CN109359815A - 基于生成对抗网络的智能电网深度学习训练样本生成方法 - Google Patents
基于生成对抗网络的智能电网深度学习训练样本生成方法 Download PDFInfo
- Publication number
- CN109359815A CN109359815A CN201811049509.XA CN201811049509A CN109359815A CN 109359815 A CN109359815 A CN 109359815A CN 201811049509 A CN201811049509 A CN 201811049509A CN 109359815 A CN109359815 A CN 109359815A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- generation
- smart grid
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
基于生成对抗网络的智能电网深度学习训练样本生成方法,属于电力系统分析技术领域。该方法为:1)获取电力系统中的采样数据,进行处理作为真实样本;2)搭建判别模型和生成模型;3)判别模型读取真实样本数据,并产生对应的判别结果;4)对判别结果进行处理,并反馈给判别模型,判别模型调整内部权重;5)生成模型读取随机噪声,并产生生成样本;6)判别模型读取生成样本数据,并产生对应的判别结果;7)对判别结果进行处理,并反馈给生成模型,生成模型调整内部权重;8)重复步骤3)~7),直至达到预期效果。该方法能有效解决智能电网中深度学习模型训练的小样本问题,为深度学习技术在智能电网中的深入发展提供有效的训练数据样本。
Description
技术领域
本发明涉及一种基于生成对抗网络的智能电网深度学习训练样本生成方法,属于电力系统分析技术领域。
背景技术
新一代电力系统呈现出高比例可再生能源,高比例电力电子装备,多能互补综合能源,物理信息深度融合的智能电网和能源互联网的主要技术特征。受多元要素的集成与融合影响,分布式能源间歇性与波动性、电动汽车等新型负荷的时空转移、信息量测和传输的随机误差、市场交易中的人工决策和复杂博弈等不确定性显著增强。基于电网物理机理的分析方法难以对电网不确定性因素进行建模分析,同时受计算资源限制,复杂电网建模计算困难,不能全面考虑多种因素,需要寻找新的解决方法。
传统的电网分析与优化方法,往往以电力系统基本定律为基础建立完整的电力系统物理模型,通过给定边界条件,以数值计算为手段得到电力系统运行数据,实现从模型到数据的计算;数据驱动的电网分析与优化方法,不依赖电力系统物理模型,而是借助关联关系计算和海量数据挖掘,实现数据驱动的计算和建模。数据驱动思维与技术综合利用历史数据与先验知识,使得电力网络分析与优化的结果更加精确、更新更加实时,对电力系统物理模型的依赖更少。面对新一代复杂电力系统,传统的建模方法面临极大困难,融合了计算机科学、统计学、应用与计算数学、人工智能等诸多领域的数据科学将发挥关键作用,其对电网的复杂性和不确定因素的适应性更强。能否突破传统单纯的复杂模型解析求解方式,而发展一种简洁的、可以不断从数据和环境中学习并渐进趋优的问题求解方法和决策框架,是当前科学研究的难点,也是工程实践的热点。
深度学习是典型的数据驱动技术,它源于人工神经网络的研究,采用无监督逐层训练、多层堆叠、有监督整体微调的结构设计和优化激活函数方法,构建多隐含层的多层感知器,实现逐层数据特征提取,通过组合底层特征形成更加抽象的高层特征,最终揭示数据对象的特征分布。深度学习的目标是提取数据特征,它的核心是利用大量的数据训练模型,通过学习发现规律,完全避免了基于物理特性建模的局限性。
由于深度学习采用了多层网络结构,其模型复杂度比传统的单隐含层模型要大得多,为了确保模型的泛化能力,就必须相应地增大训练数据。当前在工业界取得突破的基于机器学习或深度学习的人工智能应用对训练样本都有着数量上的要求。而训练模型所必须的海量训练数据样本难以获取已经成为阻碍深度学习技术进一步推广的一个普遍性难题。
近年来,智能电网快速发展,随着“互联网+”、“物联网”、“能源互联网”等新型概念的提出,电力系统接收了大量结构复杂、种类繁多的数据信息。深度学习作为数据驱动的技术,使智能电网成为了人工智能应用的重要领域之一。智能电网中的大数据虽然体量巨大,但是质量往往不高。电力大数据通常价值密度较低,即所采集绝大部分数据为正常样本数据,异常数据很少但却是深度学习所需的关键。因此,解决小样本学习问题是深度学习在智能电网中深入应用的关键。
本文提出了一种基于深度卷积生成对抗网络的训练样本生成技术,以解决小样本数据问题。通过对已有样本数据的学习,利用卷积神经网络强大的特征提取能力提高生成对抗网络的学习效果,最终能够自主生成全新的样本数据。该方法不需要领域内其他信息辅助,模型能够自主学习样本特征,生成的样本更贴近真实数据,很好地解决当前电网数据真实样本不足的问题。
附图说明
图1是基于生成对抗网络的智能电网深度学习训练样本生成方法的结构示意图。
图2是本发明流程图。
图3是真实样本可视化图像。
图4是3次迭代后生成样本的可视化图像。
图5是60次迭代后生成样本的可视化图像。
发明内容
本发明的目的在于,针对智能电网中的深度学习模型训练小样本学习问题,提供一种新的基于生成对抗网络的智能电网深度学习训练样本生成方法,为深度学习技术提供大数量级的训练样本,保证深度学习技术在智能电网中的深入发展。该方法的具体步骤为:
步骤1:获取电力系统中的采样数据,并进行初步处理作为真实样本;
步骤2:搭建判别网络模型和生成网络模型;
步骤3:判别模型读取真实样本数据,并输出真实样本的判别结果;
步骤4:计算真实样本判别结果的训练误差,并保存;
步骤5:生成模型获取随机噪声z,并产生生成样本;
步骤6:判别模型读取生成样本数据,并输出生成样本的判别结果;
步骤7:计算生成样本判别结果的训练误差,并保存;
步骤8:判断判别模型损失值和生成模型损失值是否达到最小化,并分别反馈给判别模型和生成模型,以调整模型内部权重;若已达到最小化,跳到步骤9;否则跳到步骤3;
步骤9:保存当前判别模型和生成模型。
所述判别网络模型由改进后的卷积神经网络构成,生成网络模型由反卷积网络构成。
所述真实样本判别结果的训练误差为真实样本的判别结果与对应的预期结果1之间的交叉熵d_loss_real,其中判别结果是对判别网络输出结果进行sigmoid函数处理后的结果pr,其计算公式为:
(1)
其中,xr为真实样本的判别结果,y1为对应的预期结果,即与xr相同类型的1矩阵。
所述生成样本判别结果的训练误差有两个,分别为生成样本的判别结果与对应的预期结果0之间的交叉熵d_loss_fake和生成样本的判别结果与对应的预期结果1之间的交叉熵g_loss,其中判别结果是对判别网络输出结果进行sigmoid函数处理后的结果pf,其计算公式如下:
(2)
(3)
其中,xf为生成样本的判别结果,y0为对应的预期结果,即与xf相同类型的0矩阵, y1为对应的预期结果,即与xf相同类型的1矩阵。
所述判别模型损失值d_loss为d_loss_real和d_loss_fake之和,其计算公式为;生成模型损失值为g_loss;通过反向传播算法反向微调神经网络参数,实现模型损失值最小化,使得对抗网络达到平衡状态。
本发明的有益效果:提供一种基于生成对抗网络的智能电网深度学习训练样本生成方法,该方法能够通过模型学习已有样本数据的分布特征,并生成具有相同分布的新样本,生成的样本与原始样本相似而具有一定差异性,并不是对原始样本的简单复制拼接;该方法能有效扩大样本数量,对深度学习技术在智能电网中的深入应用具有非常重要的现实意义。
Claims (5)
1.基于生成对抗网络的智能电网深度学习训练样本生成方法,其特征在于,该方法基于TensorFlow平台进行实现,该方法包括以下步骤:
步骤1:获取电力系统中的采样数据,并进行初步处理作为真实样本;
步骤2:搭建判别网络模型和生成网络模型;
步骤3:判别模型读取真实样本数据,并输出真实样本的判别结果;
步骤4:计算真实样本判别结果的训练误差,并保存;
步骤5:生成模型获取随机噪声z,并产生生成样本;
步骤6:判别模型读取生成样本数据,并输出生成样本的判别结果;
步骤7:计算生成样本判别结果的训练误差,并保存;
步骤8:判断判别模型损失值和生成模型损失值是否达到最小化,并分别反馈给判别模型和生成模型,以调整模型内部权重;若已达到最小化,跳到步骤9;否则跳到步骤3;
步骤9:保存当前判别模型和生成模型。
2.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法,其特征在于,所述判别网络模型由改进后的卷积神经网络构成,生成网络模型由反卷积网络构成。
3.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法,其特征在于,所述真实样本判别结果的训练误差为真实样本的判别结果与对应的预期结果1之间的交叉熵d_loss_real。
4.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法,其特征在于,所述生成样本判别结果的训练误差有两个,分别为生成样本的判别结果与对应的预期结果0之间的交叉熵d_loss_fake和生成样本的判别结果与对应的预期结果1之间的交叉熵g_loss。
5.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法,其特征在于,所述判别模型损失值d_loss为d_loss_real和d_loss_fake之和,生成模型损失值为g_loss;通过反向传播算法反向微调神经网络参数,实现模型损失值最小化,使得对抗网络达到平衡状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811049509.XA CN109359815A (zh) | 2018-09-10 | 2018-09-10 | 基于生成对抗网络的智能电网深度学习训练样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811049509.XA CN109359815A (zh) | 2018-09-10 | 2018-09-10 | 基于生成对抗网络的智能电网深度学习训练样本生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359815A true CN109359815A (zh) | 2019-02-19 |
Family
ID=65350732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811049509.XA Pending CN109359815A (zh) | 2018-09-10 | 2018-09-10 | 基于生成对抗网络的智能电网深度学习训练样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359815A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490659A (zh) * | 2019-08-21 | 2019-11-22 | 广东电网有限责任公司 | 一种基于gan的用户负荷曲线生成方法 |
CN110852597A (zh) * | 2019-11-07 | 2020-02-28 | 东南大学 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
WO2020168874A1 (zh) * | 2019-02-20 | 2020-08-27 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
CN112232488A (zh) * | 2020-10-22 | 2021-01-15 | 国网河南省电力公司经济技术研究院 | 基于深度学习与数据驱动的新能源出力场景生成方法 |
CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能系统控制方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
WO2021057186A1 (zh) * | 2019-09-24 | 2021-04-01 | 华为技术有限公司 | 训练神经网络的方法、数据处理方法和相关装置 |
-
2018
- 2018-09-10 CN CN201811049509.XA patent/CN109359815A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020168874A1 (zh) * | 2019-02-20 | 2020-08-27 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
CN110490659A (zh) * | 2019-08-21 | 2019-11-22 | 广东电网有限责任公司 | 一种基于gan的用户负荷曲线生成方法 |
CN110490659B (zh) * | 2019-08-21 | 2022-01-11 | 广东电网有限责任公司 | 一种基于gan的用户负荷曲线生成方法 |
WO2021057186A1 (zh) * | 2019-09-24 | 2021-04-01 | 华为技术有限公司 | 训练神经网络的方法、数据处理方法和相关装置 |
CN110852597A (zh) * | 2019-11-07 | 2020-02-28 | 东南大学 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
CN110852597B (zh) * | 2019-11-07 | 2022-01-28 | 国网江西省电力有限公司电力科学研究院 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能系统控制方法 |
CN112232488A (zh) * | 2020-10-22 | 2021-01-15 | 国网河南省电力公司经济技术研究院 | 基于深度学习与数据驱动的新能源出力场景生成方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359815A (zh) | 基于生成对抗网络的智能电网深度学习训练样本生成方法 | |
CN104616060B (zh) | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 | |
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN113688869B (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN114898121A (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN114693064A (zh) | 一种建筑群方案生成性能评价方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
Yang et al. | Research on subway pedestrian detection algorithms based on SSD model | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN108491958A (zh) | 一种短时公交客流弦不变量预测方法 | |
CN117350152A (zh) | 基于机理数据融合的电磁场建模方法、系统、设备及介质 | |
CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
CN115640868A (zh) | 一种新建风电场少数据风电功率短期预测方法 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
CN111103799B (zh) | 基于师生网络在线探索学习的能效优化建模方法 | |
CN110852597B (zh) | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190219 |
|
WD01 | Invention patent application deemed withdrawn after publication |