基于生成对抗网络和集成学习的配变台区低压跳闸预测

作     者：丁伟锋 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：殷豪;陈冬沣

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：配变台区 低压跳闸预测 WGAN-div Bagging-ResNet SHAP 

摘      要：配变台区作为配电网的重要组成部分,承担了为区域内用户供电的重大任务,其安全稳健地运行对电力系统的安全、可靠运行具有重要的意义。随着居民、商业和生产用电负荷激增,配变台区时常发生低压跳闸停电事件,客户投诉事件频发,倘若未及时处理故障,将进一步造成更严重后果。当前大部分学者主要通过配变台区负荷、重过载预测实现对配变台区运行态势的掌控,直接对配变台区低压跳闸预测的研究尚少。对此,本文借助大规模的配变台区数据资源,对配变台区发生低压跳闸的概率进行了仿真建模研究。在总结现有相关研究的基础上,针对配变台区低压跳闸预测问题的特点,本文提出一种基于生成对抗网络和集成学习的配变台区低压跳闸预测模型,包含以下工作:首先,对本文用于仿真建模的配变台区数据进行了异常值剔除、归一化和One-Hot特征转换等数据预处理,并采用皮尔逊相关系数法初步分析影响配变台区低压跳闸的主要因素。为了解决因原始数据集中样本不平衡造成预测模型难以识别少数类样本的问题,本文搭建了基于Wasserstein散度的生成对抗网络（WGAN-div）,巧妙地在WGANdiv加入残差块以缓解训练过程中出现的梯度消失问题,提出了一种基于WGAN-div的配变台区低压跳闸数据扩充方法。然后,为了更好地处理数据量大、特征数量繁多的配变台区数据,本文以残差网络（ResNet）深度学习模型为基础,创新地提出一种基于集成残差网络（Bagging-ResNet）的配变台区低压跳闸预测模型,旨在通过集成多个ResNet的预测结果,增强模型的泛化性能,以此获得更高的预测精度。针对传统统计分析方法受数据样本影响大、非线性关系表达能力不强和难以解释特征因素在不同值域空间贡献方向的缺陷,本文新颖地提出一种基于夏普利加法解释（SHAP）解释框架的配变台区低压跳闸影响因素分析方法,用来深层量化解释特征变量对于最终预测模型的边际贡献。最后,以广东省某区域的配变台区实测数据进行仿真建模,实验结果表明:本文所提WGAN-div-Bagging-ResNet模型相比其他模型表现出更加优异的预测性能;同时,通过SHAP解释影响因素和风险划分机制,能够为配变台区运维人员提供了可信度较高的依据,协助运维人员做出合理的决策。