面向配用电侧负荷数据的深度端到端超分辨率感知方法

刘国龙; 赵俊华; 文福拴; 毛一汝; 吴占昕; 薛禹胜

doi:10.7500/AEPS20200505018

您当前的位置：

首页 >

文章列表页 >

面向配用电侧负荷数据的深度端到端超分辨率感知方法

信息能源系统 | 更新时间：2025-06-16

- 面向配用电侧负荷数据的深度端到端超分辨率感知方法
- Deep End-to-end Super-resolution Perception Method for Load Data at Distribution Side
- 电力系统自动化-方正平台 2020年44卷第24期页码：28-35
- 作者机构：
  
  1.香港中文大学（深圳）理工学院，广东省深圳市 518172
  2.深圳市大数据研究院，广东省深圳市 518172
  3.浙江大学电气工程学院，浙江省杭州市 310027
  4.南瑞集团有限公司（国网电力科学研究院有限公司），江苏省南京市 211106
- 作者简介：
  
  刘国龙(1995—)，男，博士研究生，主要研究方向：人工智能、智能电网数据分析、数据安全性评估。E-mail：guolongliu@link.cuhk.edu.cn
  赵俊华(1980—)，男，通信作者，副教授，博士生导师，主要研究方向：电力系统分析与计算、智能电网、电力市场、数据挖掘、人工智能。E-mail：zhaojunhua@cuhk.edu.cn
  文福拴（1965—），男，教授,博士生导师,主要研究方向：电力系统故障诊断与系统恢复、电力经济与电力市场、智能电网与电动汽车。E-mail：wenfs@hotmail.com
- 基金信息：
  
  国家自然科学基金资助项目(91746118);深圳市科创委研究项目(JCYJ20160510153103492)
- DOI：10.7500/AEPS20200505018
  中图分类号：
- 收稿日期：2020-05-05，
  
  修回日期：2020-09-06，
  
  网络出版日期：2020-11-08，
  
  纸质出版日期：2020-12-25
- 稿件说明：
移动端阅览
刘国龙,赵俊华,文福拴等.面向配用电侧负荷数据的深度端到端超分辨率感知方法[J].电力系统自动化,2020,44(24):28-35.

LIU Guolong,ZHAO Junhua,WEN Fushuan,et al.Deep End-to-end Super-resolution Perception Method for Load Data at Distribution Side[J].Automation of Electric Power Systems,2020,44(24):28-35.
刘国龙,赵俊华,文福拴等.面向配用电侧负荷数据的深度端到端超分辨率感知方法[J].电力系统自动化,2020,44(24):28-35. DOI： 10.7500/AEPS20200505018.

LIU Guolong,ZHAO Junhua,WEN Fushuan,et al.Deep End-to-end Super-resolution Perception Method for Load Data at Distribution Side[J].Automation of Electric Power Systems,2020,44(24):28-35. DOI： 10.7500/AEPS20200505018.

摘要

在智能电网中，精准的数据采集是整个系统安全与经济运行的基础。随着信息与物理系统融合的不断加深，各类大数据应用与实时控制等任务对采集高频数据的要求不断提高。然而，提高数据采样频率必然给系统造成更高的数据通信与存储负担。文中提出了一种基于深度学习的超分辨率感知技术，用于从低频采样的传感器数据中恢复精确的高频数据。具体地，提出了一种基于门控循环单元网络的深度端到端超分辨率感知方法，包括特征提取、关系推断、信息重建3个部分。特征提取部分采用一维卷积网络对低频数据进行特征提取；在关系推断部分应用门控循环单元网络对获得的特征进行学习，推断低频数据同高频数据间内在关系；在信息重建部分则使用全连接层对推断信息进行重建，获得对应的高频数据。采用所提方法对居民用户和工业用户功率数据及输电线电压数据进行超分辨率感知，同时使用恢复的高频数据进行负荷状态识别。算例结果表明所提方法能够精准有效地恢复低频数据的丢失信息并提升负荷识别等实际应用的准确性。

Abstract

In smart grid

accurate data acquisition is the basis of the whole system security and economic operation. With the deepening integration of cyber-physical systems

the requirements of various big data applications and real-time control tasks for the acquisition of high-frequency data are keeping rising. However

increasing the data sampling frequency will inevitably cause higher data communication and storage burden to the system. In this paper

a deep learning based super-resolution perception technology is proposed to recover accurate high-frequency data from low-frequency sampled sensor data. Specifically

a deep end-to-end super-resolution perception method based on the gated recurrent unit (GRU) network is proposed

which includes feature extraction

relationship inference and information reconstruction. In the feature extraction part

an one-dimensional convolution network is used to extract the features of low-frequency data. In the relation inference part

the GRU network is used to learn the obtained features to infer the internal relationship between the low-frequency data and the high-frequency data. In the information reconstruction part

the inferential information is reconstructed with the full connection layer to obtain the corresponding high-frequency data. The proposed method is used for super-resolution perception of the power data of residential and industrial users and the voltage data of transmission lines

and the recovered high-frequency data is used for load state identification. The example results show that the proposed method can accurately and effectively recover the lost information of low-frequency data and improve the accuracy of practical applications such as load identification.

关键词

Keywords

references

董朝阳，赵俊华，文福拴，等 . 从智能电网到能源互联网：基本概念与研究框架［J］. 电力系统自动化， 2014 ， 38 （ 15 ）： 1 - 11 .

DONG Zhaoyang ， ZHAO Junhua ， WEN Fushuan ， et al . From smart grid to Energy Internet： basic concept and research framework ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 15 ）： 1 - 11 .

刘东，盛万兴，王云，等 . 电网信息物理系统的关键技术及其进展［J］. 中国电机工程学报， 2015 ， 35 （ 14 ）： 3522 - 3531 .

LIU Dong ， SHENG Wanxing ， WANG Yun ， et al . Key technologies and trends of cyber physical system for power grid ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 14 ）： 3522 - 3531 .

赵俊华，文福拴，薛禹胜，等 . 电力信息物理融合系统的建模分析与控制研究框架［J］. 电力系统自动化， 2011 ， 35 （ 16 ）： 1 - 8 .

ZHAO Junhua ， WEN Fushuan ， XUE Yusheng ， et al . Modeling analysis and control research framework of cyber physical power systems ［J］. Automation of Electric Power Systems ， 2011 ， 35 （ 16 ）： 1 - 8 .

段刚，严亚勤，谢晓冬，等 . 广域相量测量技术发展现状与展望［J］. 电力系统自动化， 2015 ， 39 （ 1 ）： 73 - 80 .

DUAN Gang ， YAN Yaqin ， XIE Xiaodong ， et al . Development status quo and tendency of wide area phasor measuring technology ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 1 ）： 73 - 80 .

张强，孙雨耕，杨挺，等 . 无线传感器网络在智能电网中的应用［J］. 中国电力， 2010 ， 43 （ 6 ）： 31 - 36 .

ZHANG Qiang ， SUN Yugeng ， YANG Ting ， et al . Applications of wireless sensor networks in smart grid ［J］. Electric Power ， 2010 ， 43 （ 6 ）： 31 - 36 .

LIU G ， GU J ， ZHAO J ， et al . Super resolution perception for smart meter data ［J］. Information Sciences ， 2020 ， 526 （ 3 ）： 263 - 273 .

GU J ， LIU G ， LIANG G ， et al . Super-resolution perception for industrial sensor data ［EB/OL］. ［ 2020-05-05 ］. https：//arxiv.org/abs/1809.06687 https://arxiv.org/abs/1809.06687 .

KAPPELER A ， YOO S ， DAI Q ， et al . Video super-resolution with convolutional neural networks ［J］. IEEE Transactions on Computational Imaging ， 2016 ， 2 （ 2 ）： 109 - 122 .

HINTON G E ， SALAKHUTDINOV R R . Reducing the dimensionality of data with neural networks ［J］. Science ， 2006 ， 313 ： 504 - 507 .

LECUN Y ， BENGIO Y ， HINTON G . Deep learning ［J］. Nature ， 2015 ， 521 ： 436 - 444 .

SALAKHUTDINOV R ， LAROCHELLE H . Efficient learning of deep Boltzmann machines ［C］// Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics， May 13-15 ， 2010 ， Sardinia ， Italy .

XU J ， XIANG L ， LIU Q ， et al . Stacked sparse autoencoder （SSAE） for nuclei detection on breast cancer histopathology images ［J］. IEEE Transactions on Medical Imaging ， 2015 ， 35 （ 1 ）： 119 - 130 .

HINTON G E ， KRIZHEVSKY A ， SUTSKEVER I . Imagenet classification with deep convolutional neural networks ［J］. Advances in Neural Information Processing Systems ， 2012 ， 25 ： 1106 - 1114 .

GRAVES A ， MOHAMED A ， HINTON G . Speech recognition with deep recurrent neural networks ［C］// 2013 IEEE International Conference on Acoustics ， Speech and Signal Processing， May 26 - 31 ， 2013 ， Vancouver， Canada.

TAI K S ， SOCHER R ， MANNING C D . Improved semantic representations from tree-structured long short-term memory networks ［J］. Computer Science ， 2015 ， 5 （ 1 ）： 1 - 12 .

杨甲甲，刘国龙，赵俊华，等 . 采用长短期记忆深度学习模型的工业负荷短期预测方法［J］. 电力建设， 2018 ， 39 （ 10 ）： 20 - 27 .

YANG Jiajia ， LIU Guolong ， ZHAO Junhua ， et al . A long short term memory based deep learning method for industrial load forecasting ［J］. Electric Power Construction ， 2018 ， 39 （ 10 ）： 20 - 27 .

CHUNG J ， GULCEHRE C ， CHO K ， et al . Empirical evaluation of gated recurrent neural networks on sequence modeling ［EB/OL］. ［ 2020-05-05 ］. http：//arxiv.org/abs/1412.3555 http://arxiv.org/abs/1412.3555 .

DE BAETS L ， DEVELDER C ， DHAENE T ， et al . Handling imbalance in an extended PLAID ［C］// 2017 Sustainable Internet and ICT for Sustainability （SustainIT）， December 6 - 7 ， 2017 ， Funchal， Portugal.

KINGMA D P ， BA J . Adam： a method for stochastic optimization ［C］// International Conference on Learning Representations ， May 7 - 9 ， 2015 ， San Diego， USA： 1 - 13 .

SRIVASTAVA N ， HINTON G ， KRIZHEVSKY A ， et al . Dropout： a simple way to prevent neural networks from overfitting ［J］. The Journal of Machine Learning Research ， 2014 ， 15 （ 1 ）： 1929 - 1958 .

DODGSON N A . Quadratic interpolation for image resampling ［J］. IEEE Transactions on Image Processing ， 1997 ， 6 （ 9 ）： 1322 - 1326 .

NEEDELL D ， TROPP J A . CoSaMP： iterative signal recovery from incomplete and inaccurate samples ［J］. Applied and Computational Harmonic Analysis ， 2009 ， 26 （ 3 ）： 301 - 321 .

TSAI M S ， LIN Y H . Modern development of an adaptive non-intrusive appliance load monitoring system in electricity energy conservation ［J］. Applied Energy ， 2012 ， 96 ： 55 - 73 .

FIGUEIREDO M ， DE ALMEIDA A ， RIBEIRO B . Home electrical signal disaggregation for non-intrusive load monitoring （NILM） systems ［J］. Neurocomputing ， 2012 ， 96 ： 66 - 73 .

MEI J ， HE D ， HARLEY R G ， et al . Random forest based adaptive non-intrusive load identification ［C］// 2014 International Joint Conference on Neural Networks （IJCNN）， July 6 - 11 ， 2014 ， Beijing， China.

MARTINEZ R ， PACHECO D ， ROBERGS D . NILM power disaggregation via artificial neural networks ［C］// Proceedings of the 4th International Workshop on Non-intrusive Load Monitoring， March 7-8 ， 2018 ， Austin ， USA .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进时空图神经网络的高渗透率有源配电网故障定位

融入拓扑知识的图神经网络配电网抗差状态估计方法

多微网多时间尺度交易机制设计和交易策略优化

深度学习在智能电网中的应用现状分析与展望

基于安全域的智能配电网安全高效运行模式