登录    注册    忘记密码

期刊文章详细信息

基于改进生成式对抗网络的电网异常数据辨识方法    

An Abnormal Data Identification Method Based on Improved Generative Adversarial Network

  

文献类型:期刊文章

作  者:陈杰[1] 张浩天[2] 汤奕[3]

CHEN Jie;ZHANG Haotian;TANG Yi(State Grid Liyang County Electric Power Supply Company,Liyang 213300,Jiangsu Province,China;School of Cyber Science and Engineering,Southeast University,Nanjing 210096,China;School of Electrical Engineering,Southeast University,Nanjing 210096,China)

机构地区:[1]国网江苏省电力有限公司溧阳市供电分公司,江苏省溧阳市213300 [2]东南大学网络空间安全学院,南京市210096 [3]东南大学电气工程学院,南京市210096

出  处:《电力建设》

基  金:国家重点研发计划资助“互联大电网高性能分析和态势感知技术”(2018YFB0904501)。

年  份:2021

卷  号:42

期  号:5

起止页码:9-15

语  种:中文

收录情况:AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks,WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。

关 键 词:生成式对抗网络  Wasserstein距离  样本生成  非均衡数据 异常数据辨识  

分 类 号:TM73]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心