基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法

doi:10.16628/j.cnki.2095-8188.2022.03.004

电器与能效管理技术 ›› 2022, Vol. 0 ›› Issue (3): 23-29.doi: 10.16628/j.cnki.2095-8188.2022.03.004

基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法

裘星¹, 尹仕红¹, 张之涵¹, 谢智伟¹, 江敏丰¹, 郭兴林¹, 杨建明¹, 郑建勇²

1.深圳供电局有限公司, 广东深圳 440304
2.东南大学电气工程学院, 江苏南京 210096

收稿日期:2021-12-21 出版日期:2022-03-30 发布日期:2022-04-28
作者简介:裘星(1990—),男,工程师,主要从事电能计量技术检测研究工作。|尹仕红(1978—),女,高级工程师,主要从事电能计量技术检测研究工作。|张之涵(1991—),男,工程师,主要从事电能计量技术检测研究工作。
基金资助:
深圳供电局有限公司科技项目(090000KK52190185)

Improving Method of Non-Intrusive Load Forecasting Sample Imbalance Based on Improved Generative Confrontation Network

QIU Xin¹, YIN Shihong¹, ZHANG Zhihan¹, XIE Zhiwei¹, JIANG Minfeng¹, GUO Xinglin¹, YANG Jianming¹, ZHENG Jianyong²

1. State Grid Shenzhen Electric Power Company, Shenzhen 440304, China
2. Southeast University School of Electrical Engineering, Nanjing 210096, China

Received:2021-12-21 Online:2022-03-30 Published:2022-04-28

摘要/Abstract

摘要：

采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡。传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容易产生梯度消失等问题。在原始ACGAN的模型基础上,在其判别真假损失函数上添加梯度惩罚函数,使得判别器和生成器在相互优化过程中梯度下降更快,更容易达到纳什均衡,从而使原始样本的不均衡情况得到有效改善。通过公共数据集PLAID进行测试分析,并验证了所提方法的有效性。

关键词: 生成对抗网络, 辅助分类器, 负荷识别, 样本不均衡, 样本扩充

Abstract:

When the neural network is used to identify and train the load,because the number of original samples of uncommon load is small and the number of common load samples is large,the distribution of training samples is unbalanced.Using the traditional generative adversarial networks (GAN) and the auxiliary classifier GAN (ACGAN),the original model is prone to the problems such as gradient disappearance when the sample is expanded and trained.Based on the original ACGAN model,the gradient penalty function is added to the loss function for distinguishing true and false,so that the gradient of the discriminator and generator will fall faster during the mutual optimization process,and it is easier to achieve Nash equilibrium.The imbalance of the original sample has been effectively improved.Through the test and analysis of the public data set PLAID,the effectiveness of the proposed method is verified.

Key words: generative adversarial networks (GAN), auxiliary classifier, load identification, sample imbalance, sample expansion

中图分类号:

TM933

裘星, 尹仕红, 张之涵, 谢智伟, 江敏丰, 郭兴林, 杨建明, 郑建勇. 基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法[J]. 电器与能效管理技术, 2022, 0(3): 23-29.

QIU Xin, YIN Shihong, ZHANG Zhihan, XIE Zhiwei, JIANG Minfeng, GUO Xinglin, YANG Jianming, ZHENG Jianyong. Improving Method of Non-Intrusive Load Forecasting Sample Imbalance Based on Improved Generative Confrontation Network[J]. LOW VOLTAGE APPARATUS, 2022, 0(3): 23-29.

图/表 11

图1

图2

图3

图4

图5

表1

图6

图7

图8

图9

图10

参考文献 25

[1]	李小伟, 陶毅刚, 顾洁, 等. 基于贝叶斯网络的配电网净负荷预测方法[J]. 电器与能效管理技术, 2020(9):90-98.
[2]	邓永生, 焦丰顺, 张瑞锋, 等. 配电网规划中电力负荷预测方法研究综述[J]. 电器与能效管理技术, 2019(14):1-7.
[3]	卢锦玲, 张祥国, 张伟, 等. 基于改进辅助分类生成对抗网络的风机主轴承故障诊断[J]. 电力系统自动化, 2021, 45(7):148-154.
[4]	赵世达, 王树才, 白宇, 等. 基于生成对抗网络与ICNet的羊骨架图像实时语义分割[J]. 农业机械学报, 2021, 52(2):329-339,380.
[5]	于希明, 洪硕, 于金祥, 等. 可见光遥感图像船舶目标数据增强方法研究[J]. 仪器仪表学报, 2020, 41(11):261-269.
[6]	XIE J X, CHEN S Y, ZHANG Y Q,et al. Combining generative adversarial networks and multi-output CNN for motor imagery classification[J]. Journal of Neural Engineering, 2021, 18(4):046026.
[7]	李雅欣, 侯慧娟, 胥明凯, 等. 基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法[J]. 电力自动化设备, 2020, 40(12):211-218.
[8]	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.
[9]	肖雄, 肖宇雄, 张勇军, 等. 基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究[J]. 中国电机工程学报, 2021, 41(2):738-749.
[10]	朱晓荣, 张佩佩. 基于GAN的异构无线网络故障检测与诊断算法[J]. 通信学报, 2020, 41(8):110-119.
[11]	NIE X, DING H X, QI M H,et al. URCA-GAN:Upsample residual channel-wise attention generative adversarial network for image-to-image translation[J]. Neurocomputing, 2021, 443(7):75-84. doi: 10.1016/j.neucom.2021.02.054
[12]	杨柳, 潘冰. 计及风光储差异化峰谷调度的LSTM微电网负荷预测模型[J]. 电器与能效管理技术, 2019(19):69-75.
[13]	张文强, 陈静, 杨伟, 等. 基于VAE-CGAN的光伏不确定性建模方法[J]. 电网技术, 2021, 45(4):1273-1280.
[14]	雷大江, 张策, 李智星, 等. 基于多流融合生成对抗网络的遥感图像融合方法[J]. 电子与信息学报, 2020, 42(8):1942-1949.
[15]	PAPASTRATIS I, DIMITROPOULOS K, DARAS P. Continuous sign language recognition through a context-aware generative adversarial network[J]. Sensors, 2021, 21(7):2437. doi: 10.3390/s21072437
[16]	冯其红, 李玉润, 王森, 等. 基于深度卷积生成对抗神经网络预测气窜方向[J]. 中国石油大学学报(自然科学版), 2020, 44(4):20-27.
[17]	朱天怡, 艾芊, 李昭昱, 等. 一种数据驱动的用电行为分析模型研究[J]. 电器与能效管理技术, 2019(19):91-100.
[18]	吴旭, 王正风, 李有亮, 等. 基于气象-负荷相关性的疫情期间用电负荷及复产负荷分析[J]. 电器与能效管理技术, 2021(1):16-21.
[19]	关慧哲, 陈颖, 黄少伟, 等. 基于生成对抗网络的暂态稳定预防控制[J]. 电力系统自动化, 2020, 44(24):36-43.
[20]	徐志京, 王东. 基于双路循环生成对抗网络的多姿态人脸识别方法[J]. 光学学报, 2020, 40(19):63-72.
[21]	MALEKZADEH S, SAMAMI M, REZAZADEH A S,et al. Classical music generation in distinct dastgahs with alimNet ACGAN[J/OL]. Research Gate, 2019:1-5[2021-04-25]. DOI: 10.13140/RG.2.2.20010.26564. doi: 10.13140/RG.2.2.20010.26564
[22]	SONNG S H, TAPAN MUKERJI, HOU J G. Geological Facies modeling based on progressive growing of generative adversarial networks (GANs)[J/OL]. Computational Geosciences, 2021:1-29[2021-04-25].DOI: 10.31223/osf.io/ycufs. doi: 10.31223/osf.io/ycufs
[23]	WANG Y M, CHANG D X, ZHAO Y. A new blind image denoising method based on asymmetric generative adversarial network[J]. IET Image Processing, 2021, 15(6):1260-1272. doi: 10.1049/ipr2.12102
[24]	奚祥品, 陈筱, 朱向冰. 生成对抗网络介绍及应用[J/OL]. 无线电通信技术:1-9[2021-04-25]. http://kns.cnki.net/kcms/detail/13.1099.TN.20210412.1018.002.html.
[25]	王守相, 郭陆阳, 陈海文, 等. 基于特征融合与深度学习的非侵入式负荷辨识算法[J]. 电力系统自动化, 2020, 44(9):103-110.

相关参数	参数名称	数值
epochs	迭代次数	500
Batch_size	每次训练样本数量	64
G learning rate	生成器学习率	0.000 1
D learning rate	判别器学习率	0.5
latent_dim	潜在空间维数	100
n_classes	数据集分类数	11
img_size	图片尺寸	226
sample_interval	图像采样间隔	400

基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法

Improving Method of Non-Intrusive Load Forecasting Sample Imbalance Based on Improved Generative Confrontation Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 25

相关文章 4

编辑推荐

Metrics

本文评价

[1]	孙祺森, 李浩翔, 叶雪荣, 翟国富. 电能表用锂亚硫酰氯电池加速退化试验及可靠性评价[J]. 电器与能效管理技术, 2021, 0(10): 28-32.
[2]	姜研圳, 刘树鑫, 曹云东. 基于自适应最优权重的交流接触器特征参数权重影响分析[J]. 电器与能效管理技术, 2020, 587(2): 8-14.
[3]	包岱远, 潘俊涛, 李伟坚. 基于嵌入式平台的NFC购电卡通信测试仪设计与实现^*[J]. 电器与能效管理技术, 2020, 587(2): 67-72.
[4]	付雪, 戚连锁, 庄劲武, 鄢玲, 陆伟. 银镀锡电弧触发器电热耦合分析及实验验证[J]. 电器与能效管理技术, 2020, 586(1): 46-50.