基于GAN的不平衡负荷数据类型辨识方法

卢锦玲，张梦雪，郭鲁豫

（华北电力大学 电气与电子工程学院，河北 保定071003）

0 引言

随着智能电网的发展，越来越多的传感器和智能电表安装到配电网络中，用来监控和预测电能的使用。从负荷监控点收集的随时间变化的功率损耗数据形成负荷曲线。客户的负荷曲线显示了其电力消费行为，通过对负荷曲线分类，提取用电模型，对于电力系统的负荷预测、风险预警、需求响应分析等具有重要意义。

负荷分类问题的研究在国内外已经取得了一定成果。总体来说，负荷分类方法包括以K-means、模糊 C 均值聚类（fuzzy C-means，FCM）、自组织映射（self-organizing maps，SOM）等为代表的无监督聚类和以BP神经网络、支持向量机（support vector machine，SVM）等为代表的有监督分类。文献[2]结合多种聚类算法构建用户的用电模式分析模型，并提出一种新方法来评估聚类效果，实现了典型用电模式的自动识别。文献[3]结合深度学习中的卷积自编码器，提出了一种多维模糊C均值聚类方法，对日趋海量的负荷数据进行了有效的分类。文献[4]基于牵引负荷实测数据，提出了一种改进的自适应 FCM方法，以自动获取最佳聚类数，提高了牵引负荷分类的精度。文献[5]提出了一种基于遗传算法优化的BP神经网络负荷分类方法，采用遗传算法对BP网络的初始权重和阈值进行优化，得到了较好的分类效果。文献[6,7]采用高斯混合模型聚类和SVM算法相结合，提出了一种利用负荷数据进行用户辨识的方法，并验证了算法的有效性。文献[8]首先通过无监督算法获得负荷数据的标签，然后采用稀疏自动编码神经网络学习负荷曲线的特征，实现了负荷曲线的高精度分类。……