基于对抗生成网络的配电网虚拟故障样本生成方法、系统、介质和设备

1.本发明涉及配电网数据处理技术领域，具体涉及一种基于对抗生成网络的配电网虚拟故障样本生成方法、系统、介质和设备。


背景技术：

2.随着人工智能研究的发展逐渐成熟，电气领域已有很多将人工智能应用于配电网故障检测的研究，尤其是将神经网络应用于故障特征的学习及故障分类，但在目前的电力系统人工智能故障诊断模型中，受配电网故障录波样本少、配电网网架结构改变频繁、实际工程网架结构与仿真模型区别较大等原因的影响，配电网线路通常存在以下不利于神经网络故障检测算法应用的缺陷：
3.(1)配电网网架结构复杂，且线路运行方式变换频繁，使得缺乏适时更新的固定训练模型适用性差；
4.(2)配电网线路过多，无法为每一条支路安装录波装置记录故障样本，导致录波数量少；且记录到的故障样本类型较为单一(多为单相接地故障)，又由于高阻接地故障(hif)本身存在故障电流小、波形特征不明显的特点，被继保设备识别并记录的故障录波数量更少；
5.(3)配电网的故障特征不能完全用仿真模型生成的样本来反映，一是存在天气、地形等复杂因素影响所导致的误差；二是由于神经网络内部是“黑箱”，无法明确神经网络未学习到电网故障的何种特征，进而也无法明确生成对应未识别特征的新仿真样本。
6.因此，能进行神经网络训练的适用样本少，阻碍了基于神经网络的电力故障判别器的实际应用，为了解决这一问题，科研工作者在基于少样本的故障样本生成技术上进行了相关研究，例如生成对抗网络(generative adversarial networks，gan)以及变分自编码器(vae)，然而，现有样本生成技术中存在如下问题：当前其模型参数选择一般采用随机初始参数，容易在训练过程中产生梯度爆炸、梯度消失以及模式崩溃的问题，对于模型初始参数优化选择的应用还比较少。
7.综上所述，亟需一种能缓解配电网故障样本数量不足所导致的神经网络训练困难的问题，提升生成的虚拟故障样本质量的虚拟故障样本生成方案。


技术实现要素：

8.为了克服现有技术存在的缺陷与不足，本发明提供一种基于对抗生成网络的配电网虚拟故障样本生成方法，本发明能够解决第二配电网运行面临的故障样本数量缺失的问题，同时更快地寻找能够生成第二配电网中合格虚拟故障样本并提升生成样本质量的gan参数，提高了配电网故障实例的应用价值和基于神经网络的配电网故障类型判别器的准确度。
9.本发明的第二目的在于提供一种基于对抗生成网络的配电网虚拟故障样本生成
系统；
10.本发明的第三目的在于提供一种计算机可读存储介质；
11.本发明的第四目的在于提供一种计算设备。
12.为了达到上述目的，本发明采用以下技术方案：
13.一种基于对抗生成网络的配电网虚拟故障样本生成方法，包括下述步骤：
14.获取第一配电网、第二配电网的电力故障样本并标注对应的故障类型，所述第一配电网的真实故障样本较多，所述第二配电网真实故障样本较少，所述元网络采用gan网络；
15.构建gan1模型学习第一配电网的真实故障样本特征，具体步骤包括：
16.选取第一配电网的真实故障样本作为任务数据集，并将任务数据集划分为支持集和验证集；
17.根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，利用单一任务中的支持集进行训练，训练任务网络得到gan1模型的最终参数；
18.基于ganra算法搜索最优的gan模型超参数，具体步骤包括：
19.初始化元网络权重，设置ganra算法超参数，包括：预设元网络迭代轮次、并行训练任务数量、训练任务网络迭代轮次、元网络学习率及其学习率可调参数，以及单一任务规模、任务种类；
20.根据预设的并行训练任务数量从当前的任务种类任务中随机抽取预设数量的任务；
21.根据预设的并行训练任务数量进行元学习训练，直至达到预设的训练任务网络迭代轮次及元网络迭代轮次，得到随机抽取预设数量的任务对应的网络权重；
22.迭代更新元网络权重，输出最优的gan模型超参数；
23.基于对抗生成样本方法构建gan2模型，基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型，基于训练后的gan2模型生成第二配电网的虚拟故障样本。
24.作为优选的技术方案，所述迭代更新元网络权重，具体表示为：
[0025][0026]
其中，φi为第i次元学习迭代中元网络的所有层权重参数，θj为当前元网络迭代轮次中的第j个并行训练任务网络训练得到的所有层权重参数，ε表示元网络学习率，n为一轮元网络迭代过程中所使用的并行训练任务数量，j为当前元网络迭代轮次中正在进行训练的任务网络编号。
[0027]
作为优选的技术方案，元网络学习率为随迭代轮次变化的自适应值，具体表示为：
[0028][0029]
其中，i
meta
为元网络迭代轮次，i为当前所处元网络迭代轮次，a、b都为学习率的可调参数。
[0030]
作为优选的技术方案，ganra算法的损失函数l表示为：
[0031][0032]
其中，xi为在p
data
(x)中采样的第i个点；为在pg(x)中采样的第i个点；m为在一个特征分布中采样点的总数，p
data
为被学习样本的特征分布；pg为生成样本的特征分布；d(x)为判别器对被学习样本的认知程度，函数v(g,d)表示描述生成器g、判别器d之间对于同一类事物认知差异。
[0033]
作为优选的技术方案，根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，故障类型包括：高阻接地故障、相间故障、两相接地故障、三相接地故障、正常工况、一般单相接地故障以及单相断线故障。
[0034]
作为优选的技术方案，基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型，运用深度迁移学习将原模型迁移后输入生成样本进行新模型的参数微调训练，具体包括：
[0035]
将原始模型顶层修改为当前训练数据的新模型的顶层；
[0036]
冻结新模型底层、第一中间层、第二中间层的参数训练，只训练新模型的顶层；
[0037]
冻结新模型底层和第一中间层的参数训练，再同时训练新模型的顶层和第二中间层。
[0038]
为了达到上述第二目的，本发明采用以下技术方案：
[0039]
一种基于对抗生成网络的配电网虚拟故障样本生成系统，包括：电力故障样本获取模块、gan1模型构建模块、最优的gan模型超参数生成模块、gan2模型构建模块、gan2模型训练模块、虚拟故障样本生成模块；
[0040]
所述电力故障样本获取模块用于获取第一配电网、第二配电网的电力故障样本并标注对应的故障类型，所述第一配电网的真实故障样本较多，所述第二配电网真实故障样本较少，所述元网络采用gan网络；
[0041]
所述gan1模型构建模块用于构建gan1模型学习第一配电网的真实故障样本特征，具体步骤包括：
[0042]
选取第一配电网的真实故障样本作为任务数据集，并将任务数据集划分为支持集和验证集；
[0043]
根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，利用单一任务中的支持集进行训练，训练任务网络得到gan1模型的最终参数；
[0044]
所述最优的gan模型超参数生成模块用于基于ganra算法搜索最优的gan模型超参数，具体步骤包括：
[0045]
初始化元网络权重，设置ganra算法超参数，包括：预设元网络迭代轮次、并行训练任务数量、训练任务网络迭代轮次、元网络学习率及其学习率可调参数，以及单一任务规模、任务种类；
[0046]
根据预设的并行训练任务数量从当前的任务种类任务中随机抽取预设数量的任务；
[0047]
根据预设的并行训练任务数量进行元学习训练，直至达到预设的训练任务网络迭
代轮次及元网络迭代轮次，得到随机抽取预设数量的任务对应的网络权重；
[0048]
迭代更新元网络权重，输出最优的gan模型超参数；
[0049]
所述gan2模型构建模块用于基于对抗生成样本方法构建gan2模型；
[0050]
所述gan2模型训练模块用于基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型；
[0051]
所述虚拟故障样本生成模块用于基于训练后的gan2模型生成第二配电网的虚拟故障样本。
[0052]
为了达到上述第三目的，本发明采用以下技术方案：
[0053]
一种计算机可读存储介质，存储有程序，所述程序被处理器执行时实现如上述基于对抗生成网络的配电网虚拟故障样本生成方法。
[0054]
为了达到上述第四目的，本发明采用以下技术方案：
[0055]
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现如上述基于对抗生成网络的配电网虚拟故障样本生成方法。
[0056]
本发明与现有技术相比，具有如下优点和有益效果：
[0057]
本发明通过运用真实故障样本较多的第一配电网提供故障样本记录，搜寻具备泛化性的gan模型超参数，构造一个基于真实故障样本较少的第二配电网与最优超参数φ
i_meta
联合生成的gan2模型，用于生成第二配电网的虚拟故障样本，能够解决第二配电网运行面临的故障样本数量缺失的问题，同时更快地寻找能够生成第二配电网中的合格虚拟故障样本并提升生成样本质量的参数，缩短了一般gan模型的训练时间，减少了训练的迭代轮数，ganra算法使得生成的gan初始参数具有泛化性，适用于生成不同类型的样本，整体上提高了配电网故障实例的应用价值和基于神经网络的配电网故障类型判别器的准确度。
附图说明
[0058]
图1为本发明基于对抗生成网络的配电网虚拟故障样本生成方法的流程示意图；
[0059]
图2为本发明实用进化策略的流程示意图；
[0060]
图3为本发明迁移学习策略的流程示意图，
具体实施方式
[0061]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
实施例1
[0063]
如图1所示，本实施例提供一种基于对抗生成网络的配电网虚拟故障样本生成方法，本实施例将包含实际故障样本数据稀少的第二配电网作为应用场景，同时考虑配电网高阻接地故障这一具有可靠样本稀少、故障特征不统一等特征的故障类，具体包括下述步骤：
[0064]
s1：收集真实故障样本较多的第一配电网的电力故障样本记录、标注对应的故障类型，收集真实故障样本较少的第二配电网的电力故障样本记录、标注对应的故障类型，按
照高斯分布随机初始化元网络权重φ0。
[0065]
在本实施例中，真实故障样本较多的第一配电网表示的是现有的、已经长期投入(五年以上)运行的第一配电网，一般所累计故障样本数量达到四位数；真实故障样本较少的第二配电网表示的是刚投入运行一两年内的第二配电网，累计故障样本数量很少，只有三位数甚至两位数；
[0066]
s2：本实施例基于reptile算法的生成对抗网络(generative adversarial networks based on reptile algorithm，ganra)的初始参数优化算法，ganra算法生成gan初始参数后，gan模型只需要更少的学习样本量、更少的迭代训练轮数就可以达成同随机参数gan模型差不多质量的生成样本；且这个生成初始参数并不需要经常更迭，对于不同类型的故障样本都适用，长期使用上来说是减少gan模型的学习时间的。
[0067]
在本实施例中，选择gan作为元网络、训练任务网络以及目标网络的网络结构，gan的目标函数为：其中函数v(g,d)表示描述生成器g，判别器d之间对于同一类事物认知差异，定义ganra算法中的损失函数l表示为：
[0068][0069]
其中，xi为在p
data
(x)中采样的第i个点；为在pg(x)中采样的第i个点；m为在一个特征分布中采样点的总数，p
data
为被学习样本的特征分布；pg为生成样本的特征分布；d(x)为判别器对被学习样本的认知程度；
[0070]
本实施例设置ganra算法中的各项超参数，具体推荐的设置包括：元网络迭代轮次i
meta
＝1000。设置四个训练任务共通的超参数设置如下：并行训练任务数量n＝4，训练任务网络迭代轮次k＝10，元网络学习率ε及其学习率可调参数a＝1，b＝1，单一任务规模shot＝5，任务种类ways＝7。
[0071]
s3：根据ganra超参数设置的元网络迭代轮次i
meta
完成1000轮ganra元网络学习，具体学习过程以一轮元学习训练为例：
[0072]
s3.1：根据ganra超参数设置的单一任务规模shot以及任务种类ways从第一配电网故障样本集里抽取样本组成7种不同故障类型的单一任务，它们各自包含的数据条数为5，故障类型为高阻接地故障(hif)、相间故障(ll)、两相接地故障(llg)、三相接地故障(lllg)、正常工况(normal station)、一般单相接地故障(slg)以及单相断线故障(sphase open)；
[0073]
需要说明的是，将单一任务中的数据分为支持集和验证集两部分，可以优选为70％作为支持集，剩下的30％作为验证集，并行训练任务其实就包含了对两个集合的训练描述，在gan模型中将支持集的样本给g(生成器)，验证集的样本给d(判别器)，分别用来寻找最优参数以及体现当前初始参数下gan1模型的训练效果；
[0074]
s3.2：根据ganra超参数设置的并行训练任务数量n从当前的ways个任务中随机抽取n个任务；
[0075]
s3.3：根据ganra超参数设置的并行训练任务数量n决定接下来进行的ganra一轮元学习训练中并行训练的任务数量，本实施例优选为同时有4个任务并行训练，并行训练在实际代码运行过程中采用开始-记录-复位-循环的形式来实现，以一个并行训练任务的训
练为例：
[0076]
s3.3.1：根据ganra超参数设置的训练任务网络迭代轮次k决定接下来进行的ganra训练任务网络迭代轮数，本实施例优选为10轮ganra训练任务网络训练，以一轮训练任务网络训练为例：
[0077]
s3.3.2：设置gan1模型中的各项超参数，本实施例中使用ganra算法生成初始化参数的gan迭代轮次均为500轮，随机初始化参数，保持当前训练集为任务tj，对gan1模型进行生成对抗网络训练，更新得到训练任务网络权重θj；；
[0078]
s3.3.3：完成10轮训练任务网络后，记录任务tj对应的训练任务网络权重θj；
[0079]
s3.4、完成4个并行训练任务后，得到之前随机抽取的4个任务t的训练任务网络权重θ；
[0080]
s3.5、根据这4个任务t的训练任务网络权重θ，通过以下计算公式计算元网络中的更新参数：
[0081][0082]
其中，φi为第i次元学习迭代中元网络的所有层权重参数；θj为当前元网络迭代轮次中的第j个并行训练任务网络训练得到的所有层权重参数；n为一轮元网络迭代过程中所使用的并行训练任务数量；j为当前元网络迭代轮次中正在进行训练的任务网络编号。
[0083]
s3.5.1、根据元网络的更新参数公式，公式中定义的元网络学习率ε(迭代步长)为一随迭代轮次变化的自适应值，其定义为：
[0084][0085]
其中，i
meta
为元网络迭代轮次；i为当前所处元网络迭代轮次；a、b都为学习率的可调参数。当参数a＝b＝1时，元网络参数更新向量即为训练任务网络所有迭代轮次梯度之和。
[0086]
s4、完成i
meta
轮元网络迭代后，得到通过第一配电网优化搜寻的初始化gan参数φ
i_meta
，具体地，本实施例完成1000轮元网络迭代后，得到通过第一配电网优化搜寻的初始化gan参数φ
i_1000
。
[0087]
s5、可搜寻gan网络模型最优超参数算法，通过对于第一配电网故障数据的学习，构造用于第一配电网和第二配电网中gan网络模型的最优超参数φ
i_meta
，包括gan网络模型中g、d神经网络的各层权重w和偏置b，采用来自不同配电网样本，基于对抗生成样本方法构造gan1模型和gan2模型；
[0088]
具体包括以下步骤：
[0089]
初始化元网络权重φ0；
[0090]
设置ganra中的各项超参数：元网络迭代轮次，随机选取n个任务t，训练n个训练任务网络中的并行任务，初始化训练任务网络权重θj＝φ
i-1
；
[0091]
训练任务网络迭代轮次，对任务tj进行gan训练，得到任务tj的训练任务网络权重θj；更新元网络权重φi←
φ
i-1
+1/n*εσ
nj＝1
(θ
j-φi)；
[0092]
s6、通过生成gan模型的最优初始化参数φ
i_meta
以及少量实际第二配电网的故障
样本训练gan2模型，然后构造第二配电网的故障生成样本；具体地，运用ganra算法生成gan模型的最优初始化参数φ
i_1000
结合真实故障样本较少的第二配电网的电力故障样本记录来训练gan2模型，构造第二配电网的故障生成样本。
[0093]
如图2所示，结合ganra小样本生成初始参数优化算法提出了针对配电网中神经网络训练的实用进化策略，具体运作过程可分为三个阶段：
[0094]
(1)运用ganra算法生成误判样本生成器的最优初始化参数；
[0095]
(2)误判样本生成器通过少量实际误判故障样本构造具有神经网络故障模型未学习到的隐藏特征样本；
[0096]
(3)将用大量配电网仿真样本训练的故障检测模型或长期投入使用的配电网系统中训练的故障检测模型作为预训练模型；运用深度迁移学习将原模型迁移后输入生成样本进行新模型的参数微调训练，
[0097]
如图3所示，具体的迁移学习策略为：一，将原始模型顶层1修改为适合此次训练数据的新模型的顶层2；二，冻结新模型底层和中间层的参数训练，只训练顶层2；三，冻结新模型底层和中间层1的参数训练，再同时训练顶层2和中间层2。
[0098]
为了进一步说明ganra算法生成初始参数以及ganra的元网络迭代轮次与gan的迭代轮数对具体gan网络生成样本的影响，本实施例对比了原始样本以及运用与不运用由ganra算法下生成的初始参数训练的生成对抗网络生成的样本，可以发现在gan迭代轮数epoch＝400的情况下，经过50轮元网络迭代训练的ganra搜索到的优化初始化参数辅助gan已经能初步生成具有原始图片样本特征的图像，这体现了ganra算法具有加快gan收集图像特征的作用。、再进行更多轮数gan训练，此时由ganra算法辅助的生成对抗网络基本已经实现了无噪声的图像样本生成，而由一般gan训练生成的图像样本中仍存在部分样本噪声较大的情况，这说明ganra算法同时具备帮助生成样本降噪的功能。
[0099]
实施例2
[0100]
本实施例提供一种基于对抗生成网络的配电网虚拟故障样本生成系统，包括：电力故障样本获取模块、gan1模型构建模块、最优的gan模型超参数生成模块、gan2模型构建模块、gan2模型训练模块、虚拟故障样本生成模块；
[0101]
在本实施例中，电力故障样本获取模块用于获取第一配电网、第二配电网的电力故障样本并标注对应的故障类型，所述第一配电网的真实故障样本较多，所述第二配电网真实故障样本较少，所述元网络采用gan网络；
[0102]
在本实施例中，gan1模型构建模块用于构建gan1模型学习第一配电网的真实故障样本特征，具体步骤包括：
[0103]
选取第一配电网的真实故障样本作为任务数据集，并将任务数据集划分为支持集和验证集；
[0104]
根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，利用单一任务中的支持集进行训练，训练任务网络得到gan1模型的最终参数；
[0105]
在本实施例中，最优的gan模型超参数生成模块用于基于ganra算法搜索最优的gan模型超参数，具体步骤包括：
[0106]
初始化元网络权重，设置ganra算法超参数，包括：预设元网络迭代轮次、并行训练
任务数量、训练任务网络迭代轮次、元网络学习率及其学习率可调参数，以及单一任务规模、任务种类；
[0107]
根据预设的并行训练任务数量从当前的任务种类任务中随机抽取预设数量的任务；
[0108]
根据预设的并行训练任务数量进行元学习训练，直至达到预设的训练任务网络迭代轮次及元网络迭代轮次，得到随机抽取预设数量的任务对应的网络权重；
[0109]
迭代更新元网络权重，输出最优的gan模型超参数；
[0110]
在本实施例中，gan2模型构建模块用于基于对抗生成样本方法构建gan2模型；
[0111]
在本实施例中，gan2模型训练模块用于基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型；
[0112]
在本实施例中，虚拟故障样本生成模块用于基于训练后的gan2模型生成第二配电网的虚拟故障样本。
[0113]
实施例3
[0114]
本实施例提供一种存储介质，存储介质可以是rom、ram、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，程序被处理器执行时，实现实施例1的基于对抗生成网络的配电网虚拟故障样本生成方法。
[0115]
实施例4
[0116]
本实施例提供一种计算设备，该计算设备可以是台式电脑、笔记本电脑、智能手机、pda手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例1的基于对抗生成网络的配电网虚拟故障样本生成方法。
[0117]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种基于对抗生成网络的配电网虚拟故障样本生成方法，其特征在于，包括下述步骤：获取第一配电网、第二配电网的电力故障样本并标注对应的故障类型，所述第一配电网的真实故障样本较多，所述第二配电网真实故障样本较少，所述元网络采用gan网络；构建gan1模型学习第一配电网的真实故障样本特征，具体步骤包括：选取第一配电网的真实故障样本作为任务数据集，并将任务数据集划分为支持集和验证集；根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，利用单一任务中的支持集进行训练，训练任务网络得到gan1模型的最终参数；基于ganra算法搜索最优的gan模型超参数，具体步骤包括：初始化元网络权重，设置ganra算法超参数，包括：预设元网络迭代轮次、并行训练任务数量、训练任务网络迭代轮次、元网络学习率及其学习率可调参数，以及单一任务规模、任务种类；根据预设的并行训练任务数量从当前的任务种类任务中随机抽取预设数量的任务；根据预设的并行训练任务数量进行元学习训练，直至达到预设的训练任务网络迭代轮次及元网络迭代轮次，得到随机抽取预设数量的任务对应的网络权重；迭代更新元网络权重，输出最优的gan模型超参数；基于对抗生成样本方法构建gan2模型，基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型，基于训练后的gan2模型生成第二配电网的虚拟故障样本。2.根据权利要求1所述的基于对抗生成网络的配电网虚拟故障样本生成方法，其特征在于，所述迭代更新元网络权重，具体表示为：其中，φ
i
为第i次元学习迭代中元网络的所有层权重参数，θ
j
为当前元网络迭代轮次中的第j个并行训练任务网络训练得到的所有层权重参数，ε表示元网络学习率，n为一轮元网络迭代过程中所使用的并行训练任务数量，j为当前元网络迭代轮次中正在进行训练的任务网络编号。3.根据权利要求2所述的基于对抗生成网络的配电网虚拟故障样本生成方法，其特征在于，元网络学习率为随迭代轮次变化的自适应值，具体表示为：其中，i
meta
为元网络迭代轮次，i为当前所处元网络迭代轮次，a、b都为学习率的可调参数。4.根据权利要求1所述的基于对抗生成网络的配电网虚拟故障样本生成方法，其特征在于，ganra算法的损失函数l表示为：
其中，x
i
为在p
data
(x)中采样的第i个点；为在p
g
(x)中采样的第i个点；m为在一个特征分布中采样点的总数，p
data
为被学习样本的特征分布；p
g
为生成样本的特征分布；d(x)为判别器对被学习样本的认知程度，函数v(g,d)表示描述生成器g、判别器d之间对于同一类事物认知差异。5.根据权利要求1所述的基于对抗生成网络的配电网虚拟故障样本生成方法，其特征在于，根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，故障类型包括：高阻接地故障、相间故障、两相接地故障、三相接地故障、正常工况、一般单相接地故障以及单相断线故障。6.根据权利要求1所述的基于对抗生成网络的配电网虚拟故障样本生成方法，其特征在于，基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型，运用深度迁移学习将原模型迁移后输入生成样本进行新模型的参数微调训练，具体包括：将原始模型顶层修改为当前训练数据的新模型的顶层；冻结新模型底层、第一中间层、第二中间层的参数训练，只训练新模型的顶层；冻结新模型底层和第一中间层的参数训练，再同时训练新模型的顶层和第二中间层。7.一种基于对抗生成网络的配电网虚拟故障样本生成系统，其特征在于，包括：电力故障样本获取模块、gan1模型构建模块、最优的gan模型超参数生成模块、gan2模型构建模块、gan2模型训练模块、虚拟故障样本生成模块；所述电力故障样本获取模块用于获取第一配电网、第二配电网的电力故障样本并标注对应的故障类型，所述第一配电网的真实故障样本较多，所述第二配电网真实故障样本较少，所述元网络采用gan网络；所述gan1模型构建模块用于构建gan1模型学习第一配电网的真实故障样本特征，具体步骤包括：选取第一配电网的真实故障样本作为任务数据集，并将任务数据集划分为支持集和验证集；根据预设的单一任务规模以及任务种类从第一配电网的真实故障样本中抽取样本组成不同故障类型的单一任务，利用单一任务中的支持集进行训练，训练任务网络得到gan1模型的最终参数；所述最优的gan模型超参数生成模块用于基于ganra算法搜索最优的gan模型超参数，具体步骤包括：初始化元网络权重，设置ganra算法超参数，包括：预设元网络迭代轮次、并行训练任务数量、训练任务网络迭代轮次、元网络学习率及其学习率可调参数，以及单一任务规模、任务种类；根据预设的并行训练任务数量从当前的任务种类任务中随机抽取预设数量的任务；根据预设的并行训练任务数量进行元学习训练，直至达到预设的训练任务网络迭代轮次及元网络迭代轮次，得到随机抽取预设数量的任务对应的网络权重；迭代更新元网络权重，输出最优的gan模型超参数；所述gan2模型构建模块用于基于对抗生成样本方法构建gan2模型；
所述gan2模型训练模块用于基于最优的gan模型超参数并结合第二配电网的电力故障样本训练gan2模型；所述虚拟故障样本生成模块用于基于训练后的gan2模型生成第二配电网的虚拟故障样本。8.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6任一项所述基于对抗生成网络的配电网虚拟故障样本生成方法。9.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1-6任一项所述基于对抗生成网络的配电网虚拟故障样本生成方法。

技术总结
本发明公开了一种基于对抗生成网络的配电网虚拟故障样本生成方法、系统、介质和设备，该方法的步骤包括：获取第一配电网、第二配电网的电力故障样本并标注对应的故障类型；构建GAN1模型学习第一配电网的真实故障样本特征；基于GANRA算法搜索最优的GAN模型超参数；基于对抗生成样本方法构建GAN2模型，基于最优的GAN模型超参数并结合第二配电网的电力故障样本训练GAN2模型，基于训练后的GAN2模型生成第二配电网的虚拟故障样本，本发明能够提升故障样本的质量，以及基于神经网络的配电网故障类型判别器的准确度。型判别器的准确度。型判别器的准确度。


技术研发人员：杜兆斌 蒋文馨 周维贤
受保护的技术使用者：华南理工大学
技术研发日：2023.03.08
技术公布日：2023/7/19