一种基于概率扩散模型的电压暂降数据生成方法及系统

本发明涉及电力和人工智能交叉，具体为一种基于概率扩散模型的电压暂降数据生成方法及系统。

背景技术：

1、电压暂降是指电压有效值在某一时刻开始减小，经过一定时间恢复到标称电压的暂态现象。电压暂降的主要原因包括短路故障、变压器激磁和大电机启动等，会导致工业用户敏感设备跳停，造成生产中断和经济损失。因此，对电压暂降进行监测、分析和治理是提高电能质量和保障供电可靠性的重要任务。

2、为了利用人工智能技术对电压暂降现象进行有效分析和治理，需要有足够多样且具有代表性的电压暂降数据。然而，实际监测到的电压暂降数据往往数量有限且类型单一，不能全面反映电压暂降的特征和规律。因此，如何利用已有的电压暂降数据生成具有类似分布但是更具多样性的数据，实现电压暂降数据集的扩充，是一个具有重要意义和挑战性的问题。

3、目前，关于电压暂降数据集扩充的研究主要有以下几种方法：一是基于仿真的方法，利用数学模型或仿真软件生成不同类型、幅值、持续时间、相位跳变等特征的电压暂降波形。该方法可根据需要生成任意数量和形式的数据，但是可能与实际情况存在一定差异。二是基于变换的方法，利用小波变换、离散余弦变换、傅里叶变换等信号处理技术对已有的电压暂降数据进行变换，提取特征或分量，然后进行重构或合成，生成新的数据。该方法可保留原始数据的一些特性，但是可能引入一些噪声或失真，对变换方法和参数选择的要求较高。三是基于生成对抗网络(gan)的方法，利用深度学习中的生成对抗网络模型对已有的电压暂降数据进行学习和拟合，生成新的数据。该方法可进行暂降数据的自动化和智能化的生成，但训练过程可能不稳定或收敛困难。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于概率扩散模型的电压暂降数据生成方法及系统，提高了数据集的多样性和覆盖范围，为基于人工智能的电能质量扰动溯源、电力系统的风险评估和预测等任务提供了更丰富的训练数据。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、第一方面，提供了一种基于概率扩散模型的电压暂降数据生成方法，所述方法包括以下步骤：

6、数据预处理步骤，对电压暂降数据样本进行预处理，构建原始数据集；

7、模型训练步骤，利用原始数据集训练概率扩散模型，学习电压暂降数据的分布特征；

8、模型采样步骤，利用训练后的概率扩散模型采样算法生成电压暂降数据；

9、生成与评价步骤，将生成的电压暂降数据与原始数据集合并，并对合并后的数据集进行评估。

10、优选的，所述数据预处理步骤，具体包括：

11、有效值转化步骤，录波电压瞬时值转换为有效值；

12、样本去噪步骤，采用一维中值滤波器对电压暂降样本进行去噪；

13、构建步骤，将三相电压暂降样本构建为一维序列的三通道表示。

14、优选的，所述模型训练步骤，具体包括：

15、数据加噪步骤，根据噪声水平向量对已处理的电压暂降数据进行扩散加噪，获得加噪数据；

16、噪声预测步骤，将加噪数据以及噪声水平向量输入到噪声预测深度学习模型，深度学习模型输出噪声预测结果；

17、参数更新步骤，计算损失，并使用梯度下降法更新条件噪声预测模型的参数；

18、第一循环步骤，循环执行以上步骤直至模型收敛。

19、优选的，所述噪声水平向量采用连续噪声水平方法获取，噪声水平向量获取步骤为：

20、在{1,2,…,t}中均匀随机选取时间步t；

21、根据所定义的扩散调度获取相邻的离散噪声值

22、在两离散噪声值之间随机选择噪声水平向量

23、优选的，所述深度学习模型包括输入嵌入层、残差块循环层和输出投影层；

24、所述输入嵌入层包括：

25、通过一维卷积层将长度为l的加噪样本的通道数由3转换为残差通道数c，并采用silu激活：

26、silu(x)＝x*sigmoid(x)

27、其中，x表示神经元的输入。

28、对于噪声水平采用正弦曲线编码公式计算噪声水平嵌入向量：

29、

30、使用两个一维卷积层对噪声水平编码向量进行卷积和激活操作；

31、所述残差块循环层包括n个残差块，其中每个残差块包括：

32、通过全连接层将嵌入噪声水平映射到残差通道数c的维度；

33、使用膨胀卷积层对输入进行卷积，其中膨胀系数为2的幂次方，以实现不同感受野的特征提取；

34、进行门控线性单元操作：

35、y＝σ(gate)⊙tanh(filter)

36、其中σ表示sigmoid函数，gate和filter分别表示膨胀卷积的输出；符号⊙表示逐元素相乘操作；

37、将卷积后的输出拆分为残差和跳跃连接部分；

38、所述输出投影层包括：

39、累加残差块的跳跃连接部分，并除以进行标准化；

40、通过两个一维卷积层对跳跃连接进行卷积和激活操作，并将输出投影到与输入相同的通道数。

41、优选的，所述模型采样步骤包括：

42、从高斯分布中采样一个随机噪声向量，记为xt；

43、使用所述训练收敛的深度学习模型进行噪声估计；

44、根据估计噪声进行逆向数据生成，得到前一时间步的加噪数据xt-1；

45、重复执行以上步骤直至还原x0。

46、优选的，对合并后的数据集进行评估，具体包括：

47、使用kl散度指标评估生成的数据集是否符合原始分布，计算公式为：

48、

49、其中i代表每个离散的电压值的索引，p和q分别表示原始数据集的分布和生成数据集的分布；

50、使用多样性提升度指标评估生成数据集与原始数据集的差异性，计算公式为：

51、

52、其中nnew和norgin分别表示产生新特征的样本数和原始样本数。

53、第二方面，提供了一种基于概率扩散模型的电压暂降数据生成系统，所述系统包括以下模块：

54、数据预处理模块，用于对电压暂降数据样本进行预处理，构建原始数据集；

55、模型训练模块，用于利用原始数据集训练概率扩散模型，学习电压暂降数据的分布特征；

56、模型采样模块，用于利用训练后的概率扩散模型采样算法生成电压暂降数据；

57、生成与评价模块，用于将生成的电压暂降数据与原始数据集合并，并对合并后的数据集进行评估。

58、优选的，所述数据预处理模块，具体包括：

59、有效值转化模块，用于录波电压瞬时值转换为有效值；

60、样本去噪模块，用于采用一维中值滤波器对电压暂降样本进行去噪；

61、构建模块，用于将三相电压暂降样本构建为一维序列的三通道表示。

62、优选的，所述模型训练模块，具体包括：

63、数据加噪模块，用于根据噪声水平向量对已处理的电压暂降数据进行扩散加噪，获得加噪数据；

64、噪声预测模块，用于将加噪数据以及噪声水平向量输入到噪声预测深度学习模型，深度学习模型输出噪声预测结果；

65、参数更新模块，用于计算损失，并使用梯度下降法更新条件噪声预测模型的参数；

66、第一循环步骤，循环执行以上步骤直至模型收敛。

67、(三)有益效果

68、本发明一种基于概率扩散模型的电压暂降数据生成方法及系统，将概率扩散模型引入电压暂降时序数据生成任务，能够有效生成与原始数据集具有相似分布特征且具有更高多样性程度的合成数据样本；通过扩充和增强现有的电压暂降数据集，本发明提高了数据集的多样性和覆盖范围，为基于人工智能的电能质量扰动溯源、电力系统的风险评估和预测等任务提供了更丰富的训练数据；本发明针对电压暂降数据生成任务，分别从生成数据样本与原始数据样本的分布相似性与差异性角度设计了两个评价指标，实现了对生成数据质量的合理评估；本发明所提方法在两个评价指标上均优于基于gan的方法，且具有更高的训练稳定性和可靠性。