基于对比学习的配电网PMU不良数据清洗与补全算法设计.docxVIP

PAGE2

基于对比学习的配电网PMU不良数据清洗与补全算法设计

摘要

随着智能电网的快速发展，配电网同步相量测量单元（PMU）装置的部署规模日益扩大，为电网状态感知提供了高精度的时序数据支撑。然而，在实际运行中，受通信拥塞、设备故障及网络攻击等因素影响，PMU数据常出现丢包与恶意篡改现象，严重影响了电网状态估计与控制决策的可靠性。针对这一问题，本课题设计了一种基于对比学习的PMU不良数据清洗与补全算法。该算法首先构建时序对比学习框架，利用自监督学习机制提取正常数据的深层特征，从而精准识别被篡改或丢失的异常数据点；随后，设计基于邻近测点的生成对抗网络（GAN）模型，利用空间相关性对识别出的不良数据进行高精度补全。

本文遵循“需求分析→总体设计→详细设计→实现→测试”的工程化思路展开研究。首先，分析了配电网PMU数据质量现状，明确了清洗与补全的功能需求；其次，设计了包含数据预处理、对比学习检测、GAN补全及可视化展示的系统架构；再次，详细阐述了时序对比学习框架的构建方法及邻近测点GAN的生成逻辑；最后，通过Python仿真实验对算法性能进行验证。测试结果表明，该算法在数据识别准确率与补全精度（MAE）上均优于传统方法，有效提升了配电网数据质量。本设计创新性地将对比学习应用于PMU异常检测，并结合空间相关性进行数据修复，为解决配电网数据质量问题提供了新的技术路径。

第一章绪论