《Chinese Journal of Electrical Engineering》：Missing Value Reconstruction Method of Renewable Energy Generation Power Based on Grayscale Mapping and Conditional Generation Adversarial Network
编辑推荐：
随着智能电网和新型电力系统建设日益复杂，可再生能源发电数据在采集和存储过程中出现数据丢失，且数据丢失率逐渐增加。为解决这一问题，研究人员提出一种基于灰度映射和条件生成对抗网络（conditional generative adversarial network
随着智能电网和新型电力系统建设日益复杂，可再生能源发电数据在采集和存储过程中出现数据丢失，且数据丢失率逐渐增加。为解决这一问题，研究人员提出一种基于灰度映射和条件生成对抗网络（conditional generative adversarial network, CGAN）的可再生能源发电功率缺失值重构方法。首先，采用移动平均算法对训练数据集进行预处理，消除错误数据，从而提高数据集质量。然后，通过灰度映射将一维数据转换为二维表示，以提高数据时空特征的利用率。接着，针对可再生能源发电多类型数据设计CGAN架构参数，并基于损失函数进行对抗训练。最后，基于最小均方根误差（root mean square error, RMSE）选择机制，从多个生成序列中选择最优序列进行缺失数据重构。算例仿真结果表明，与传统方法相比，所提方法在较高数据丢失率下仍具有较高精度，均方根误差约为3.5%。
近年来，随着全球能源结构转型和气候变化问题加剧，可再生能源发电（尤其是风电和光伏发电）已成为全球电力生产的重要组成部分。由于受气候、环境、地理条件和天气等多种因素影响，风电和光伏发电呈现显著的波动性和间歇性，给电力系统的监测和预测带来挑战。在实际运行监测中，因传感器故障、数据传输不稳定、环境干扰等原因，可再生能源发电数据在采集和存储过程中会发生丢失，数据缺失严重影响电力系统的实时调度和科学预测。传统缺失数据填补方法如均值插补、插值、回归等仅在缺失量较小时有效，而K近邻、随机森林、矩阵分解等机器学习方法虽能缓解数据丢失影响，但忽略了功率数据的时序特征，难以生成符合实际物理特征的高质量数据。深度学习方法如长短期记忆神经网络、模糊自组织映射神经网络、卷积神经网络和生成对抗网络逐渐被引入，其中生成对抗网络（generative adversarial network, GAN）在数据填补和重构领域表现优异，但传统GAN仅适用于单一类型数据序列的重建，对包含风电和光伏等多类型数据的填补效果不佳。为此，研究人员提出一种基于灰度映射和条件生成对抗网络（CGAN）的可再生能源发电功率缺失值重构方法，通过灰度映射将一维功率数据转换为二维灰度图像，并利用CGAN学习数据的时空特征，以提高缺失值重构精度。
研究人员利用某地1000天的光伏和风电发电数据开展研究，数据采样频率为15分钟，共96000组数据，每96个数据点构成一个时间序列，共1000个序列。首先采用移动平均算法对采集数据进行异常值清洗，然后通过灰度映射算法将序列转换为8×12像素的灰度图像，以提高数据信噪比和时空特征利用率，接着设计CGAN网络结构并开展对抗训练，最后基于最小均方根误差（RMSE）从生成器中生成的多个序列中选择最优序列对缺失位置进行填补。算例结果表明，在高数据丢失率下，所提方法的均方根误差约为3.5%，优于样条插值和K近邻算法，验证了该方法在复杂智能电网场景下的有效性和准确性。
研究采用的主要关键技术方法包括：移动平均算法，用于剔除历史数据中的异常值和“Nan”值，提高训练数据集质量；灰度映射算法，将一维时间序列按天数构成二维矩阵，经归一化后映射至0–255像素范围，再重塑为灰度图像，从而提升数据信噪比并增强神经网络对时空特征的提取能力；条件生成对抗网络结构，由生成器和判别器组成，在输入中引入风电和光伏的标签信息，通过去卷积、卷积和激活函数等操作进行对抗训练，使生成器能够输出符合特定类型特征的功率数据；基于RMSE的序列选择机制，计算生成序列与待填补序列之间的均方根误差，从小到大排序后选取最小RMSE对应的生成序列用于缺失重构。
研究结果分为三部分。在异常数据清洗效果方面，研究人员通过向原始序列添加“Nan”值和异常值，利用移动平均算法进行处理，结果显示异常数据被准确去除，处理后的序列更加平滑，验证了该预处理方法的有效性。在信噪比提升验证方面，向原始1×96序列添加白噪声，计算得到原始信号的SNR
A为9.2 dB，经灰度映射和图像增强处理后，映射后信号的SNR
B为16.41 dB，证明灰度映射算法能提高数据信噪比，降低噪声对神经网络训练的影响；同时对比了光伏和风电的灰度图像，发现光伏发电图像具有明显的日周期特征，风电发电图像随机性较强，两类图像差异显著，因此设置标签信息有利于CGAN的训练。在所提方法性能方面，经过500轮、每轮100次迭代（共50000次迭代）的对抗训练后，生成器和判别器的得分均在0.5附近波动，表明网络达到理想训练状态；随后生成100个数据序列，选取最优序列填补缺失率从10%到50%的五个缺失序列，与传统样条插值和K近邻算法相比，样条插值和K近邻算法的误差随丢失率增加逐渐恶化，而所提CGAN方法的RMSE保持在约3.5%；在30%缺失率下，重构数据与真实数据的相对误差范围为0.52%至4.53%，总体相对误差维持在约4%，进一步说明了该方法的稳健性。
总结讨论部分指出，该方法通过灰度映射将一维功率数据映射为二维图像，提高了数据信息的时空利用率，再通过CGAN模型的对抗训练生成多类型可再生能源发电数据，并基于RMSE选择最优序列完成缺失重构。研究结论表明，即使在序列数据缺失率增加的情况下，该方法仍具有较高准确性，能够有效提高缺失数据重构精度，为智能电网中可再生能源发电数据的智能填补与重构提供了新方案，并为后续可再生能源优化调度和科学预测奠定了基础。
