基于双通道生成对抗网络的城市用电负荷缺失数据补全方法

刘志坚; 陶韵旭; 刘航; 罗灵琳; 李明

doi:10.7500/AEPS20231025001

您当前的位置：

首页 >

文章列表页 >

基于双通道生成对抗网络的城市用电负荷缺失数据补全方法

研制与开发 | 更新时间：2025-06-16

- 基于双通道生成对抗网络的城市用电负荷缺失数据补全方法
- Completion Method for Missing Urban Power Load Data Based on Double-channel Generative Adversarial Networks
- 电力系统自动化 2024年48卷第17期页码：161-170
- 作者机构：
  
  昆明理工大学电力工程学院，云南省昆明市 650500
- 作者简介：
  
  刘志坚(1975—)，男，博士，教授，博士生导师，主要研究方向：高电压与绝缘技术、电力系统运行与控制等。E-mail：248400248@qq.com
  陶韵旭(1998—)，男，硕士研究生，主要研究方向：电力系统数据质量提升及故障诊断等。E-mail：584373668@qq.com
  刘航(1992—)，男，通信作者，博士，讲师，硕士生导师，主要研究方向：高电压技术、电力设备状态评估与故障诊断。E-mail：liuhangsheep@163.com
- 基金信息：
  
  云南省基础研究计划重点项目(202301AS070055);云南省基础研究计划青年项目(202201AU070086);云南省基础研究计划面上项目(202401AT070356)
- DOI：10.7500/AEPS20231025001
  中图分类号：
- 收稿：2023-10-25，
  
  修回：2024-03-29，
  
  网络出版：2024-07-29，
  
  纸质出版：2024-09-10
- 稿件说明：
移动端阅览
刘志坚,陶韵旭,刘航等.基于双通道生成对抗网络的城市用电负荷缺失数据补全方法[J].电力系统自动化,2024,48(17):161-170.

LIU Zhijian,TAO Yunxu,LIU Hang,et al.Completion Method for Missing Urban Power Load Data Based on Double-channel Generative Adversarial Networks[J].Automation of Electric Power Systems,2024,48(17):161-170.
刘志坚,陶韵旭,刘航等.基于双通道生成对抗网络的城市用电负荷缺失数据补全方法[J].电力系统自动化,2024,48(17):161-170. DOI： 10.7500/AEPS20231025001.

LIU Zhijian,TAO Yunxu,LIU Hang,et al.Completion Method for Missing Urban Power Load Data Based on Double-channel Generative Adversarial Networks[J].Automation of Electric Power Systems,2024,48(17):161-170. DOI： 10.7500/AEPS20231025001.

摘要

用电负荷数据的完整性与有效性在负荷预测等应用中具有重要意义。传统的缺失数据补全方法缺乏对用电负荷和多种外部时空关联信息的挖掘，难以获得高精度的补全结果。文中提出了一种双通道生成对抗网络，对缺失的负荷数据进行补全。首先，根据负荷的周期性变化特征和时空关联性构建三阶负荷张量，并将影响负荷变化的多种外部因素构建为三阶辅助信息张量。然后，为满足两种张量的双输入需求，在生成对抗网络的输入层引入双通道机制，通过卷积与反卷积运算提取张量的特征；为提升网络对张量数据的训练效果和补全精度，将张量分解损失引入原始损失函数，并采用改进的混沌映射粒子群优化算法联合优化超参数和网络。最后，在真实负荷数据集上开展数据补全实验。结果表明，所提方法能够对随机缺失率不超过50%、连续缺失不超过3天的负荷数据进行准确补全。

Abstract

The integrity and validity of load data are of great significance in load forecasting and other applications. The traditional completion methods for missing data lack the mining of the power load and the various external spatio-temporal correlation information

so it is difficult to obtain high-precision completion results. In this paper

a double-channel generative adversarial network is proposed to complete the missing load data. First

a third-order load tensor is constructed according to the periodic variation characteristics of load and the spatio-temporal correlation

and a variety of external factors affecting load changes are constructed as the third-order auxiliary information tensors. Then

in order to meet the double input requirements of the two tensors

a double-channel mechanism is introduced at the input layer of the generative adversarial network

and the features of the tensors are extracted by convolution and deconvolution operations. In order to improve the training effect and completion accuracy of network on tensor data

the tensor decomposition loss is introduced into the original loss function

and an improved chaotic particle swarm optimization algorithm is used to jointly optimize the hyperparameters and the network. Finally

the data completion experiment is carried out on the real load data set. The results show that the proposed method can accurately complete the load data with random loss rate of less than 50% and continuous loss of less than 3 days.

关键词

Keywords

references

马钊，安婷，尚宇炜 . 国内外配电前沿技术动态及发展［J］. 中国电机工程学报， 2016 ， 36 （ 6 ）： 1552 - 1567 .

MA Zhao ， AN Ting ， SHANG Yuwei . State of the art and development trends of power distribution technologies ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 6 ）： 1552 - 1567 .

白冰青，刘江涛，王旭，等 . 基于MRMR和双重注意力机制的城市能源多元负荷短期预测［J］. 电力系统自动化， 2022 ， 46 （ 17 ）： 44 - 55 .

BAI Bingqing ， LIU Jiangtao ， WANG Xu ， et al . Short-term multivariate load forecasting for urban energy based on minimum redundancy maximum relevance and dual-attention mechanism ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 17 ）： 44 - 55 .

PEPPANEN J ， ZHANG X C ， GRIJALVA S ， et al . Handling bad or missing smart meter data through advanced data imputation ［C］// 2016 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference （ISGT）， September 6-9 ， 2016 ， Minneapolis， USA .

陆继翔，张琪培，杨志宏，等 . 基于CNN-LSTM混合神经网络模型的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 8 ）： 131 - 137 .

LU Jixiang ， ZHANG Qipei ， YANG Zhihong ， et al . Short-term load forecasting method based on CNN-LSTM hybrid neural network model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 8 ）： 131 - 137 .

梅玉杰，李勇，周王峰，等 . 基于机器学习的配电网异常缺失数据动态清洗方法［J］. 电力系统保护与控制， 2023 ， 51 （ 7 ）： 158 - 169 .

MEI Yujie ， LI Yong ， ZHOU Wangfeng ， et al . Dynamic data cleaning method of abnormal and missing data in a distribution network based on machine learning ［J］. Power System Protection and Control ， 2023 ， 51 （ 7 ）： 158 - 169 .

SUNDARARAJAN A ， KHAN T ， MOGHADASI A ， et al . Survey on synchrophasor data quality and cybersecurity challenges， and evaluation of their interdependencies ［J］. Journal of Modern Power Systems and Clean Energy ， 2019 ， 7 （ 3 ）： 449 - 467 .

潘立强，李建中，骆吉洲 . 传感器网络中一种基于时-空相关性的缺失值估计算法［J］. 计算机学报， 2010 ， 33 （ 1 ）： 1 - 11 .

PAN Liqiang ， LI Jianzhong ， LUO Jizhou . A temporal and spatial correlation based missing values imputation algorithm in wireless sensor networks ［J］. Chinese Journal of Computers ， 2010 ， 33 （ 1 ）： 1 - 11 .

GARCÍA-LAENCINA P J ， SANCHO-GÓMEZ J L ， FIGUEIRAS-VIDAL A R . Pattern classification with missing data： a review ［J］. Neural Computing and Applications ， 2010 ， 19 （ 2 ）： 263 - 282 .

AMRITKAR R E ， KUMAR P P . Interpolation of missing data using nonlinear and chaotic system analysis ［J］. Journal of Geophysical Research： Atmospheres ， 1995 ， 100 （ 15 ）： 3149 - 3154 .

MIAO X Y ， GAO Y J ， CHEN G ， et al . Processing incomplete k nearest neighbor search ［J］. IEEE Transactions on Fuzzy Systems ， 2016 ， 24 （ 6 ）： 1349 - 1363 .

欧阳福莲，王俊，周杭霞 . 基于改进迁移学习和多尺度CNN-BiLSTM-Attention的短期电力负荷预测方法［J］. 电力系统保护与控制， 2023 ， 51 （ 2 ）： 132 - 140 .

OUYANG Fulian ， WANG Jun ， ZHOU Hangxia . Short-term power load forecasting method based on improved hierarchical transfer learning and multi-scale CNN-BiLSTM-Attention ［J］. Power System Protection and Control ， 2023 ， 51 （ 2 ）： 132 - 140 .

NEVES D T ， NAIK M G ， PROENÇA A . SGAIN， WSGAIN-CP and WSGAIN-GP： novel GAN methods for missing data imputation ［M］. Cham， Switzerland ： Springer International Publishing ， 2021 .

LI S C X ， JIANG B ， MARLIN B M . MisGAN： learning from incomplete data with generative adversarial networks ［EB/OL］. ［ 2023-06-05 ］. https：//doi.org/10.48550/arXiv.1902.09599 https://doi.org/10.48550/arXiv.1902.09599 .

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 .

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 .

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 .

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 .

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 .

LIU X ， ZHANG Z J . A two-stage deep autoencoder-based missing data imputation method for wind farm SCADA data ［J］. IEEE Sensors Journal ， 2021 ， 21 （ 9 ）： 10933 - 10945 .

崔树银，汪昕杰 . 基于最大信息系数和多目标Stacking集成学习的综合能源系统多元负荷预测［J］. 电力自动化设备， 2022 ， 42 （ 5 ）： 32 - 39 .

CUI Shuyin ， WANG Xinjie . Multivariate load forecasting in integrated energy system based on maximal information coefficient and multi-objective Stacking ensemble learning ［J］. Electric Power Automation Equipment ， 2022 ， 42 （ 5 ）： 32 - 39 .

LI B ， ZHANG X ， LI X ， et al . Tensor completion from one-bit observations ［J］. IEEE Transactions on Image Processing ， 2019 ， 28 （ 1 ）： 170 - 180 .

CRESWELL A ， WHITE T ， DUMOULIN V ， et al . Generative adversarial networks： an overview ［J］. IEEE Signal Processing Magazine ， 2018 ， 35 （ 1 ）： 53 - 65 .

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 .

CANDÈS E J ， RECHT B . Exact matrix completion via convex optimization ［J］. Foundations of Computational Mathematics ， 2009 ， 9 （ 6 ）： 717 - 772 .

CANDES E J ， PLAN Y . Matrix completion with noise ［J］. Proceedings of the IEEE ， 2010 ， 98 （ 6 ）： 925 - 936 .

KOLDA T G ， BADER B W . Tensor decompositions and applications ［J］. SIAM Review ， 2009 ， 51 （ 3 ）： 455 - 500 .

李斌，屈璐瑶，朱新山，等 . 基于多尺度特征融合的绝缘子缺陷检测［J］. 电工技术学报， 2023 ， 38 （ 1 ）： 60 - 70 .

LI Bin ， QU Luyao ， ZHU Xinshan ， et al . Insulator defect detection based on multi-scale feature fusion ［J］. Transactions of China Electrotechnical Society ， 2023 ， 38 （ 1 ）： 60 - 70 .

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

基于半监督对抗学习的配电网动态拓扑开关状态鲁棒辨识

计及异常场景数据缺失的负荷超短期预测

结合负荷多步预测的氢能船舶双层能量调度策略

考虑屋顶光伏热效应的短期净负荷预测