基于生成对抗网络的电能质量信号压缩重构方法与流程

本发明涉及一种电能质量数据处理技术，特别涉及一种基于生成对抗网络的电能质量信号压缩重构方法。

背景技术：

海量电力信息的产生给当前电网的数据传输和存储带来了巨大的负担。为了减轻通信压力和采集端存储问题，减少采集传输的数据量是智能电网的发展趋势(文献1)。

压缩感知技术(compressionsensing,cs)(文献2)突破了采样定理的局限性，通过采集较少的数据就能较好的恢复原始信号，适合应用到电能质量信号的采集传输过程中。压缩感知技术目前已广泛应用于医学等领域，并在智能电网的发展中也得到了广泛的应用研究(文献3)。文献4、5采用压缩感知理论分别对电能质量暂态和稳态信号进行了研究。文献6将压缩感知理论应用于电能质量信号识别中。文献7将压缩感知不同的重构算法应用于电能质量数据重构中并进行对比分析，验证了现有的压缩重构方法可用于电能质量信号方面。

上述方法已应用在电能质量信号压缩重构方面，但存在如下缺点：1)前期需要对非稀疏信号做稀疏操作，增加了压缩重构过程的计算量和复杂性；2)观测矩阵往往存在计算量大、存储量大、采样后重建质量不稳定等问题，设计一个有效的观测矩阵目前仍然是困难的；3)传统的重构算法每次运行都需迭代计算，重构时间长，重构效果不稳定，不利于大规模的实时电能质量信号压缩重构。

文献1：王澄，魏庆来，赵冬斌,等.基于数据的智能电网电能自适应优化调控[j].控制工程,2014,21(5):753-759.

wangc,weiql,zhaodb,etal.adaptiveoptimalcontrolofelectricenergyinsmartgridbasedondata[j].controlengineeringofchina,2014,21(5):753-759.

文献2：f.yang,j.tan,j.song,andz.han.block-wisecompressivesensingbasedmultiplelineoutagedetectionforsmartgrid[j].ieeeaccess,2018,6:50984–50993

文献3：陈雷,郑德忠,廖文喆.基于压缩感知的含扰动电能质量信号压缩重构方法[j].电工技术学报,2016,31(8):163-171.

chenl,zhengdz,liaowz.compressionandreconstructionmethodofpowerqualitysignalwithdisturbancebasedoncompressedsensing[j].chinesejournalofelectricaltechnology,2016,31(8):163-171.

文献4：王学伟，王琳，苗桂君，等.暂态和短时电能质量扰动信号压缩采样与重构方法[j].电网技术,2012,36(3):191-196

wangxw,wangl,miaogj,etal.anapproachforcompressivesamplingandreconstructionoftransientandshort-timepowerqualitydisturbancesignals[j].powersystemtechnology,2012,36(3):l91-196.

文献5：曹英丽,杜文,许童羽等.稳态电能质量数据压缩传感方法研究[j].沈阳农业大学学报,2013,44(3):365—368.

caoyl,duw,xuty,etal.studyonthecompressionsensingmethodofsteady-statepowerqualitydata[j].journalofshenyangagriculturaluniversity,2013,44(3):365-368.

文献6：buyan,tianlijun,gaoyunxing,etal.loadmodelingbasedonpowerqualitymonitoringsystemappliedcompressedsensing[c].ieeetransportationelectrificationconference.harbin,china:ieee,2017.

文献7：曾嘉俊.电能质量扰动信号压缩采样的重构算法[j].电网技术，2014,37(11):170-172.

zengjj.reconstructionalgorithmofpowerqualitydisturbancesignalcompressionsampling[j].gridtechnology,2014,37(11):170-172.

技术实现要素：

本发明是针对现有的压缩感知应用于电能质量重构时存在难以选取合适的信号稀疏度，以及设计的观测矩阵往往存在计算量大和重构算法重构时间长的问题，提出了一种基于生成对抗网络的电能质量信号压缩重构方法，设计了一种应用于电能质量重构的生成对抗网络的深度学习网络模型，经过样本训练后可以实现应用于电能质量的压缩感知重构时间更短，稳定性更强。经过实验证明，本发明提出的方法在低采样率下对于不同种类的电能质量信号均具有较好的重构效果，并且相较于传统的压缩重构方法压缩重构信号的时间更短，稳定性更强。

本发明的技术方案为：一种基于生成对抗网络的电能质量信号压缩重构方法，具体包括如下步骤：

1)采集电能质量信号，将其分为训练集和验证集两组数据；

2)构建对抗网络模型并对其进行训练：抗网络模型由生成器和鉴别器构成，一维电能质量原信号x输入生成器，依次经过压缩和重构后输出一维重构信号g(x)，原信号x和重构信号g(x)送入鉴别器，鉴别器输出的d来判断输入是原信号x还是重构信号g(x)，让生成器在和鉴别器对抗的过程不断学习原信号的分布，使得重构信号g(x)逐渐逼近原信号x；

鉴别器d的总损失函数为：ltd＝ld+αlx+βlf，

生成器g的总损失函数为ltg＝lg+αlx+βlf，

其中ld为鉴别器d的对抗损失函数：

lg为生成器g的对抗损失函数：

生成器g的重构损失为：

生成器g的频域损失为：

表示在px(x)分布下的期望值；px(x)表示表示真实样本的集合；表示d(x′)对x′的梯度；d(x′)表示x′经过鉴别器d后的值；d(g(x))和d(x)分别表示重构信号g(x)和原信号x经过鉴别器输出的值；x'＝x+(g(x)-x)代表原信号x加上重构信号g(x)和原信号x的差值；λ是惩罚权重；α和β是用来平衡三种损失函数的参数；

将训练集数据送入构建的对抗网络模型对网络进行训练，在训练过程中生成器和鉴别器不断优化网络参数使得总损失函数最小，得到训练后对抗网络模型；3)将验证集数据送入训练后对抗网络模型进行验证，验证对抗网络的稳定性，符合要求后，可使用训练后对抗网络模型对采集电能质量信号进行压缩保存和重构。

所述生成器包括下采样和上采样两个部分：下采样通过卷积层来对信号进行特征提取，来模拟压缩感知中的压缩采样步骤；上采样通过反卷积层实现维度扩充，模拟压缩感知中的重构步骤，通过调整生成器的网络参数，控制其压缩信号的维度来调节压缩采样率的大小。

本发明的有益效果在于：本发明基于生成对抗网络的电能质量信号压缩重构方法，在训练过程中，生成器可以自动的学习如何采集信号的特征信息并根据采集到的特征重构信号，避免了人为设计观测矩阵；对信号无需做稀疏预处理；训练完成后在压缩重构信号时无需再进行迭代计算，重构时间更短，实时性更好；为大数据电能质量信号实时检测提供了一种新的方法。

附图说明

图1为本发明基于生成对抗网络的电能质量信号压缩重构方法中设计的深度学习网络模型示意图。

具体实施方式

基于生成对抗网络的电能质量信号压缩重构方法，具体包括如下步骤：

1、采集电能质量信号，将其分为训练集和验证集两组数据；

2、构建对抗网络模型并对其进行训练：

2、1、模型网络结构设计

如图1所示设计的深度学习网络模型示意图，设计的网络模型由生成器和鉴别器构成。原始gan模型生成器一般只包括上采样的过程，而本发明设计的生成器包括下采样和上采样两个部分：下采样通过卷积层来对信号进行特征提取，来模拟压缩感知中的压缩采样步骤，它可以自动学习采样观测矩阵，避免了复杂的人为设计；上采样通过反卷积层实现维度扩充，模拟压缩感知中的重构步骤。鉴别器在其中的作用是和生成器作对抗训练来提高生成器重构效果。

根据图1可以看到，区别于原始的gan模型，本发明模型网络结构均采用卷积层、全连接层和reshape层组成。原始的gan结构生成器输入的是正态分布的随机噪声，输出的是伪样本。本发明则是把一维原信号x输入生成器，依次经过压缩和重构后输出的是一维重构信号g(x)。鉴别器则根据输出的d来判断输入是原信号x还是重构信号g(x)，这样做可以让生成器在和鉴别器对抗的过程不断学习原信号的分布，使得重构信号g(x)逐渐逼近原信号x。该模型可以通过调整生成器的网络参数，控制其压缩信号y的维度来调节压缩采样率(m/n)的大小，以适应不同采样率场景下的应用。保留训练后的权重参数，以后对信号压缩重构时无需再进行迭代操作。下采样和上采样的网络参数可分开使用，分别实现压缩和重构操作，易于实际工程应用。

2.2损失函数设计

为了更好的重构效果，本发明采用收敛速度更快、训练过程更加稳定的gan变体——wgan-gp的对抗损失函数，并在此基础上增加了重构损失和频域损失。

三种损失函数公式如下所示：

公式(1)中ld和公式(2)中lg分别是wgan-gp鉴别器d和生成器g的对抗损失函数，相比于原始的gan的对抗损失函数增加了梯度惩罚项，同时去掉了log，这样做使得模型在训练过程中更稳定，收敛速度更快。

其中ex～px(x)表示在px(x)分布下的期望值，px(x)表示表示真实样本的集合；表示d(x′)对x′的梯度；d(x′)表示x′经过鉴别器d后的值；g(x)表示生成器根据原信号x生成的重构信号；d(g(x))和d(x)分别表示重构信号g(x)和原信号x经过鉴别器输出的值。x'＝x+(g(x)-x)代表原信号x加上重构信号g(x)和原信号x的差值，λ是惩罚权重。将重构信号g(x)和原信号x送入重构损失根据公式(3)进行重构损失计算；公式(4)代表频域损失，其中fg表示重构信号g(x)经过傅里叶变换后的信号，fx表示原信号x经过傅里叶变换后的信号，送入公式(4)进行频域损失计算。

则本发明模型鉴别器d和生成器g的总损失函数为：

ltd＝ld+αlx+βlf(5)

ltg＝lg+αlx+βlf(6)

2.3、将训练集数据送入构建的对抗网络模型对网络进行训练，在训练过程中生成器和鉴别器不断优化网络参数使得总损失函数最小，得到训练后对抗网络模型。其中α和β是用来平衡三种损失函数的参数。加入了重构损失后，会使得生成器模型进一步提高重构的效果，而由于电能质量信号往往由不同频率的波形组合而成，加入频域损失后可以让网络模型学习重构不同频率的波形，使得重构信号的频域信息更接近原信号。

3、将验证集数据送入训练后对抗网络模型进行验证，验证对抗网络的稳定性，符合要求后，可使用训练后对抗网络模型对采集电能质量信号进行压缩保存和重构。

如下表1为算法对比实验结果，运用omp、samp、cosamp以及本发明方法对电量各项数据进行处理与实验数据结果对比结果，其中snr/db为重构信噪比，mse/％为均方误差百分值、erp/％为能量恢复系数。表2为几种方法处理数据的运行时间对比。从中可看出本发明方法重构时间更短，实时性更好。

表1

表2

。