生成对抗网络

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.

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。

虚假数据注入攻击(false data injection attack, FDIA)是针对电力系统的一种常见网络攻击，可以通过终端链路或设备注入异常数据，绕过不良数据检测机制，进而引发电力系统的异常运行，造成严重的经济损失。近年来深度学习技术在FDIA检测方面取得诸多进展，通过大量的数据训练和强大的模型学习能力，能够自动学习和提取攻击数据特征，相对于传统方法具有更高的准确率和鲁棒性。总结了近年来基于深度学习的电力系统FDIA检测研究进展，涵盖卷积神经网络、循环神经网络、图神经网络、生成对抗网络和深度强化学习等典型深度学习模型。首先分析各类深度学习模型的FDIA检测原理，并介绍相关技术方法。然后从鲁棒性、评估指标和可扩展性等方面对上述技术进行对比分析，总结其应用范围及存在不足。最后探讨了当前研究中存在的挑战和未来的研究发展方向。

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。

新能源的强烈不确定性给多微网协同运行带来了可靠性和安全性的巨大挑战。为此，提出一种基于长短期记忆(long short-term memory, LSTM)网络和条件生成对抗网络(conditional generative adversarial networks, CGAN)的多微网数据驱动两阶段分布鲁棒协同优化调度模型。首先，为更准确地描述新能源的不确定性，该模型以LSTM-CGAN生成和K-means++聚类算法削减得到的场景集作为分布鲁棒优化集合的初始新能源场景。其中CGAN网络模型使用Wasserstein距离作为判别器损失函数，以新能源日前预测值作为生成对抗网络的条件变量，并采用LSTM构建生成器和判别器。其次，提出一种基于多能点对点交易贡献率的利益分配方法，以实现合作收益的公平分配。然后，为保护各主体隐私并提高求解效率，提出一种耦合可并行计算列与约束生成(column and constraint generation, C&CG)的交替方向乘子法(alternating direction multiplier method, ADMM)进行求解能量交易问题。算例结果表明，所提场景驱动方法生成的场景集能更准确、更有效地描述新能源的不确定性，能兼顾系统的鲁棒性、经济性和隐私性，并实现每个主体公平合理的利益分配。

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。

考虑到电力系统与能源互联网的深度耦合，虚假数据注入攻击对电力系统的威胁不断提升。文章针对虚假数据注入攻击(false data injection attack，FDIA)设计自适应生成对抗网络(adaptive generative adversarial networks，AGAN)状态重构的虚假数据注入攻击检测方法。该方法在生成对抗网络(generative adversarial networks，GAN)基础上融入卷积神经网络(convolutional neural network，CNN)以及自适应约束下的自注意力机制(self-attention，SA)，实现节点间全局参考性，从而实现状态的有效重构和异常状态的准确预测；根据AGAN的异常数据预测结果设计结合网络判别值的检测逻辑。最后，在IEEE14节点的电力系统上验证所提方法的有效性，且对比GAN、CNN，AGAN重构的平均绝对百分比误差为0.0001%，检测准确率可达到98%。

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。