生成对抗网络

当前，基于深度学习目标检测技术的设备缺陷识别已经在变电站远程智能巡视中得到广泛应用，本报告先总体概述基于深度学习目标检测的技术发展路线图；其次通过对不同类别和场景设备缺陷识别算法的深度分析，给出相应的技术路线在算法层面和数据层面的优化，在算法层面，引入特征提取和表征能力更强的Transformer架构，再结合端到端的目标检测架构，实现检测效果大幅度提升；数据层面，采用数据生成和增广策略，如生成对抗网络和扩散模型，增加样本的多样性，从而进一步实现检测效果的提升；最后探讨基于深度学习的设备缺陷识别及设备状态评价技术研发趋势及应用前景。

由于电力缺陷数据稀缺，目前大多数缺陷检测方法都无法有效地对电力缺陷情况进行准确的检测。为此，使用小样本图像生成方法，基于改进的LoFGAN（局部融合生成对抗网络），设计基于上下文信息的小样本图像生成器，提高缺陷检测网络对细节特征的提取能力；引入基于LC-散度的正则化损失来优化图像生成模型在有限数据集上的训练效果。实验表明，小样本图像生成方法能够为电力场景缺陷情况生成有效且多样的缺陷数据，所提模型能够有效解决电力缺陷场景数据稀缺的问题。 Due to the limited availability of power defect data, most current defect detection methods are unable to accurately detect power system anomalies. To overcome this challenge, a few-shot image generation method is employed. Building upon the improved local-fusion generative adversarial network(LoFGAN), a context-aware fewshot image generator is designed to enhance the defect detection network's capability to extract detailed features. A regularization loss based on LC-divergence is introduced to optimize the training effectiveness of the image generation model on limited datasets. Experimental results reveal that the few-shot image generation method can generate effective and diverse defect data for power scenarios. The proposed model can address the issue of data unavailability in power defect scenarios.

城市电网新型电力系统中多元资源增多，数据采集难度加大，导致数据随机缺失率升高，难以满足精细化分析决策需求。为解决新型电力系统中配网量测数据在采集与传输过程中频发的缺失问题，文中提出一种基于波动互相关分析(fluctuation cross-correlation analysis,FCCA)算法和生成对抗网络(generative adversarial network,GAN)的电网缺失数据填补方法。首先，融合FCCA算法提出强相关性电网数据多维特征提取方法；其次，基于核主成分分析(kernel principal component analysis，KPCA)对多维特征数据集进行降维处理；最后,设计改进型GAN结构，融合电网数据多维特征对低维向量进行重构，实现缺失数据填补。算例采用真实电网数据进行算法验证，并在某城市电网试运行。结果表明,所提方法比传统数据填补方法具有更高填补精度。因此，在新型电力系统中量测数据连续缺失和缺失量较大的情况下，融合强相关性特征进行数据填补，对提升量测数据的完整性和可用性有明显优势。

网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-BiLSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。

输电设备巡检影像的小样本特征愈发凸显,为输电线路智能巡检带来了新的挑战。样本分布不平衡导致大量输电图像样本资源无法充分利用,为此提出基于生成对抗数据增殖的输电设备可视缺陷检测技术。通过引入循环生成对抗网络对输电设备巡检影像样本进行增殖,而后利用扩增后的样本完成输电设备可视缺陷检测模型训练,实现可视缺陷检测效果的优化提升。通过仿真实验验证了循环生成对抗数据增殖对输电设备可视缺陷检测有效性与稳定性的提升效果,为输电设备可视缺陷检测提供了新的视角与思路。

电力负荷异常数据将给电力系统规划、负荷预测以及用能分析等带来较大的负面影响，因此亟须对负荷数据异常进行检测与识别。首先，针对电力负荷数据异常分类、原因及其特征开展分析。其次，改进传统Transformer编码器结构，采用多头注意力层代替掩码多头注意力层，同时移除前馈网络，以提高模型对负荷时序序列的全局注意力。基于生成对抗网络(generative adversarial networks,GAN)生成器与判别器的博弈结构，提出一种改进的GAN-Transformer模型，以更好地捕捉趋势性特征并加速模型收敛。然后，引入多阶段映射与训练方法，综合焦点分数打分机制，通过分阶段负荷序列重构帮助模型更好地提取负荷数据异常特征。最后，算例分析结果表明，GAN-Transformer模型在负荷数据异常检测精确率、召回率、F1值以及训练时间方面均具有更优的性能，验证了所提方法的有效性和优越性。文中研究工作为基于深度学习进一步实现电力负荷数据异常分类与数据修复提供了有益参考。

针对低分辨率电力设备热成像图像，提出一种基于改进边缘注意力生成对抗网络的超分辨率重建方法。首先，在边缘注意力的基础上，引入通道注意力和位置注意力的双注意力模块(dual attention, DA)，捕获特征图不同位置间和不同通道间的依赖关系，并将两组依赖关系进行融合，以加大全局信息的提取程度。然后针对参数修正线性单元激活函数(parametric rectified linear unit, PReLU)对网络中神经元进行无差别激活，导致网络特征表达能力受限问题。采用改进自适应控制激活函数替代PReLU函数，在辨识有效特征的基础上，对神经元进行选择性激活，以强化有效特征、弱化无效特征，提升网络的自适应激活能力和特征表达能力。最后对所提改进边缘注意力生成对抗网络模型(edge-attention generative adversarial network, EA-GAN)进行实验验证。结果表明，与BiCubic双三次插值模型和原EA-GAN模型边缘注意力生成对抗网络模型相比，所提改进模型网络性能最好，重建图像质量最高，客观评价指标峰值信噪比(peak signal-to-noise ratio, PSNR)均值、结构相似性(structural similarity, SSIM)均值和均方误差损失(mean square error loss, MSE-loss)均值最优，在电力设备红外图像重建领域普适性较高，具有一定的工程应用价值。

为提高变压器故障诊断的准确性，提出一种基于数据增强和特征注意力机制的灰狼优化算法（grey wolf optimization，GWO）−残差神经网络（residual neural network，ResNet）故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响，利用带梯度惩罚的Wasserstein生成对抗网络（generative adversarial network with gradient penalty ，WGANGP）对变压器数据进行数据增强。其次，在诊断模型的输入侧引入特征注意力机制，提升模型对平衡数据集中关键特征的敏感性。然后，为加速模型的收敛性，在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWO-ResNet故障诊断模型的有效性进行验证。

针对分布式电源(distributed generation, DG)大规模并网导致的配电网电压越限、网络损耗增加和弃风弃光等问题，提出一种考虑含储能(energy storage system, ESS)的三端智能软开关(soft open point, SOP)与需求侧响应(demand response, DR)的主动配电网(active distribution network, ADN)有功无功协调优化策略。首先，计及可再生能源出力的不确定性，基于条件生成对抗网络(conditional generative adversarial networks, CGAN)生成日前场景。然后，对含ESS的三端SOP与DR进行建模，并将其与DG和传统无功补偿设备进行协调优化。构建以网络损耗最小、电压偏差最小、弃风弃光量最小、用户舒适度与用户经济度最大为优化目标的数学模型。进而转化为混合整数二阶锥规划模型，并利用GUROBI进行求解。最后，在改进的IEEE 33和IEEE 69节点配电系统中进行仿真验证。结果表明，计及风光出力的不确定，所提优化策略在兼顾用户舒适度和用户经济度的同时提高了配电网运行的经济性和可靠性。

针对微电网中风光出力不确定性对微电网优化调度的影响，文中提出了一种基于Wasserstein距离的条件生成对抗网络(conditional Wasserstein generative adversarial networks, C-WGAN)方法生成风光场景的微电网多时间尺度优化调度策略。首先，通过C-WGAN模拟生成指定的风光场景。然后，在日前优化调度阶段综合考虑蓄电池退化成本和联络线功率交互成本，并引入优化系数来优化联络线的交互功率。在日内优化调度阶段，以跟踪日前优化调度的结果为主要目标，从而有效减少日前可再生能源以及负荷的预测数据误差所带来的影响。算例结果表明，文中所提方法不但能够很好地减小可再生能源输出不确定性所带来的影响，也能够有效保证微电网运行的经济性，对微电网运行调度研究具有一定意义。