(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211065083.3 (22)申请日 2022.09.01 (71)申请人 燕山大学 地址 066000 河北省秦皇岛市海港区河北 大街438号 (72)发明人 曲正伟　赵悦彤　王云静　 波波夫·马克西姆·乔治耶维奇 　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 周胜欣 (51)Int.Cl. G06F 11/14(2006.01) G06K 9/62(2022.01) G06F 17/16(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于改进时空生成对抗网络的电力系统缺 失数据修复方法 (57)摘要 本发明公开了基于改进时空生成对抗网络 的电力系统缺失数据修复方法， 包括使用基于改 进TCAN网络的生成器生成量测数据； 将生成、 真 实数据输入判别器进行判别； 基于损失函数对生 成器与判别器进行训练； 固定生成器与判别器参 数， 根据重构损失生成重构数据， 实现数据修复。 本发明使用改进TCAN网络替换DCGAN中的CNN网 络， 更好地提取时序数据中的时序特征， 且可并 行计算， 计算速度快、 效果好； 将TCAN中的自注意 力机制替换为GAU注意力单元， 有效提取数据空 间特征。 此方法能有效提取数据时空特征， 在缺 失量测数据基础上快速准确修复， 提高了电力系 统可靠性与可观性。 权利要求书2页 说明书6页 附图3页 CN 115525472 A 2022.12.27 CN 115525472 A 1.基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 包括以下 步骤： 步骤1： 选择无缺失历史量测数据进行模型训练， 从潜空间中提取一组噪声向量z， 将其 输入基于改进 TCAN网络的生成器； 其中， 噪声向量z满足联合高斯分布pz(z)； 步骤2： 输出生成量测数据， 计算并更新 生成器损失函数； 步骤3： 将生成数据与真实数据输入基于改进 TCAN网络的判别器D； 步骤4： 输出关于 输入样本是否为真实数据的概 率， 计算并更新判别器损失函数； 步骤5： 根据输出 结果反向传播给生成器， 促使生成器进一 步生成更加真实的数据； 步骤6： 重复步骤1到步骤5， 直至生成可以通过判别器的生成数据， 固定生成器与判别 器参数； 步骤7： 输入 缺失量测数据及其掩码矩阵MS， 根据上下文约束、 真实性损失和重构损失生 成与真实数据相似的修补数据， 最终填补到缺失量测数据中实现数据修复。 2.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤1中， 所述无缺失历史量测数据包括： 根据固定时间采集的无缺失电力系统负荷数据确定系统状态数据； 根据电力系统状态数据通过量测方程确定系统量测数据； 所述系统量测数据为各节点有功、 无功 功率， 各支路有功、 无功 功率。 3.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤1中， 所述改进 TCAN网络具体如下： TCAN为基于注意力的时序卷积网络， 是一种基于卷积与注意力机制的处理时间序列数 据的网络， 主要包括改进时序注意力层Temporal  Attention， TA和增强残差模块Enhanced   Residual， ER； 其中， 改进 TA层由GAU注意力单 元与膨胀因果卷积网络组成， 如下 所示： O＝(U⊙AV)Wo， U＝φu(XWu)， V＝φv(XWv)， Z＝φz(XWz)， 其中， 为注意力层的输出； 为注意力图； 为输入向量； U， V和Z为输入向量经权重矩阵线性映射后的低维向量； 和 为可训练的参数权重矩阵； s为注意力的尺寸， 一般取128； φ是激活函数； Q和K 为简单的仿射变换； ER模块由注意力机制中权重矩阵进行加权， 将 中每一行的权重之和除以步 长， 得到权重向量， 以表示每 个时间步的重要性 程度。 4.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法，权　利　要　求　书 1/2 页 2 CN 115525472 A 2其特征在于： 步骤2中， 所述 生成器损失函数LG如下所示： 其中， E表示期望 的分布， G(z)表示生成器生成的数据， D( ·)中表示判别器的输出， 采 用Wasserstein距离做为损失函数， 避免一定的梯度消失问题。 5.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤4中， 所述判别器损失函数LD如下所示： 6.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤6中， 所述 生成器与判别器参数如下 所示： 其中， θD、 θG分别为判别器和生成器模型参数； RMS Prop为梯度优化器。 7.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤7中， 缺失量测数据的掩码矩阵MS包括： 掩码矩阵MS与量测数据维度相等， 在量测数据缺失处， 掩码矩阵MS对应位置为0； 在为缺 失处， 掩码矩阵MS对应位置为1。 8.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤7中， 所述上 下文约束， 如下 所示： LS＝||G(z； θG)⊙MS,I⊙MS||2， 其中，⊙为矩阵乘法运算； I表示含缺失值量测数据； G(z； θG)表示在固定模型参数下生 成器的输出； 以二范 数度量两个矩阵的相似度。 9.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤7中， 所述真实性损失， 如下 所示： LG＝D(G(z； θG)′； θD)， 其中， G(z； θG)′为在固定参数下生成器输出的重构数据； D(； θD)为判别器在固定参数下 的输出。 10.根据权利要求1所述的基于改进时空生成对抗网络的电力系统缺失数据修复方法， 其特征在于： 步骤7中， 所述重构损失， 如下 所示： LY＝D(I+(1 ‑MS)⊙G(z； θG)′； θD)。权　利　要　求　书 2/2 页 3 CN 115525472 A 3