pmuBAGE

pmuBAGE数据集是由加州大学河滨分校电气与计算机工程系的研究人员基于数千个实际事件数据训练的pmuGE模型生成，包含近1000条标记的电力系统事件数据。该数据集旨在为PMU数据分析提供基准评估，涵盖多种事件类型，如雷击和可再生能源生成事件。数据集通过深度神经网络生成，确保了PMU数据的隐私保护，适用于电力系统事件检测和分类等研究领域。The pmuBAGE dataset was generated by researchers from the Department of Electrical and Computer Engineering, University of California, Riverside, using the pmuGE model trained on thousands of real-world event data. It contains nearly 1,000 labeled power system event records. This dataset is designed to offer benchmark evaluations for PMU data analysis, covering diverse event types including lightning strikes and renewable energy generation events. Generated via deep neural networks, the dataset ensures privacy protection for PMU data and is suitable for research areas such as power system event detection and classification.

原始信息汇总

pmuBAGE 数据集概述

数据集内容

• 频率事件：包含84个合成频率事件，分为21个张量，每个张量包含4个事件。
• 电压事件：包含620个合成电压事件，分为31个张量，每个张量包含20个事件。

数据结构

• 张量维度：每个张量是4维的。
  1. 事件轴：每个索引对应一个独特的合成事件。
  2. 数据类型轴（PQVF）：索引分别对应有功功率、无功功率、电压幅值和频率。
  3. PMU轴：每个索引对应一个不同的合成同步相量，共有100个索引。
  4. 时间轴：每个索引对应一个不同的时间戳，共有600个索引（20秒）。

文件大小

• 频率事件张量文件：大小为4x4x100x600。
• 电压事件张量文件：大小为20x4x100x600。

搜集汇总

数据集介绍

构建方式

在电力系统动态分析领域，获取真实的相量测量单元事件数据长期面临挑战。pmuBAGE数据集的构建采用了创新的数据驱动生成模型pmuGE，该模型基于事件参与分解方法，将PMU数据分解为静态统计分量与动态物理分量。通过对超过1000个实际事件进行训练，模型利用深度级联卷积生成对抗网络与概率编程技术，合成出高度逼真的PMU事件数据，同时确保训练所用PMU的差分隐私得到保护。生成过程涵盖了电压事件与频率事件，数据窗口统一为20秒，采样率为30Hz，最终形成了包含近千个标记事件实例的标准化数据集。

使用方法

pmuBAGE数据集为电力系统机器学习研究提供了标准化的基准测试平台。研究人员可利用该数据集进行事件检测、分类及缺失值填补等任务的算法开发与性能评估。数据集以事件为中心组织，每个实例包含20秒的PQVF数据，并附有事件类型标签，便于监督学习模型的训练与验证。使用前，用户可通过公开的GitHub仓库获取数据，并依据研究需求进行分割与预处理。该数据集的高可访问性与同质性有助于减少因数据来源差异导致的性能评估偏差，推动数据驱动方法在电力系统动态分析中的快速发展。

背景与挑战

背景概述

在电力系统动态分析领域，相量测量单元（PMU）数据对于事件检测、分类及系统稳定性研究具有关键价值。然而，真实PMU事件数据因涉及电网安全隐私而难以获取，制约了数据驱动方法的进展。为此，加州大学河滨分校的Brandon Foggo、Koji Yamashita和Nanpeng Yu等人于2022年提出了pmuBAGE数据集，旨在通过生成模型创建高保真合成事件数据。该数据集包含近千个标注事件实例，覆盖电压与频率扰动等多种类型，其核心创新在于基于事件参与分解的生成对抗网络架构，在保护数据隐私的同时复现了真实动态响应特征。pmuBAGE的发布为电力系统机器学习算法提供了标准化基准，显著降低了研究门槛，推动了智能电网分析工具的发展。

当前挑战

pmuBAGE数据集致力于解决电力系统事件检测与分类中真实数据稀缺的挑战，其构建过程面临多重困难。在领域问题层面，传统仿真数据缺乏真实噪声与PMU特异性行为，而真实数据又受隐私与可及性限制，导致算法评估缺乏统一基准。构建过程中，需克服真实事件数据标注不精确、采样缺失及时间同步误差等问题；同时，生成模型需平衡事件特征的物理真实性（如频率带聚效应、电压变化方向）与数据隐私保护，避免生成样本与原始数据过度相似。此外，模型训练需处理高维时序数据的复杂分布，并确保合成事件在统计特性与视觉表现上均逼近真实场景，这对生成网络的架构设计与损失函数优化提出了极高要求。

常用场景

经典使用场景

在电力系统动态分析领域，pmuBAGE数据集为相量测量单元数据分析提供了标准化的基准测试平台。该数据集通过生成对抗网络技术，模拟了真实电网事件中的动态响应数据，涵盖了电压事件、频率事件等多种异常场景。研究人员可利用这一数据集对事件检测与分类算法进行统一评估，避免了因数据来源差异导致的性能偏差，从而推动机器学习方法在电力系统监控中的创新与应用。

解决学术问题

pmuBAGE数据集有效解决了电力系统研究中真实PMU数据获取困难、隐私受限以及数据异构性带来的挑战。通过提供高度逼真的合成事件数据，该数据集支持学术界在事件检测、分类及缺失值填补等方向开展可重复、可比较的研究。其基于事件参与分解的生成模型，在保留动态物理特征的同时消除了敏感信息，为数据驱动方法的开发提供了安全、一致的基础，加速了智能电网分析技术的演进。

实际应用

在实际电力系统运营中，pmuBAGE数据集可用于训练和验证实时监控系统，提升对电网扰动（如雷击、线路跳闸、发电机故障等）的响应能力。电力公司可借助该数据集优化事件预警模型，增强电网韧性与稳定性。同时，数据集支持开发自适应数据修复工具，改善PMU数据质量问题，为系统运营商提供更可靠的决策依据，促进电网数字化与智能化转型。

数据集最近研究

最新研究方向

在电力系统动态分析领域，相量测量单元（PMU）数据的获取长期面临隐私与可及性挑战，制约了数据驱动方法的进展。pmuBAGE数据集作为首个基于大规模真实PMU事件数据生成的基准集合，通过事件参与分解与深度生成对抗网络技术，合成近千条标注事件实例，为算法评测提供了高度逼真且隐私安全的标准化数据。当前研究前沿聚焦于利用该数据集推动机器学习在事件检测、分类及缺失值填补等任务的性能基准测试，同时促进生成模型在电力系统动态响应模拟中的创新，以应对高比例可再生能源并网带来的新型事件建模需求。其开放共享特性有望加速领域内算法研究的同质化比较与协同发展。

相关研究论文

• pmuBAGE: The Benchmarking Assortment of Generated PMU Data for Power System Events -- Part I: Overview and Results

  加州大学河滨分校电气与计算机工程系 · 2022年