 79 - 87 .

祝恩国，窦健 . 用电信息采集系统双向互动功能设计及关键技术［J］. 电力系统自动化， 2015 ， 39 （ 17 ）： 62 - 67 .

ZHU Enguo ， DOU Jian . Design of two-way interaction function based on electricity information acquisition system and its key technology ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 17 ）： 62 - 67 .

RAZAVI-FAR R ， FARAJZADEH-ZANJANI M ， SAIF M ， et al . Correlation clustering imputation for diagnosing attacks and faults with missing power grid data ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 1453 - 1464 .

刘佳星，张宏烈，刘艳菊，等 . 基于缺失率的不完整数据填补算法［J］. 统计与决策， 2021 ， 37 （ 2 ）： 39 - 41 .

LIU Jiaxing ， ZHANG Honglie ， LIU Yanju ， et al . Missing rate-based incomplete data imputation algorithm ［J］. Statistics & Decision ， 2021 ， 37 （ 2 ）： 39 - 41 .

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 - 21 .

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 - 21 .

LIN Y ， WANG J H ， CUI M J . Reconstruction of power system measurements based on enhanced denoising autoencoder ［C］// 2019 IEEE Power & Energy Society General Meeting （PESGM）， August 4-8 ， 2019 ， Atlanta， USA .

LIN Y ， WANG J H . Probabilistic deep autoencoder for power system measurement outlier detection and reconstruction ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 1796 - 1798 .

刘辉海，赵星宇，赵洪山，等 . 基于深度自编码网络模型的风电机组齿轮箱故障检测［J］. 电工技术学报， 2017 ， 32 （ 17 ）： 156 - 163 .

LIU Huihai ， ZHAO Xingyu ， ZHAO Hongshan ， et al . Fault detection of wind turbine gearbox based on deep autoencoder network ［J］. Transactions of China Electrotechnical Society ， 2017 ， 32 （ 17 ）： 156 - 163 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

杨挺，赵黎媛，王成山 . 人工智能在电力系统及综合能源系统中的应用综述［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 2 - 14 .

YANG Ting ， ZHAO Liyuan ， WANG Chengshan . Review on application of artificial intelligence in power system and integrated energy system ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 2 - 14 .

陈芳，赵喆，张道强，等 . 特征重加权U-Net超声图像分割的骨结构重建与增强现实显示［J］. 计算机辅助设计与图形学学报， 2021 ， 33 （ 3 ）： 448 - 456 .

CHEN Fang ， ZHAO Zhe ， ZHANG Daoqiang ， et al . 3D reconstruction and augmented reality display of bone structure based on ultrasound segmentation with feature-reweighted U-Net ［J］. Journal of Computer-Aided Design & Computer Graphics ， 2021 ， 33 （ 3 ）： 448 - 456 .

唐雎，王凯强，张维，等 . 一种基于深度学习的光学合成孔径成像系统图像复原方法［J］. 光学学报， 2020 ， 40 （ 21 ）： 66 - 74 .

TANG Ju ， WANG Kaiqiang ， ZHANG Wei ， et al . Deep learning based image restoration method of optical synthetic aperture imaging system ［J］. Acta Optica Sinica ， 2020 ， 40 （ 21 ）： 66 - 74 .

姚乃明，郭清沛，乔逢春，等 . 基于生成式对抗网络的鲁棒人脸表情识别［J］. 自动化学报， 2018 ， 44 （ 5 ）： 865 - 877 .

YAO Naiming ， GUO Qingpei ， QIAO Fengchun ， et al . Robust facial expression recognition with generative adversarial networks ［J］. Acta Automatica Sinica ， 2018 ， 44 （ 5 ）： 865 - 877 .

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 using an improved generative adversarial network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 56 - 64 .

IBTEHAZ N ， RAHMAN M S . MultiResUNet： rethinking the U-Net architecture for multimodal biomedical image segmentation ［J］. Neural Networks ， 2020 ， 121 ： 74 - 87 .

LIU Z Q ， CAO Y W ， WANG Y Z ， et al . Computer vision-based concrete crack detection using U-Net fully convolutional networks ［J］. Automation in Construction ， 2019 ， 104 ： 129 - 139 .

FENG T ， WANG C S ， CHEN X W ， et al . URNet： a U-Net based residual network for image dehazing ［J］. Applied Soft Computing ， 2021 ， 102 ： 106884 .

常德宽，雍学善，王一惠，等 . 基于深度卷积神经网络的地震数据断层识别方法［J］. 石油地球物理勘探， 2021 ， 56 （ 1 ）： 1 - 8 .

CHANG Dekuan ， YONG Xueshan ， WANG Yihui ， et al . Seismic fault interpretation based on deep convolutional neural networks ［J］. Oil Geophysical Prospecting ， 2021 ， 56 （ 1 ）： 1 - 8 .

YEH C H ， HUANG C H ， KANG L W . Multi-scale deep residual learning-based single image haze removal via image decomposition ［J］. IEEE Transactions on Image Processing ， 2020 ， 29 ： 3153 - 3167 .

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 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Review on Accurate Awareness Technology for Characteristics of Diversified Power User Groups in Smart Distribution Network

Dynamic Coordination Recovery Method for Power-Communication Disaster Fault in Smart Distribution Network

Identification Method for Distribution Network Topology Based on Two-stage Feature Selection and Gramian Angular Field

Related Author

GE Leijiao

LIU Hangxu

SUN Yonghui

LAI Jingang

Zhuolei YAO

Wentao HUANG

Moduo YU

Nengling TAI

Related Institution

School of Artificial Intelligence and Automation, Huazhong University of Science and Technology

School of Energy and Electrical Engineering, Hohai University

Key Laboratory of the Ministry of Education on Smart Power Grids(Tianjin University)

Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education(Shanghai Jiao Tong University)

State Grid Shanghai Municipal Electric Power Company

⁰