2.793

                    2018影響因子

                    (CJCR)

                    • 中文核心
                    • EI
                    • 中國科技核心
                    • Scopus
                    • CSCD
                    • 英國科學文摘

                    留言板

                    尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

                    姓名
                    郵箱
                    手機號碼
                    標題
                    留言內容
                    驗證碼

                    基于關聯信息對抗學習的綜合能源系統運行狀態分析方法

                    胡旭光 馬大中 鄭君 張化光 王睿

                    胡旭光, 馬大中, 鄭君, 張化光, 王睿. 基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 自動化學報, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    引用本文: 胡旭光, 馬大中, 鄭君, 張化光, 王睿. 基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 自動化學報, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    Hu Xu-Guang, Ma Da-Zhong, Zheng Jun, Zhang Hua-Guang, Wang Rui. An operation state analysis method for integrated energy system based on correlation information adversarial learning. Acta Automatica Sinica, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    Citation: Hu Xu-Guang, Ma Da-Zhong, Zheng Jun, Zhang Hua-Guang, Wang Rui. An operation state analysis method for integrated energy system based on correlation information adversarial learning. Acta Automatica Sinica, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171

                    基于關聯信息對抗學習的綜合能源系統運行狀態分析方法


                    DOI: 10.16383/j.aas.c200171
                    詳細信息
                      作者簡介:

                      東北大學信息科學與工程學院博士研究生. 主要研究方向為基于數據驅動的故障診斷, 信息物理系統的建模及優化控制.E-mail: 1710252@stu.neu.edu.cn

                      東北大學信息科學與工程學院副教授. 主要研究方向為故障診斷, 容錯控制, 能源管理系統以及分布式發電系統、微網和能源互聯網的優化與控制. 本文通信作者.E-mail: madazhong@ise.neu.edu.cn

                      東北大學信息科學與工程學院碩士研究生. 主要研究方向為基于機器學習的綜合能源系統故障檢測與診斷.E-mail: zj623928036@163.com

                      東北大學信息科學與工程學院教授. 主要研究方向為自適應動態規劃, 模糊控制, 網絡控制, 混沌控制. E-mail: hgzhang@ieee.org

                      東北大學信息科學與工程學院博士研究生. 2016年于東北大學獲得電氣工程及其自動化專業學士學位. 主要研究方向為能源互聯網中分布式電源的協同優化及其電磁時間尺度穩定性分析.E-mail: 1610232@stu.neu.edu.cn

                    • 基金項目:  國家重點研發計劃(2018YFA0702200), 國家自然科學基金(61773109, 61627809, 61621004), 遼寧省“興遼英才計劃”項目(XLYC1801005, XLYC1807009)資助

                    An Operation State Analysis Method for Integrated Energy System Based on Correlation Information Adversarial Learning

                    More Information
                    • Fund Project:  Supported by National Key Research and Development Program of China (2018YFA0702200), National Natural Science Foundation of China (61773109, 61627809, 61621004), and Liaoning Revitalization Talents Program (XLYC1801005, XLYC1807009)
                    • 摘要: 綜合能源系統(Integrated energy system, IES)運行狀態分析常以廣泛化信息技術應用提供的數據為支撐, 然而傳感器故障、網絡通信中斷等信息異常導致的數據缺失會直接影響數據質量. 在考慮數據缺失的情況下, 本文提出了一種基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 首先構建深度生成對抗網絡(Generative adversarial network, GAN)對數據缺失部分進行可靠性補償. 在設計生成器結構過程中, 通過引入系統拓撲鄰接矩陣對生成器輸入數據進行優化排序, 進而在訓練過程中采用設計的多屬性融合生成器損失函數, 促使生成器進一步得到高精度補償數據. 接著將判別器提取的不同時刻完整能源數據的特征作為基礎, 采用淺層特征分布及深層特征信息差異值融合判斷, 從而實現系統運行狀態分析. 最后對不同數據缺失補償及不同類型節點改變情況進行仿真, 驗證了本文所提方法的可行性與有效性.
                    • 圖  1  GAN結構示意圖

                      Fig.  1  Diagram of GAN structure

                      圖  2  系統狀態判斷方法

                      Fig.  2  Operation state judgement method

                      圖  3  狀態分析方法流程圖

                      Fig.  3  Flowchart of operation state analysis method

                      圖  4  綜合能源系統結構圖

                      Fig.  4  Integrated energy system structure

                      圖  5  電節點15數據缺失補償曲線

                      Fig.  5  Data imputation curves of electricity node 15

                      圖  6  多節點數據缺失補償曲線

                      Fig.  6  Multi-node data imputation curves

                      圖  7  電節點21變化前后系統數據及特征

                      Fig.  7  IES data and features change of electricity node 21

                      圖  8  電節點21變化前后系統淺層特征分布曲線

                      Fig.  8  Data distribution change of shallow features for electricity node 21

                      圖  9  熱節點18變化前后系統數據及特征

                      Fig.  9  IES data and features change of heat node 18

                      圖  10  熱節點18變化前后系統淺層特征分布曲線

                      Fig.  10  Data distribution change of shallow features for heat node 18

                      表  1  多節點數據缺失補償結果 (×10?5)

                      Table  1  Multi-node data imputation results (×10?5)

                      補償節點 MAE MSE MPE
                      電節點9 1.4852 1.4948 1.4136
                      電節點12 1.5093 1.5188 1.4418
                      氣節點7 1.5250 1.5362 2.1993
                      下載: 導出CSV

                      表  2  不同數量的缺失數據補償結果 (×10?5)

                      Table  2  Imputation results of different numbers of missing data (×10?5)

                      缺失數量 MAE MSE MPE
                      1 1.5022 1.4926 1.5008
                      3 1.5190 1.5205 1.5063
                      5 1.5183 1.5194 1.5253
                      7 1.5852 1.5933 1.5757
                      9 1.6232 1.6201 1.6193
                      下載: 導出CSV

                      表  3  不同方法補償結果對比 (×10?5)

                      Table  3  Comparison of different data imputation methods (×10?5)

                      補償方法 MAE MSE MPE
                      CNN 2.3248 2.3003 2.2741
                      DAE 2.2428 2.1892 2.1505
                      DCGAN 1.9255 1.8864 1.8469
                      DCGAN-L1 1.8421 1.7605 1.7844
                      Pix2Pix 1.7274 1.6148 1.6303
                      本文方法 1.5934 1.4835 1.4492
                      下載: 導出CSV

                      表  4  不同節點的狀態判斷結果(%)

                      Table  4  State judgment results of different nodes (%)

                      變化節點 (0, 1%) (1%, 2%) (2%, 3%) (3%, 4%) (4%, 5%)
                      電節點17 0 60 100 100 100
                      電節點21 0 70 100 100 100
                      熱節點18 0 70 100 100 100
                      熱節點30 0 70 100 100 100
                      下載: 導出CSV
                      360彩票
                    • [1] 孫秋野, 滕菲, 張化光. 能源互聯網及其關鍵控制問題. 自動化學報, 2017, 42(2): 176?194

                      Sun Qiu-Ye, Teng Fei, Zhang Hua-Guang. Energy internet and its key control issues. Acta Automatica Sinica, 2017, 42(2): 176?194
                      [2] Heinen S, Burke D, O'Malley M. Electricity, gas, heat integration via residential hybrid heating technologies — an investment model assessment. Energy, 2016, 109: 906?919 doi:  10.1016/j.energy.2016.04.126
                      [3] Sun H B, Guo Q L, Zhang B M, Wu W C, Wang B, Shen X W, Wang J H. Integrated energy management system: concept, design, and demonstration in China. IEEE Electrification Magazine, 2018, 6(2): 42?40 doi:  10.1109/MELE.2018.2816842
                      [4] Hibbard P J, Schatzki T. The interdependence of electricity and natural gas: Current factors and future prospects. Electricity Journal, 2012, 25(4): 6?17 doi:  10.1016/j.tej.2012.04.012
                      [5] Fairley P. The troubled link between gas and electricity grids. IEEE Spectrum, 2016, 53(6): 11?12 doi:  10.1109/MSPEC.2016.7473135
                      [6] 王平, 王堯. 臺灣大停電的“鍋”誰來背. 兩岸關系, 2017, (9): 30?30 doi:  10.3969/j.issn.1006-5679.2017.09.008

                      Wang Ping, Wang Yao. Taiwan power failure “pot” who will carry. Cross-Strait Relations, 2017, (9): 30?30 doi:  10.3969/j.issn.1006-5679.2017.09.008
                      [7] Augutis J, Krik?tolaitis R, Marti?auskas L, Pe?iulyt? S, ?utautait? I. Integrated energy security assessment. Energy, 2017, 109: 890?901
                      [8] Wang D, Liu L, Jia H J, Wang W L, Zhi Y Q, Meng Z J, Zhou B Y. Review of key problems related to integrated energy distribution systems. CSEE Journal of Power and Energy Systems, 2018, 4(2): 130?145 doi:  10.17775/CSEEJPES.2018.00570
                      [9] 陳勝, 衛志農, 孫國強, 王丹, 臧海祥. 電?氣互聯綜合能源系統安全分析與優化控制研究綜述. 電力自動化設備, 2019, 39(8): 3?11

                      Chen Sheng, Wei Zhi-Nong, Sun Guo-Qing, Wang Dan, Zang Hai-Yang. Review on security analysis and optimal control of electricity-gas integrated energy system. Electric Power Automation Equipment, 2019, 39(8): 3?11
                      [10] 董今妮, 孫宏斌, 郭慶來, 盛同天, 喬錚. 面向能源互聯網的電?氣耦合網絡狀態估計技術. 電網技術, 2018, 42(2): 400?408

                      Dong Jin-Ni, Sun Hong-Bin, Guo Qing-Lai, Sheng Tong-Tian, Qiao Zheng. State estimation of combined electric-gas networks for energy internet. Power System Technology, 2018, 42(2): 400?408
                      [11] 陳艷波, 鄭順林, 楊寧, 楊曉楠, 劉鎧誠. 基于加權最小絕對值的電?氣綜合能源系統抗差狀態估計. 電力系統自動化, 2019, 43(13): 61?74 doi:  10.7500/AEPS20180428003

                      Chen Yan-Bo, Zheng Shun-Lin, Yang Ning, Yang Xiao-Nan, Liu Kai-Cheng. Robust state estimation of electric-gas integrated energy system based on weighted least absolute value. Automation of Electric Power Systems, 2019, 43(13): 61?74 doi:  10.7500/AEPS20180428003
                      [12] Du Y X, Zhang W, Zhang T T. ADMM-based distributed state estimation for integrated energy system. CSEE Journal of Power and Energy Systems, 2019, 5(2): 275?283
                      [13] Liu Y B, Su Y C, Xiang Y, Liu J Y, Wang L F, Xu W T. Operational reliability assessment for gas-electric integrated distribution feeders. IEEE Transactions on Smart Grid, 2019, 10(1): 1091?1100 doi:  10.1109/TSG.2018.2844309
                      [14] Zhou K L, Fu C, Yang S L. Big data driven smart energy management: from big data to big insights. Renewable and Sustainable Energy Reviews, 2016, 56: 215?225 doi:  10.1016/j.rser.2015.11.050
                      [15] 孫秋野, 楊凌霄, 張化光. 智慧能源—人工智能技術在電力系統中的應用與展望. 控制與決策, 2018, 33(5): 938?949

                      Sun Qiu-Ye, Yang Ling-Xiao, Zhang Hua-Guang. Smart energy-applications and prospects of artificial intelligence technology in power system. Control and Decision, 2018, 33(5): 938?949
                      [16] He X, Qiu R C, Chu L, Ai Q, Ling Z N, Zhang J. Invisible units detection and estimation based on random matrix theory. IEEE Transactions on Power Systems, 2020, 35(3): 1846?1855 doi:  10.1109/TPWRS.2019.2935739
                      [17] Huang T E, Guo Q L, Sun H B, Tan C W, Hu T Y. A deep spatial-temporal data-driven approach considering microclimates for power system security assessment. Applied Energy, 2019, 237: 36?48 doi:  10.1016/j.apenergy.2019.01.013
                      [18] Li M S, Deng W M, Xiahou K S, Ji T Y, Wu Q H. A data-driven method for fault detection and isolation of the integrated energy-based district heating system. IEEE Access, 2020, 8: 23787?23801 doi:  10.1109/ACCESS.2020.2970273
                      [19] Liu J H, Qu F M, Hong X W, Zhang H G. A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets. IEEE Transactions on Industrial Informatics, 2019, 15(7): 3877?3888 doi:  10.1109/TII.2018.2885365
                      [20] Shi X, Qiu R, Mi T B, He X, Zhu Y L. Adversarial feature learning of online monitoring data for operational risk assessment in distribution networks. IEEE Transactions on Power Systems, 2020, 35(2): 975?985 doi:  10.1109/TPWRS.2019.2941162
                      [21] Ghahramani Z. Supervised learning from incomplete data via an EM approach. Advances in Neural Information Processing Systems, 1984, 6: 120?127
                      [22] Xie K, Wang X, Liu X L, Wen J G, Cao J N. Interference-aware cooperative communication in multi-radio multi-channel wireless networks. IEEE Transactions on Computers, 2016, 65(5): 1528?1542 doi:  10.1109/TC.2015.2448089
                      [23] Chen H B, Grant-Muller S, Mussone L, Montgomery F. A study of hybrid neural network approaches and the effects of missing data on traffic forecasting. Neural Computing and Applications, 2001, 10(3): 277?286
                      [24] Jaques N, Taylor S, Sano A, Picard R. Multimodal autoencoder: a deep learning approach to filling in missing sensor data and enabling better mood prediction. In: Proceedings of the 2017 International Conference on Affective Computing and Intelligent Interaction, San Antonio, TX, USA: IEEE, 2017. 202?208
                      [25] Zhuang Y F, Ke R M, Wang Y H. Innovative method for traffic data imputation based on convolutional neural network. IET Intelligent Transport Systems, 2019, 13(4): 605?613 doi:  10.1049/iet-its.2018.5114
                      [26] 王守相, 陳海文, 潘志新, 王建明. 采用改進生成式對抗網絡的電力系統量測缺失數據重建方法. 中國電機工程學報, 2019, 39(1): 56?64

                      Wang Shou-Xiang, Chen Hai-Wen, Pan Zhi-Xin, Wang Jian-Ming. A reconstruction method for missing data in power system measurement using an improved generative adversarial network. Proceedings of the CSEE, 2019, 39(1): 56?64
                      [27] Ren C, Xu Y. A fully data-driven method based on generative adversarial networks for power system dynamic security assessment with missing data. IEEE Transactions on Power Systems, 2019, 34(6): 5044?5052 doi:  10.1109/TPWRS.2019.2922671
                      [28] Li Y C, Wang Y Y, Hu S Y. Online generative adversary network based measurement recovery in false data injection attacks: A cyber-physical approach. IEEE Transactions on Industrial Informatics, 2020, 16(3): 2031?2043 doi:  10.1109/TII.2019.2921106
                      [29] Qu F M, Liu J H, Ma Y J, Zang D, Fu M R. A novel wind turbine data imputation method with multiple optimizations based on GANs. Mechanical Systems and Signal Processing, 2020, 139: Article 106610 doi:  10.1016/j.ymssp.2019.106610
                      [30] Goodfellow I J, Pougetabadie J, Mirza M. Generative adversarial networks. Advances in Neural Information Processing Systems, 2014, 3: 2672?2680
                      [31] 王坤峰, 茍超, 段艷杰, 林懿倫, 鄭心湖, 王飛躍. 生成式對抗網絡GAN的研究進展與展望. 自動化學報, 2017, 43(3): 321?332

                      Wang Kun-Feng, Gou Chao, Duan Yan-Jie, Lin Yi-Lun, Zheng Xin-Hu, Wang Fei-Yue. Generative adversarial networks: The state of the art and beyond. Acta Automatica Sinica, 2017, 43(3): 321?332
                      [32] 劉建偉, 謝浩杰, 羅雄麟. 生成對抗網絡在各領域應用研究進展. 自動化學報, 2020, DOI: 10.16383/j.aas.c180831

                      Liu Jian-Wei, Xie Hao-Jie, Luo Xiong-Lin. Research progress on application of generative adversarial networks in various fields. Acta Automatica Sinica, 2020, DOI: 10.16383/j.aas.c180831
                      [33] 孫秋野, 胡旌偉, 楊凌霄, 張化光. 基于GAN技術的自能源混合建模與參數辨識方法. 自動化學報, 2018, 44(5): 901?914

                      Sun Qiu-Ye, Hu Jing-Wei, Yang Ling-Xiao, Zhang Hua-Guang. We-energy hybrid modeling and parameter identification with GAN technology. Acta Automatica Sinica, 2018, 44(5): 901?914
                      [34] Mirza M, Osindero S. Conditional generative adversarial nets. arXiv preprint arXiv: 1411.1784, 2014.
                      [35] Isola P, Zhu J Y, Zhou T H, Efros A A. Image-to-image translation with conditional adversarial networks. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition, 2017. 1125?1134
                      [36] 黃雨佳, 孫秋野, 王睿, 黃博南. 面向綜合能源系統的靜態電壓穩定性分析. 中國電機工程學報, 2019, 39(s): 44?53

                      Huang Yu-Jia, Sun Qiu-Ye, Wang Rui, Huang Bo-Nan. Static voltage stability analysis for integrated energy system. Proceedings of the CSEE, 2019, 39(s): 44?53
                      [37] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In: Proceedings of the 2015 International Conference on Medical Image Computing and Computer-assisted Intervention. Springer, Cham, 2015. 234−241
                    • [1] 孔銳, 黃鋼. 基于條件約束的膠囊生成對抗網絡[J]. 自動化學報, 2020, 46(1): 94-107. doi: 10.16383/j.aas.c180590
                      [2] 李中奇, 金柏, 楊輝, 譚暢, 付雅婷. 高速動車組強耦合模型的分布式滑??刂撇呗?/a>[J]. 自動化學報, 2020, 46(3): 495-508. doi: 10.16383/j.aas.190216
                      [3] 孫秋野, 王一帆, 楊凌霄, 張化光. 比特驅動的瓦特變革——信息能源系統研究綜述[J]. 自動化學報, 2020, 46(): 1-14. doi: 10.16383/j.aas.c200634
                      [4] 李玉帥, 李天義, 高煒, 高文忠. 基于異步動態事件觸發通信策略的綜合能源系統分布式協同優化運行方法[J]. 自動化學報, 2020, 46(9): 1831-1843. doi: 10.16383/j.aas.c200172
                      [5] 滕菲, 單麒赫, 李鐵山. 智能船舶綜合能源系統及其分布式優化調度方法[J]. 自動化學報, 2020, 46(9): 1809-1817. doi: 10.16383/j.aas.c200176
                      [6] 劉一敏, 蔣建國, 齊美彬, 劉皓, 周華捷. 融合生成對抗網絡和姿態估計的視頻行人再識別方法[J]. 自動化學報, 2020, 46(3): 576-584. doi: 10.16383/j.aas.c180054
                      [7] 付曉, 沈遠彤, 李宏偉, 程曉梅. 基于半監督編碼生成對抗網絡的圖像分類模型[J]. 自動化學報, 2020, 46(3): 531-539. doi: 10.16383/j.aas.c180212
                      [8] 鄭文博, 王坤峰, 王飛躍. 基于貝葉斯生成對抗網絡的背景消減算法[J]. 自動化學報, 2018, 44(5): 878-890. doi: 10.16383/j.aas.2018.c170562
                      [9] 孫亮, 韓毓璇, 康文婧, 葛宏偉. 基于生成對抗網絡的多視圖學習與重構算法[J]. 自動化學報, 2018, 44(5): 819-828. doi: 10.16383/j.aas.2018.c170496
                      [10] 鄭治豪, 吳文兵, 陳鑫, 胡榮鑫, 柳鑫, 王璞. 基于社交媒體大數據的交通感知分析系統[J]. 自動化學報, 2018, 44(4): 656-666. doi: 10.16383/j.aas.2017.c160537
                      [11] 盧倩雯, 陶青川, 趙婭琳, 劉蔓霄. 基于生成對抗網絡的漫畫草稿圖簡化[J]. 自動化學報, 2018, 44(5): 840-854. doi: 10.16383/j.aas.2018.c170486
                      [12] 王坤峰, 左旺孟, 譚營, 秦濤, 李力, 王飛躍. 生成式對抗網絡:從生成數據到創造智能[J]. 自動化學報, 2018, 44(5): 769-774. doi: 10.16383/j.aas.2018.y000001
                      [13] 鄭念祖, 丁進良. 基于Regression GAN的原油總氫物性預測方法[J]. 自動化學報, 2018, 44(5): 915-921. doi: 10.16383/j.aas.2018.c170485
                      [14] 唐賢倫, 杜一銘, 劉雨微, 李佳歆, 馬藝瑋. 基于條件深度卷積生成對抗網絡的圖像識別方法[J]. 自動化學報, 2018, 44(5): 855-864. doi: 10.16383/j.aas.2018.c170470
                      [15] 趙樹陽, 李建武. 基于生成對抗網絡的低秩圖像生成方法[J]. 自動化學報, 2018, 44(5): 829-839. doi: 10.16383/j.aas.2018.c170473
                      [16] 張龍, 趙杰煜, 葉緒倫, 董偉. 協作式生成對抗網絡[J]. 自動化學報, 2018, 44(5): 804-810. doi: 10.16383/j.aas.2018.c170483
                      [17] 張一珂, 張鵬遠, 顏永紅. 基于對抗訓練策略的語言模型數據增強技術[J]. 自動化學報, 2018, 44(5): 891-900. doi: 10.16383/j.aas.2018.c170464
                      [18] 鄒凌, 嚴永, 楊彪, 李文杰, 潘昌杰, 周仁來. 基于同步EEG-fMRI采集的情緒認知重評數據特征融合分析研究[J]. 自動化學報, 2016, 42(5): 771-781. doi: 10.16383/j.aas.2016.c150545
                      [19] 王永富, 王殿輝, 柴天佑. 基于數據挖掘與系統理論建立摩擦模糊模型與控制補償[J]. 自動化學報, 2010, 36(3): 412-420. doi: 10.3724/SP.J.1004.2010.00412
                      [20] 馮宏娟. 計算機遙測系統的數據流分析[J]. 自動化學報, 1987, 13(6): 424-431.
                    • 加載中
                    圖(10) / 表(4)
                    計量
                    • 文章訪問數:  265
                    • HTML全文瀏覽量:  138
                    • PDF下載量:  104
                    • 被引次數: 0
                    出版歷程
                    • 收稿日期:  2020-03-31
                    • 錄用日期:  2020-06-28
                    • 網絡出版日期:  2020-09-28
                    • 刊出日期:  2020-09-28

                    基于關聯信息對抗學習的綜合能源系統運行狀態分析方法

                    doi: 10.16383/j.aas.c200171
                      基金項目:  國家重點研發計劃(2018YFA0702200), 國家自然科學基金(61773109, 61627809, 61621004), 遼寧省“興遼英才計劃”項目(XLYC1801005, XLYC1807009)資助
                      作者簡介:

                      東北大學信息科學與工程學院博士研究生. 主要研究方向為基于數據驅動的故障診斷, 信息物理系統的建模及優化控制.E-mail: 1710252@stu.neu.edu.cn

                      東北大學信息科學與工程學院副教授. 主要研究方向為故障診斷, 容錯控制, 能源管理系統以及分布式發電系統、微網和能源互聯網的優化與控制. 本文通信作者.E-mail: madazhong@ise.neu.edu.cn

                      東北大學信息科學與工程學院碩士研究生. 主要研究方向為基于機器學習的綜合能源系統故障檢測與診斷.E-mail: zj623928036@163.com

                      東北大學信息科學與工程學院教授. 主要研究方向為自適應動態規劃, 模糊控制, 網絡控制, 混沌控制. E-mail: hgzhang@ieee.org

                      東北大學信息科學與工程學院博士研究生. 2016年于東北大學獲得電氣工程及其自動化專業學士學位. 主要研究方向為能源互聯網中分布式電源的協同優化及其電磁時間尺度穩定性分析.E-mail: 1610232@stu.neu.edu.cn

                    摘要: 綜合能源系統(Integrated energy system, IES)運行狀態分析常以廣泛化信息技術應用提供的數據為支撐, 然而傳感器故障、網絡通信中斷等信息異常導致的數據缺失會直接影響數據質量. 在考慮數據缺失的情況下, 本文提出了一種基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 首先構建深度生成對抗網絡(Generative adversarial network, GAN)對數據缺失部分進行可靠性補償. 在設計生成器結構過程中, 通過引入系統拓撲鄰接矩陣對生成器輸入數據進行優化排序, 進而在訓練過程中采用設計的多屬性融合生成器損失函數, 促使生成器進一步得到高精度補償數據. 接著將判別器提取的不同時刻完整能源數據的特征作為基礎, 采用淺層特征分布及深層特征信息差異值融合判斷, 從而實現系統運行狀態分析. 最后對不同數據缺失補償及不同類型節點改變情況進行仿真, 驗證了本文所提方法的可行性與有效性.

                    English Abstract

                    胡旭光, 馬大中, 鄭君, 張化光, 王睿. 基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 自動化學報, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    引用本文: 胡旭光, 馬大中, 鄭君, 張化光, 王睿. 基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 自動化學報, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    Hu Xu-Guang, Ma Da-Zhong, Zheng Jun, Zhang Hua-Guang, Wang Rui. An operation state analysis method for integrated energy system based on correlation information adversarial learning. Acta Automatica Sinica, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    Citation: Hu Xu-Guang, Ma Da-Zhong, Zheng Jun, Zhang Hua-Guang, Wang Rui. An operation state analysis method for integrated energy system based on correlation information adversarial learning. Acta Automatica Sinica, 2020, 46(9): 1783?1797. doi: 10.16383/j.aas.c200171
                    • 在能源低碳高效化應用的驅動背景下, 電、氣、熱等異質能源高度融合的綜合能源系統(Integrated energy system, IES)被視為未來能源結構的理想化框架[1-3]. 綜合能源系統的主要目標是打破傳統能源間相互獨立的局面, 通過多種異質互聯能源的廣泛參與實現多主體用戶的跨環節資源優化協調互動, 提高不同資源利用率. 隨著系統結構日益復雜及運行規模不斷擴大的前提下, 各能源子系統間的耦合程度存在著不同程度的增強. 近年來, 發生的美國西南部大停電[4]、南加州氣網故障[5]及臺灣大停電事故[6]表明, 能源深度耦合進而使得單一能源變化會通過多種類型的耦合設備傳遞到其余能源連接系統, 影響整個系統的安全運行. 因此, 保障系統安全運行的系統運行狀態研究逐漸受到人們重視, 并且國內外專家學者針對不同運行場景問題開展了一系列相關工作[7-9].

                      針對系統運行狀態問題的研究, 以物理模型為主的狀態估計方法通過合理假設和模型簡化可以很好應對運行機理明確的系統. 類比于電力系統狀態, 已有文獻通過建立電?氣耦合網絡穩態量測模型, 進而采用最小二乘方法實現了系統壞數據的辨識[10-11]. 考慮到各個能源子系統間的數據隱私保護, 文獻[12]提出了基于交替方向乘子法的分布式狀態識別方法, 在保證求解精度的同時提高了計算效率. 文獻[13]提出了在能源樞紐參與情況下適用于實時運行風險預警的能量損失評價方法. 雖然上述方法取得了一定效果, 但是由于推演方法在能源強交織的綜合能源系統中難以建立準確模型, 模型不精確誤差會通過參數傳遞累積最終使得結果難以保證. 在信息智能技術高速發展完善階段, 以數據驅動為主的運行狀態分析方法, 由于其能夠充分挖掘海量信息數據潛在特性并避免對機理模型的過度依賴, 因而受到了廣泛關注[14-20]. 綜合電力及氣象系統數據, 文獻[17]提出了一種基于自編碼網絡(Autoencoder, AE)的系統安全性估計方法. 文獻[18]采用卷積神經網絡(Convolutional neural network, CNN)研究了偏差、漂移及失效三種不同的區域供熱系統故障. 文獻[19]通過生成對抗網絡(Generative adversarial network, GAN)解決了小樣本故障數據問題, 并通過支持向量機及決策樹等機器學習方法證明了該方法的有效性. 借助于雙向生成對抗網絡提取的特征, 文獻[20]通過構建的近似標準正態分布實現了電力系統運行風險評價. 然而由于綜合能源系統包含不同類型的能源數據, 數據差異性使得上述研究單一能源系統的方法無法滿足綜合能源系統運行狀態分析與檢測.

                      此外, 上述數據驅動方法實現的關鍵前提是數據完整性. 然而在現實情況中由于傳感器失效、網絡通信中斷造成數據缺失不可用的情況時有發生, 因此在進行系統運行狀態分析時數據完整性是必須要考慮的問題. 為了能夠實現有效數據補償恢復, 期望最大化[21]、回歸分析[22]及神經網絡[23]等方法逐步應用于該領域研究. 文獻[24]提出了用去噪自編碼網絡(Denoising autoencoder, DAE)實現情緒預測領域的缺失數據生成. 文獻[25]將原始交通數據轉化為二維圖像, 并采用卷積神經網絡實現了缺失數據部分的補償. GAN由于其在數據補償過程中, 可以通過深度神經網絡強大的擬合能力對數據關聯性進行研究分析, 利用生成器和判別器的互相博弈學習產生所需要的輸出結果, 從而避免復雜機理模型建立及參數不確定性帶來的影響, 因而得到廣泛關注. 文獻[26-27]對一維時間序列的量測數據進行了缺失值重建, 保證了補償數據具有與真實數據相似的時序特性. 通過融合狀態估計物理模型, 文獻[28]采用GAN實現了電力系統測量值的恢復. 文獻[29]對于風機數據的丟失問題, 采用了條件生成對抗網絡(Conditional GAN)用監督學習的方式實現了數據的有效補償. 盡管上述方法對時空關聯性數據進行了研究, 但是它們的數據均來源于同一系統, 不存在數據量綱及變化幅值不統一的情況. 對于綜合能源系統來說, 針對多時間尺度能源數據的補償問題, 仍需要結合耦合能量存在的潮流特性進行深入探究.

                      綜上所述, 在結合能源數據特性的前提下, 本文以耦合能源數據為基礎, 通過生成對抗網絡學習能源數據抽象特征, 實現缺失數據情況下綜合能源系統運行狀態的分析. 本文的創新點總結如下:

                      1) 提出一種基于關聯信息對抗學習的綜合能源系統運行狀態分析方法. 首先通過生成器對能源數據存在缺失的部分進行補償, 進而以完整數據為輸入, 通過判別器提取的特征差異性完成對系統運行狀態的分析.

                      2) 針對系統缺失數據, 采用以U型卷積神經網絡為基礎結構的生成器網絡實現不同缺失數據情況的有效補償. 通過關聯度進行輸入數據優化排序及多屬性融合的生成器損失函數設計, 增強訓練過程中生成器特征提取能力, 從而提高數據補償的精準性.

                      3) 采用差異化數據特征衡量方式完成對系統運行狀態的分析. 在判別器得到不同抽象特征的基礎上, 通過不同時刻淺層特征分布和深層特征信息差異性比較, 判斷出系統狀態的改變, 從而完成系統運行狀態分析.

                      接下來, 本文從以下4個方面進行闡述: 第1節主要介紹系統結構及生成對抗網絡基本內容; 第2節介紹提出的基于對抗學習的數據補償及系統運行狀態分析方法; 第3節通過綜合能源系統仿真結果說明本文所提方法的有效性; 最后, 在第4節對本文所研究內容予以總結性描述.

                      • 綜合能源系統是由電力、天然氣及熱力等不同能源子系統通過管道及耦合設備連接的大型網絡. 為了更好地對系統進行描述, 本文根據圖論將系統表示為有向圖${ \Psi} = \left( {{{V}}{{,}}{{L}}} \right)$, 其中$ {{V}} = \left\{ {{{V}}_{{\cal {E}}}, {{V}}_{\cal G}, {{V}}_{\cal H}} \right\} $$ \tilde x $個電力節點$ v_{{\tilde i}}^{{\cal {E}}}, \tilde y $個天然氣節點$ v_{{\tilde j}}^{{\cal {G}}} $$ \tilde z $個熱力節點$ v_{{\tilde k}}^{{\cal {H}}} $抽象而成的節點集合, 共有$ \tilde w $個系統節點. $ {L} $為能量傳輸線路集合. 在此基礎上, 為了描述節點連接程度, 定義綜合能源系統的鄰接矩陣$ {{\tilde A}}_{}^{ \Psi} = $$[ {a_{\hat i\hat j}^{}} ]_{\tilde w\times \tilde w}^{}$, $ \hat i $$ \hat j $為系統節點并且定義元素$ a_{\hat i\hat j} $

                        $$ {a_{\hat i\hat j}} = \left\{\!\! {\begin{array}{*{20}{c}} { - 1},&{\hat j \to \hat i}\\ \!\!\!1,&{\hat i \to \hat j}\\ \!\!\!0,&\;\;\;{\text{其余情況}} \end{array}} \right. $$ (1)

                        進一步, 假設系統$ { \Psi} $中每個節點$ \hat i $均能夠得到相應測量值, 也就是說系統內獲取的測量變量均為已知可量測數據. 經過$ l $個采樣時刻后, 在采樣時刻$ t, $系統內第$ \tilde i $個節點的測量值向量$ {{m}}_{\tilde i}^t $表示為$ {{m}}_{\tilde i}^t =$$ {\left( {m_{\tilde i}^t(t-l+1),m_{\tilde i}^t(t-l+2), \cdots ,m_{\tilde i}^t(t)} \right)}. $$ \tilde w $個節點測量值向量按照第2.1.1節得到的順序排列得到測量矩陣${{M}}^t\in{\bf{R}}^{{\tilde f}\times l} , {\tilde f}$為系統測量值的總數量.

                        不同于單一能源系統, 綜合能源系統內不同子系統有各自的測量變量, 會導致不同的量綱和變化幅值難以統一衡量, 能量變化差異度難以統一描述. 因此在不改變原始數據相關關系基礎上, 本文進一步對測量矩陣$ {{M}}^t $進行量綱歸一化變換處理, 使其能夠在同一衡量標準下進行分析, 變換后的矩陣$ {{\tilde M}}^t $

                        $$ \begin{split} {{{{\tilde M}}}^{t}} = &{\left[ {\hbar \left( {\left| {\Delta{{ M}}_{\cal E}^t} \right|} \right),\hbar \left( {\left| {{\Delta{ M}}_{\cal G}^t} \right|} \right),\hbar \left( {\left| {\Delta{{ M}}_{\cal H}^t} \right|} \right)} \right]^{\rm{T}}}\odot\\ & \hbar \left( {\lg \left| {{\Delta{{M}}^t}} \right| + {{r}}} \right) \end{split} $$ (2)

                        其中, $ \Delta{{M}}_{\cal E}^t $, $ \Delta{{M}}_{\cal G}^t $, $ \Delta{{M}}_{\cal H}^t $分別表示電力、天然氣及熱力子系統的差值測量子矩陣, 反映子系統內部間不同節點量測數據變化, $ {\Delta{{M}}^t} $為綜合能源系統差值測量子矩陣, 實現各個子系統數據變化情況的統一體現, 此外其元素均為該時刻與上一時刻測量差值的絕對值, $ \hbar \left( \cdot \right) $為歸一化函數, $ \odot $為點乘運算符號. 作為$ \lg \left| {{\Delta{{M}}^t}} \right| $的補償項, $ {{r}} $為實常數$ r $構成的列向量.

                        接著, 對矩陣$ {{{{\tilde M}}}^{t}} $的每一行進行標準化變換, 得到如下所示的標準行向量$ {{{{\hat{m}}}}^{t}} $

                        $$ {{{\hat{m}}}^t} = \frac{{{{{{\tilde m}}}^t} - \mu \left( {{{{{\tilde m}}}^t}} \right)}}{{\sigma \left( {{{{{\tilde m}}}^t}} \right)}} $$ (3)

                        最后, 在融合矩陣$ {{\hat{M}}}^t $體現數據變化差異的基礎上, 得到本文研究的數據矩陣$ {{\check{M}}}_{}^t $${{\check{M}}}_{}^t = {{{\hat M}}^t}{\odot} {{{\hat M}}^t} .$

                      • Goodfellow等[30]于2014年正式提出了GAN. 由于其能夠在不依賴于任何先驗假設情況下, 通過生成器$ G $和判別器$ D $零和博弈得到數據分布規律并產生理想合成樣本, 所以在眾多領域取得了大量顯著成果[31-33]. 其中, Conditional GAN 作為原始GAN的一種改進網絡結構, 在$ G $$ D $的模型中均引入標簽$ c $, 通過使用額外信息對模型增加條件, 指導數據生成過程[34-35]. 此外針對缺失數據生成問題, 為了使$ G $的輸入數據與輸出數據的維度一致, Conditional GAN的生成器輸入中并未增加條件變量$ c $.

                        因此針對$ G ,$為了使輸出$ G(z) $盡可能近似于原始真實樣本$ x, $構造的生成器損失函數$ L_G $

                        $$ {L_G} = {{\rm{E}}_{z\sim{p_z}}}[1-{ {\rm{ln}}}D(G(z))] $$ (4)

                        其中, ${\rm{E}}(\cdot)$為計算期望值, $ z $為輸入樣本并服從數據分布$ p_z $.

                        針對$D ,$其輸入為生成器生成樣本$ G(z) $或者實際樣本$ x, $并且其訓練目標為識別出輸入樣本來源, 所以$ D $的輸出結果為判別器輸入樣本是否為實際真實樣本$ x $的概率. 如果$ D $的輸入來自實際真實樣本$ x ,$那么輸出概率趨近于為1, 否則為0. 基于此, $ D $的損失函數表達為

                        $$ {L_D} = -{{\rm{E}}_{x\sim{p_x}}}[{{\rm{ln}}}D(x|c)] - {{\rm{E}}_{z\sim{p_z}}}[1-{ {\rm{ln}}}D(G(z))] $$ (5)

                        其中, $ p_x $為實際真實樣本$ x $服從的數據分布.

                        進一步, 為了能夠描述$ G $$ D $的博弈訓練過程, 通過對式(4)和式(5)組合得到極小極大化博弈評價函數$ \hat{V}(G,D) $

                        $$ \begin{split} \mathop {\min }\limits_G \mathop {\max }\limits_D \hat{V}(D,G) = &\mathop {\min }\limits_G \mathop {\max }\limits_D {{\rm{E}}_{x\sim{p_{x}}}}[{ {\rm{ln}}}D(x|c)] +\\ & {{\rm{E}}_{z\sim{p_z}}}[{{\rm{ln}}}(1 - D(G(z)))] \end{split} $$ (6)

                        在生成對抗網絡訓練初期, 生成器生成的樣本$ G(z) $由于與實際真實樣本$ x $存在很大差異, 所以判別器$ D $可以很明顯地將兩者進行區別并得到很高的準確率, 此時$ {L_G} $$ {L_D} $的值都很大; 隨著訓練迭代過程的不斷進行, 生成器網絡通過誤差反向傳播方式調整每一層網絡權值參數使得$ G(z) $相似于$ x, $與此同時$ D $也通過相同方式提高了對不同樣本來源的判別能力. 當訓練過程進行到$ D $再也無法明確區分不同樣本來源時, 那么就可以認為GAN已經訓練完畢.

                      • 對于GAN實現數據補償來說, 生成器輸入數據的構建是極為關鍵的[29]. 針對綜合能源系統缺失數據補償問題, 由于其涉及到電、氣、熱等多種類型的能源運行數據, 所以必須充分考慮能源數據潮流特性帶來的變化關聯度. 通過將變化相似的數據放在一起進行數據特征提取可以使特征相似性最大化, 從而提高后續數據補償精度. 因此為全面考慮不同系統間的能量交互程度, 本文以鄰接矩陣$ {{\tilde A}}_{}^\Psi $為基礎, 系統多能流計算的統一雅可比矩陣$ {{J}}^\Psi $[36]為依據進行數據關聯度分析. 將電力系統節點有功功率($ P $)、無功功率($ Q $)、天然氣系統的節點流量($ f $)平衡方程以及熱力系統的熱力?水力平衡方程(供水溫度$ T^s $, 回水溫度$ T^r $), 在穩態運行點進行Taylor級數展開, 略去二次項及以上高次項, 通過線性化多能流修正方程即可得到統一雅可比矩陣$ {{J}}^\Psi $[36], 如下所示:

                        $$ {{{J}}^{{\psi }}} \!=\! \left[\!\! {\begin{array}{*{20}{c}} {{{{J}}_{P\theta }}}\!\!&\!\!{{{{J}}_{Pv}}}\!\!&\!\!{{{{J}}_{P\Pi }}}\!\!&\!\!{{{{J}}_{Pm}}}\!\!&\!\!0\!\!&\!\!{{{{J}}_{P{T^r}}}}\\ {{{{J}}_{Q\theta }}}\!\!&\!\!{{{{J}}_{Qv}}}\!\!&\!\!0\!\!&\!\!0\!\!&\!\!0\!\!&\!\!0\\ {{{{J}}_{f\theta }}}\!\!&\!\!{{{{J}}_{fv}}}\!\!&\!\!{{{{J}}_{f\Pi }}}\!\!&\!\!{{{{J}}_{fm}}}\!\!&\!\!0\!\!&\!\!{{{{J}}_{f{T^r}}}}\\ {{{{J}}_{[\phi ,\sigma ]\theta }}}\!\!&\!\!{{{{J}}_{[\phi ,\sigma ]v}}}\!\!&\!\!0\!\!&\!\!{{{{J}}_{[\phi ,\sigma ]m}}}\!\!&\!\!{{{{J}}_{[\phi ,\sigma ]{T^s}}}}\!\!&\!\!0\\ 0\!\!&\!\!0\!\!&\!\!0\!\!&\!\!0\!\!&\!\!{{{{J}}_{{T^s}{T^s}}}}\!\!&\!\!0\\ 0\!\!&\!\!0\!\!&\!\!0\!\!&\!\!0\!\!&\!\!0\!\!&\!\!{{{{J}}_{{T^r}{T^r}}}} \end{array}} \!\!\right] $$ (7)

                        其中, $ \theta $為電壓相角, $ v $為電壓幅值, $ \Pi $為天然氣節點壓力, $ m $為熱力質量流.

                        由第1.1節可知, 鄰接矩陣$ {{\tilde A}}_{}^\Psi $是描述節點連接程度的矩陣, 從網絡拓撲角度直接反映出節點關聯度. 同時由矩陣$ {{J}}^\Psi $可知, 矩陣內元素的物理含義為不同異構能源變量間的相互耦合, 體現節點對其余系統節點的能量變化程度影響, 通過隱含著的系統節點間連接關系, 進而間接體現了數據能源方面的關聯度. 因此, 定義節點$ \hat{i} $的關聯度要素$ {\varphi _{\hat i}} $

                        $$ {\varphi _{\hat i}}= \sum\limits_{\varsigma {{ = }}1}^\kappa {\chi \times a_{\hat i\varsigma }^{} \times j_{\hat i\varsigma }^{}} + \sum\limits_{\tilde \varsigma {{ = }}1}^{\tilde \kappa } {a_{\hat i\tilde \varsigma }^{} \times j_{\hat i\tilde \varsigma }^{}} $$ (8)

                        其中, $ \kappa $$ \tilde{\kappa} $分別為節點$ \hat{i} $流向其他節點和其他節點流向節點$ \hat{i} $的數量, $ \chi $為節點連接關聯度權重, $ j_{\hat{i}(\cdot)} $為矩陣$ {{J}}^\Psi $的元素.

                        進一步通過關聯度要素$ {\varphi _{\hat i}} $的值即可確定數據間關聯度關系, 最終實現輸入數據的優化排序.

                      • 在確定輸入數據排列順序的基礎上, 網絡結構是GAN實現數據補償的另一個重要環節. 相較于全連接神經元構建的GAN, 由卷積核搭建的GAN能夠通過卷積操作對局部數據信息進行關注, 并且相同情況下運行效率更高. 進一步考慮到在調整輸入數據的基礎上, 卷積網絡可以更好地對具有強烈時序特性變化的關聯數據挖掘時空特性, 更好地完成數據補償. 因此本文均采用卷積神經網絡對GAN實現$ G $$ D $的網絡結構構建, 結構示意圖如圖1所示.

                        圖  1  GAN結構示意圖

                        Figure 1.  Diagram of GAN structure

                        在數據補償問題中, $ G $的輸入樣本$ z $可以看作是在真實樣本$ x $的基礎上修改得到的. 因此生成器網絡是通過特征提取處理高維數據到高維數據的映射關系. 由于$ G $的輸入為高維數據矩陣$ {{\check{M}}}_{}^t, $無法直接對其進行操作, 因此需要通過低維特征的聯合共享及逐層反卷積實現缺失數據的補償. 基于此, 本文采用U型卷積神經網絡[37]作為生成器結構. 如圖1所示, 相較于普通自編碼網絡, U型卷積神經網絡中編碼器第$ i $層與解碼器第$ n-i $層神經網絡的結構相同, 通過加入跳躍連接, 可以將第$ i $層網絡拼接到第$ n-i $層中實現不同網絡層的特征傳遞, 形成對應特征強化關系, 便于實現高維數據的生成.

                        $ D $的功能是對$ x $$ G(z) $進行特征提取并實現樣本來源的判斷, 因此如圖1所示, 采用只包含卷積層的卷積神經網絡進行訓練并輸出對應數據的差異性. 考慮到$ D $提取的特征包含更多能源數據潛在特征并且后續用于運行狀態分析, 因此在判別器中不添加全連接層, 而是通過不同卷積層提取的特征來區分$ x $$ G(z) $的差異性并通過第2.1.3節構造的損失函數完成GAN的訓練.

                      • 在GAN中, $ G $的作用是盡可能使缺失數據相似于原始真實數據. 因為綜合能源系統數據具有實際物理意義, 所以為了得到更加精準的數據補償結果, 需要同時考慮數據及物理兩方面屬性對生成器損失函數$ L_G $進行設計.

                        從數據屬性來看, 如果GAN能達到理想效果, 也就是說生成樣本$ G(z) $能完全復原真實樣本$ x ,$那么經過相同神經網絡提取的數據特征也完全相同. 生成樣本$ G(z) $屬于高維數據范疇, 以卷積神經網絡為結構的$ D $可以在不同的卷積層提取到一系列不同維度特征, 因此為了進一步強化生成器能力, 使得G不僅要關注于高度抽象特征, 更要關注到不同卷積層提取的數據特征, 進而放大數據間的差異性, $ D $不同層提取的數據特征以L1正則化形式添加到$ L_G $, 其具體公式定義為

                        $$ L_G^1 = {\sum\limits_{\varsigma = 1}^d {{\rm{E}}_{x\sim{p_x},z\sim{p_z}}^{}\left\| {D_\varsigma ^\vartheta \left( x|z \right) - D_\varsigma ^\vartheta \left( {G(z)} \right)} \right\|} _1} $$ (9)

                        其中, $ \vartheta $表示參與到損失函數中的具體判別器卷積層編號. 選擇具體卷積層時, 既要考慮數據特征差異性, 又要盡量使得提取的特征包含更多隱含信息, 盡可能從高維和低維兩個不同角度對數據屬性進行差異性分析.

                        對于物理屬性來說, 最為直觀的體現就是系統的整體潮流特性并且該特性可以用數據的統計量進行表示. 本文選取反映系統整體變化趨勢的樣本協方差矩陣譜分布來分析生成樣本$ G(z) $的物理屬性, 并利用JS散度描述與真實樣本$ x $差距, 其表達式為

                        $$ L_G^2 = \frac{1}{2} \sum {\frac{{2{{\tilde p}_x} {\rm{ln}} {{\tilde p}_x}}}{{{{\tilde p}_x} + {{\tilde p}_z}}}} + \frac{1}{2} \sum {\frac{{2{{\tilde p}_z} {\rm{ln}} {{\tilde p}_z}}}{{{{\tilde p}_x} + {{\tilde p}_z}}}} $$ (10)

                        其中, $ {{{\tilde p}_z}} $$ {{{\tilde p}_x}} $分別為生成樣本$ G(z) $和真實樣本$ x $的樣本協方差矩陣譜分布.

                        綜上, 本文提出多屬性融合的生成器損失函數$ L_G $

                        $$ L_G = {{\rm{E}}_{z\sim{p_z}}}[1-{ {\rm{ln}}}D(G(z))]+\lambda_1 \times L_G^1+\lambda_2 \times L_G^2 $$ (11)

                        其中, $ \lambda_1 $$ \lambda_2 $為損失函數權重, 用于控制不同屬性在損失函數中的作用.

                        針對$ D $的損失函數依然采用如式(5)所示的形式, 其中標簽$ c $為生成器的輸入樣本$ z. $并且$ D $的輸入為$ x $+$ z $$ G(z) $+$ z $的組合形式, 直接將對應數據按照通道拼接在一起進行分析.

                      • GAN大多數研究都集中于對生成器$ G $的改進和應用擴展, 然而作為GAN的另一組成部分的判別器$ D $同樣值得關注. 根據$ D $的功能及相關卷積神經網絡結構可知, $ D $能夠通過提取的特征判斷出不同樣本來源. 此外, 根據卷積原理可知, 初始卷積層得到的數據特征能夠體現數據整體性變化, 隨著卷積層的不斷深入, 數據的特征趨于高度抽象化, 反映出數據內在的隱含數據特征. 因此為了從數據特征不同層面考慮能源數據發生的變化, 在不丟失數據變化趨勢信息基礎上, 選取$ D $首層卷積層提取的特征作為淺層特征; 此外, 充分考慮提取的特征需要體現數據不同部分變化情況, 因此將$ D $倒數第二層卷積層提取的特征作為深層特征, 通過將淺層特征和深層特征進行融合判斷, 實現系統運行狀態分析. 基于特征融合判斷的系統狀態判斷方法如圖2所示.

                        圖  2  系統狀態判斷方法

                        Figure 2.  Operation state judgement method

                        圖2所示, 針對淺層特征, 由于其能夠反映數據整體性變化, 所以采用JS散度對其進行變化判斷, 其具體過程為: 首先選取$ \zeta $個能夠描述數據不同部分的淺層特征$ {P_i} $, $ i = 1,2,\cdots,\zeta $; 接著將$ {P_i} $按照列順序依次排列特征元素$ p $, 使其形成一維行向量$ {{\hat{p}}_{{i}}} $; 然后通過擬合得到$ {{\hat{p}}_{{i}}} $的擬合曲線$ \phi( {{\hat{p}}_{{i}}}) $并將其作為特征分布; 最后通過對不同時刻的特征分布$ \phi( {{{\hat{p}}_{{i}}}}^t) $$ \phi( {{{\hat{p}}_{{i}}}}^{\breve{t}}) $采用JS散度進行分布差異性的判斷并滿足預先設定的閾值$ \theta $, 即滿足下式時, 表明$ \breve{t} $時刻的淺層特征$ {P_i} $存在差異性.

                        $$ {\Xi _i^1}{{ = {\rm{JS}}}}\left( {\phi ({{{{\hat p}_i}}^t})||\phi ({{{{\hat p}_i}}^{\breve{t}}})} \right) \ge \theta $$ (12)

                        針對深層特征, 由于其小尺寸維度內包含著高度抽象化信息, 所以采用歐幾里得距離進行分析, 其過程描述為: 首先等間距選取$ \varpi $個深層特征${Q_j},$$j = 1,2,\cdots,\varpi ;$接著將$ {Q_j} $按照列順序依次排列特征元素$ q, $使其形成一維行向量$ {{\hat{p}}_{{j}}}; $然后通過對不同時刻的$ {{{\hat{p}}_{{j}}}}^t $$ {{{\hat{p}}_{{j}}}}^{\breve{t}} $采用歐幾里得距離得到數據間的差異性; 最后當滿足預先設定的閾值$ \sigma ,$即滿足下式時, 表明$ \breve{t} $時刻的深層特征$ {Q_i} $存在差異性.

                        $$ {\Xi _j^2}{{ = {\rm{Euclidean}}}}\left( {{{{{\hat q}_j}}^t}, {{{{\hat q}_j}}^{\breve{t}}}} \right) \ge \sigma $$ (13)

                        綜上, 當淺層和深層特征同時滿足式(14)時, 即超過閾值的特征數量大于設定的數目時, 則認為$ \breve{t} $時刻系統運行狀態發生了變化.

                        $$ \left\{ {\begin{array}{*{20}{c}} {\displaystyle\sum\limits_\iota ^\varsigma {\Xi _\iota ^1} > \left\lceil {\rho \times \zeta } \right\rceil }\\ {\displaystyle\sum\limits_{\tilde \iota }^\varpi {\Xi _{\tilde \iota }^2} > \left\lceil {\rho \times \varpi } \right\rceil } \end{array}} \right. $$ (14)

                        其中, $ \rho \in (0,1]), \left\lceil {\cdot} \right\rceil $為向上取整符號.

                      • 綜上所述, 本文提出的方法流程如圖3所示. 在訓練階段, 首先通過綜合能源系統獲取海量數據, 然后在$ G $補償缺失數據的基礎上, 通過輸入生成數據及完備數據到$ D $中得到對應補償情況評價, 接著將評價結果進一步返回到$ G $, 促使其生成更好的結果, 從而實現一次完整的訓練過程. 經過一系列上述零和博弈的訓練過程后, 最終得到訓練好的GAN. 在分析階段, 首先判斷獲取的異構能源數據缺失情況, 如果數據存在缺失則將輸入數據送入到訓練好的$ G $中實現數據補償過程, 進而得到完備能源數據; 在保證數據完整性基礎上, 將所得的數據通過$ D $提取到不同時刻的能源數據特征, 再經過相應分析過程后得到最終系統運行狀態分析結果.

                        圖  3  狀態分析方法流程圖

                        Figure 3.  Flowchart of operation state analysis method

                      • 在本文中, 為了證明本文所提方法的有效性, 采用IEEE33節點、天然氣20節點及熱力32節點構建的綜合能源系統進行仿真, 其網絡拓撲結構及耦合設備連接如圖4所示, 同時選取電力系統節點電壓$ v $、天然氣系統節點氣壓$ \Pi $及熱力系統管道質量流$ m $為相應系統測量值進行研究, 從而使得系統節點與測量變量間形成一一對應的關系. 并且本節方法的仿真運行環境為Intel Xeon(R) E5-2640 2.4 GHz CPU, 運行內存為160 GB, 采用NVIDIA的GPU顯卡Titan X(Pascal)對tensorflow程序進行深度加速訓練.

                        圖  4  綜合能源系統結構圖

                        Figure 4.  Integrated energy system structure

                        本文仿真參數為: $ \hat{w}= \tilde{w}= \tilde{f}= 85, l = 180,\chi = $2. 并且設置$ r $ = 50, 使得歸一化過程中的$ \lg \left| {\Delta {{{M}}^t}} \right| $內的元素在已有基礎上整體增加50. 為了均衡數據及物理屬性對生成器損失函數的影響, 設置$ \lambda_1 = $$ \lambda_2= 10, $ 并且根據實驗結果設置$\theta = 0.1 , \varpi = 1, \rho =$$0.7.$針對GAN, $ G $的步長均為2, 采用5個卷積層和相應的反卷積層, 其中卷積核大小依次為$3\times 4, 3\times 3, 4\times 3, 3\times 3 $$4\times 4, $激活函數采用ReLu函數, 最后采用卷積核為$4\times 4, $激活函數為tanh函數實現樣本生成; 根據生成器卷積核參數可知, 生成器編碼過程的維度變化情況是: $ 43\times 90 $、$ 22\times 45 $、$ 11\times 23 $、$ 6\times 12 $以及$ 3\times 6 $, 其對應的解碼過程數據維度變化為: $ 6\times 12 $、$ 11\times 23 $、$ 22\times 45 $、$ 43\times 90 $$ 85\times 180. $判別器$ D $采用6層卷積神經網絡構建, 卷積核為$10\times 20, 4\times 5, 3\times 5, 4\times 4, 4\times 4 $$4\times 4, $除最后一層采用sigmoid函數以外, 其余均采用Leaky ReLu函數, 同時只有第1層的步長為1, 其余卷積核的步長為2. 根據第2.1.3節所述判別器卷積層選取原則, 第2層和第4層卷積層兼顧了數據特征差異性和隱含信息兩方面, 因此$ \vartheta = \{2,4\} $. 批次大小為1, 采用Adam優化器進行GAN網絡參數訓練, 初始學習率為0.0002, $ \beta_1 $ = 0.5, 最大迭代次數為12000次.

                        在構建樣本集的過程中, 首先通過調整節點需求變化, 生成不同情況下的系統數據, 從而得到4600個不同數據樣本作為數據來源; 為了能夠更好地比較補償效果, 體現補償數據與真實數據間的差距并且考慮到不同節點、不同缺失數量的情況, 接著對得到的4600個數據樣本的不同節點數據進行隨機性刪除, 并且將該部分數據設置為0, 也就是說將節點缺失數據用0替換保持數據維度不變, 并且替換的長度在$20\sim 50 $之間; 經過處理后, 存在數值為0的節點數據即可認為是運行過程中出現的缺失數據. 將原始仿真得到的系統數據和修改后的數據一一對應構成數據對, 相應的4600個數據樣本對即為構建的樣本集, 從而用于所提方法的訓練和驗證, 其中隨機選取3680個不同類型樣本作為訓練樣本, 其余樣本為測試樣本.

                      • 為了衡量數據補償效果, 本文采用平均絕對誤差(Mean absolute error, MAE)、均方誤差(Mean squared error, MSE)及平均百分比誤差(Mean percentage error, MPE)三個不同的指標進行分析. 其中, MAE了反映補償值誤差的實際情況, MSE體現了數據的變化程度, MPE則表明補償值與真實值間的偏離程度. 同時本節從缺失數據補償有效性、多節點數據缺失補償及與不同方法比較三個方面進行了分析, 結果表明所提方法實現缺失補償的有效性.

                        首先, 假設電節點15網絡通信傳輸存在問題, 在電力系統節點17負荷變化下通過相鄰數據對缺失數據進行補償, 并以此對所提方法有效性進行分析. 如圖5所示, 圖5(a)(c)分別展示了電節點15電壓幅值間斷缺失及持續缺失兩種不同的情況, 縱坐標為電壓幅值, 圖5(b)(d)為相應數據補償結果及原始真實數據. 并且從輸入輸出關系出發, 圖5(a)(b)分別為電節點15數據間斷缺失情況及通過本文所提方法得到的數據補償情況. 從直觀上看, 補償數據和原始數據有很高的相似度并且部分數據可以基本實現重合. 從統計指標上看, 圖5(b)補償結果的MAE、MSE及MPE分別為$ 1.4819\times $$10^{-5} , 1.4881\times10^{-5} $$ 1.4016\times10^{-5} ;$圖5(d)補償結果的MAE、MSE及MPE分別為$ 1.5338\times10^{-5} ,$$ 1.6544\times10^{-5} $$ 1.4600\times10^{-5}. $綜合上述曲線展示及統計指標可知, 對于不同情況的單一節點數據缺失情況, 提出的方法均能夠較好地實現缺失數據補償.

                        圖  5  電節點15數據缺失補償曲線

                        Figure 5.  Data imputation curves of electricity node 15

                        接著, 針對于在缺失數據的個數、缺失數據數量及缺失時刻方面, 與單一節點缺失補償不同的多節點數據補償問題進行分析. 假設在含電轉氣設備的節點8發生變化過程中, 如圖6(a), (c), (e)所示, 電節點9、12及氣節點7三個兩種類型的節點數據在采樣時刻$41\sim 70 $$111\sim 130 $存在缺失情況. 經過訓練好的生成器$ G $得到的對應節點缺失數據補償的結果呈現在圖6(b), (d), (f)中. 從圖中可以看到, 對于數據突變處, 補償數據均能夠較好地得到與原始數據相似的變化情況, 當數據變化趨于穩定即數據變為隨機變化時, 不同節點的補償效果存在一定的誤差. 三個節點的統計指標結果如表1所示. 通過表1可知, 三個節點的補償效果沒有明顯的差異性, 不會因為節點類型的差異而導致補償效果存在差別. 同時與圖5所得結果相比較可得, 多節點數據補償效果與單節點基本相同, 所提方法的補償效果不會因為多節點的缺失情況而影響補償效果. 通過上述單/多節點數據補償結果可知, 在缺失數據與前后部分數據變化接近時, 可以采用前后數據加權平均后加少量噪聲的方法對缺失數據進行補償. 但是當發生如圖6所示數據突變或數據變化情況未知時, 通過直接數據擬合方法無法實現數據補償. 于此方法不同的是, 本文所提方法采用生成對抗網絡實現, 通過大量數據訓練后可以根據數據間變化關聯性進行數據補償, 在避免建立復雜數學模型的同時完成缺失數據的補償.

                        表 1  多節點數據缺失補償結果 (×10?5)

                        Table 1.  Multi-node data imputation results (×10?5)

                        補償節點 MAE MSE MPE
                        電節點9 1.4852 1.4948 1.4136
                        電節點12 1.5093 1.5188 1.4418
                        氣節點7 1.5250 1.5362 2.1993

                        圖  6  多節點數據缺失補償曲線

                        Figure 6.  Multi-node data imputation curves

                        進一步為了討論本文所提方法對于不同節點數量缺失情況的補償效果, 選取節點數量缺失情況分別為1, 3, 5, 7, 9的五種情況進行研究, 具體結果如表2所示.

                        表 2  不同數量的缺失數據補償結果 (×10?5)

                        Table 2.  Imputation results of different numbers of missing data (×10?5)

                        缺失數量 MAE MSE MPE
                        1 1.5022 1.4926 1.5008
                        3 1.5190 1.5205 1.5063
                        5 1.5183 1.5194 1.5253
                        7 1.5852 1.5933 1.5757
                        9 1.6232 1.6201 1.6193

                        根據表2可知, 當系統內節點數量缺失少于5時, 生成器對于缺失數據的補償效果基本相同, 但是隨著缺失數量的增加, 輸入數據的缺失部分也越來越多, 使得輸入到生成器中的完整測量變量的數量也越來越少, 神經網絡無法提取到充足的數據特征, 因此相應的性能指標也隨之變差. 但是從整體效果來看, 所提方法仍然能夠對缺失數據進行相應地補償.

                        最后, 為了進一步表明所提方法在數據補償方面的有效性, 本文采用五種不同的深度學習方法進行比較, 并且相應的結構為: 1) 作為回歸模型, CNN采用6層卷積自編碼基本結構實現數據補償; 2) DAE方法與CNN具有相同的結構, 但不同的是將自編碼網絡結構分為2-2-2的形式, 采用分層更新迭代?微調訓練的方式進行, 最后通過訓練好的編碼網絡完成數據補償; 3) DCGAN采用不含跳躍連接的編碼器?解碼器結構的生成器, 并且判別器中添加一層全連接層實現特征拼接; 4) DCGAN-L1在DCGAN的基礎上, 增加L1正則化損失函數到原有生成器損失函數中; 5) Pix2Pix方法除了損失函數以外, 網絡結構與本文所提方法相同. 在相同訓練環境下, 不同方法的補償結果如表3所示.

                        表 3  不同方法補償結果對比 (×10?5)

                        Table 3.  Comparison of different data imputation methods (×10?5)

                        補償方法 MAE MSE MPE
                        CNN 2.3248 2.3003 2.2741
                        DAE 2.2428 2.1892 2.1505
                        DCGAN 1.9255 1.8864 1.8469
                        DCGAN-L1 1.8421 1.7605 1.7844
                        Pix2Pix 1.7274 1.6148 1.6303
                        本文方法 1.5934 1.4835 1.4492

                        表3中可以看出, 本文所提方法均優于其余五種不同類型的方法. 由于CNN與DAE采用相同的結構, 所以對應結果差別不大, 但是由于DAE采用逐層訓練及反復微調網絡參數的方式, 比CNN參數調整更為精細, 因此效果比CNN好. 其余四種數據補償方法由于判別器的加入, 可以更好地捕捉到數據間的差異性并且促使生成器進行參數調整, 進一步提高了數據補償能力. 與DCGAN所得結果相比較可知, 在相同結構情況下, L1正則化損失函數能夠使得生成對抗網絡的數據補償結果更接近于真實值. 相較于DCGAN、DCGAN-L1及Pix2Pix方法來說, 本文所提方法進行了生成器輸入數據的優化排序改進, 使得變化相似的數據放在一起進行數據特征提取, 數據特征相似性最大化; 另外, 生成器損失函數方面, 除原始損失函數以外, 增加了以判別器提取的不同卷積層數據特征為核心的L1正則化形式的損失函數表征數據屬性, 并且根據數據本身存在的物理屬性, 通過樣本協方差矩陣譜分布進一步描述生成樣本與真實樣本間的差距, 因此更為適應于能源缺失數據變化特點, 使得補償效果優于其他數據補償方法.

                      • 為了表明第2.2節提出方法對狀態判斷的有效性, 本節從電節點及熱節點兩個不同類型的能源變化為例進行研究. 通過對判別器提取的特征進行統一性分析, 依照淺層特征反映整體性變化趨勢要求, 選取第1, 23, 46及59個判別器首層提取的特征作為系統狀態判斷所需的淺層特征, 此外第1, 101, 331及481個判別器倒數第二層卷積層提取的特征作為深層特征. 需要說明的是數據特征的數字為相應卷積層根據卷積核提取的數據特征進行順序編號得到的, 并且所選取的數據特征不具有普遍代表性, 數據特征的選取可以根據具體情況進行適當調整.

                        針對電節點變化情況, 選取電節點21的有功功率負荷增加6.16%為相應未知功率變化事件進行分析[16]. 如圖7所示為判別器$ D $的輸入數據及選取的特征可視化展示結果, 通過對圖7(a)圖7(b)的比較可知, 判別器$ D $第1層卷積核提取的特征與輸入數據存在極高的相似性, 但是隨著對特征不斷的抽象卷積提取, 到第五層卷積核提取得到的特征呈現出高度抽象化情況, 即圖7(c)所示的深層特征, 并且對圖7(d), (e), (f)變化情況分析可以得到類似的結果.

                        圖  7  電節點21變化前后系統數據及特征

                        Figure 7.  IES data and features change of electricity node 21

                        接著根據第2.2節判斷過程, 從數據分布整體性變化趨勢的角度出發, 將圖7(b), (e)所示的淺層特征構建為一維行向量并得到如圖8所示結果. 進一步, 為避免轉化為一維行向量的淺層特征數據變化波動性影響分析結果, 進而采用擬合方法得到相應淺層特征的擬合曲線, 并通過JS散度實現淺層特征差異性的表達, 相應淺層特征的JS散度依次為0.1486, 0.1245, 0.1441, 0.1129, 超過了設定的閾值0.1, 對于圖7(c), (f)所示的深層特征進行歐幾里得距離的分析, 并得到相應結果為1.9766, 0.9795, 2.3763, 2.6861, 最后通過式$(12)\sim (14) $的判斷得到系統運行狀態發生變化.

                        圖  8  電節點21變化前后系統淺層特征分布曲線

                        Figure 8.  Data distribution change of shallow features for electricity node 21

                        類似地, 對熱節點18增加其對應的熱需求至原有需求的104.2%, 并得到圖9所示的系統數據及對應的淺層、深層特征. 進一步, 對淺層特征進行維度變換、擬合及特征分布計算等操作得到如圖10所示的對應結果, 進一步得到JS散度為0.1092, 0.1085, 0.1110, 0.1034. 根據第3.1節設定的$ \theta $參數可知, 選取的淺層特征分布均滿足式(12), 即淺層特征存在差異性. 通過對變化前后系統深層特征計算歐幾里得距離并與設定的閾值1相比較可知, 選取的深層特征的歐幾里得距離(2.0742, 1.3195, 2.4701, 2.1099)均大于閾值1, 符合式(13)的要求. 綜合淺層特征、深層特征差異性并通過式(14)判斷, 最終得到系統運行狀態發生改變.

                        圖  9  熱節點18變化前后系統數據及特征

                        Figure 9.  IES data and features change of heat node 18

                        圖  10  熱節點18變化前后系統淺層特征分布曲線

                        Figure 10.  Data distribution change of shallow features for heat node 18

                        為了進一步研究第2.2節所提方法對不同電、熱節點需求變化情況的判斷, 在增加電節點17及熱節點30進行分析的基礎上, 選取節點需求變化范圍為(0, 5%) , 并且將其分為5等份, 在不同節點需求變化范圍內, 選取10個不同需求變化情況進行判斷, 得到的狀態判斷結果如表4所示.

                        表 4  不同節點的狀態判斷結果(%)

                        Table 4.  State judgment results of different nodes (%)

                        變化節點 (0, 1%) (1%, 2%) (2%, 3%) (3%, 4%) (4%, 5%)
                        電節點17 0 60 100 100 100
                        電節點21 0 70 100 100 100
                        熱節點18 0 70 100 100 100
                        熱節點30 0 70 100 100 100

                        根據表4可知, 當熱電需求變化不劇烈時, 會導致測量數據的幅值變化也會減小, 從而導致D提取的深層特征和淺層特征的差異性不大; 在節點需求變化處于(0, 1%) 時, 不能滿足預先設定的系統狀態變化的判斷條件, 因此無法識別出系統狀態的改變情況; 隨著熱電需求變化的逐漸增加, 數據的變化程度也越來越劇烈, 因此當節點需求變化大于2%時, 通過式(14)對淺層和深層特征的融合判斷, 可以準確得到系統狀態變化的結果.

                        綜合上述兩個不同類型節點變化分析過程可知, 在提取特征并融合不同特征變化情況下, 本文提出的方法可以在熱電需求變化劇烈時準確地判斷出狀態改變情況.

                      • 針對綜合能源系統存在的節點變化引起的狀態改變檢測問題, 本文提出了一種基于關聯信息對抗學習的運行狀態分析方法. 首先采用構建的深度生成對抗網絡的生成器實現缺失數據的補償, 通過系統鄰接矩陣實現輸入數據按照關聯度排序, 增強相鄰輸入數據間相似程度; 再通過設計的多屬性融合生成器損失函數, 進一步提高了數據補償的精度. 接著采用判別器網絡復用的方式, 通過訓練好的判別器提取能源數據的抽象特征, 然后采用JS散度及歐幾里得距離衡量不同時刻能源數據特征的差異性并以此為依據得到系統運行狀態. 最后通過對電?氣?熱綜合能源系統不同類型節點的變化情況進行仿真分析, 結果表明與其他補償算法相比, 本文提出的方法能夠更好地反映和補償數據缺失部分, 并且采用判別器提取的特征可以有效地檢測出節點變化, 最終得到系統運行狀態. 在接下來研究中, 將進一步針對輸入數據存在未知量下的缺失數據補償進行分析, 同時找尋出能夠準確表征節點微弱需求變化的特征及相應指標, 從而完成熱電需求變化不劇烈下的系統狀態判斷并實現在線應用.

                    參考文獻 (37)

                    目錄

                      /

                      返回文章
                      返回