CN111461977A - 基于改进生成式对抗网络的电力数据超分辨率重建方法 - Google Patents
基于改进生成式对抗网络的电力数据超分辨率重建方法 Download PDFInfo
- Publication number
- CN111461977A CN111461977A CN202010226049.4A CN202010226049A CN111461977A CN 111461977 A CN111461977 A CN 111461977A CN 202010226049 A CN202010226049 A CN 202010226049A CN 111461977 A CN111461977 A CN 111461977A
- Authority
- CN
- China
- Prior art keywords
- resolution
- discriminator
- resolution power
- power data
- generator
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
Abstract
本发明公开了基于改进生成式对抗网络的电力数据超分辨率重建方法。所述方法构建生成式对抗网络,将低分辨率电力数据与高分辨率电力数据转化为电力图像并根据转化的电力图像对生成式对抗网络进行迭代训练,得到最终的生成器,将低分辨率电力图像输入最终的生成器,得到最终的超分辨率电力图像,完成电力数据超分辨率重建。本发明引入改进生成式对抗网络对低分辨率电力数据进行电力数据超分辨率重建,提高低分辨率电力数据的高频细节信息的还原能力,拥有较高的重建精度,提高收敛的稳定性。
Description
技术领域
本发明涉及电力系统电力数据处理领域,尤其涉及基于改进生成式对抗网络的电力数据超分辨率重建方法。
背景技术
为了抓住智能电网大数据的发展先机,近年来国内外大量配置智能电网试点,通过智能电表收集电力数据。但仍存在以下问题:一是采集频率低。大部分国际通用的用电数据的采集频率在15min、30min、1h级别,只有极少数达到了1min级别(Haroon,Rashid,Pushpendra,et al.I-BLEND,a campus-scale commercial and residential buildingselectrical energy dataset.[J].Scientific data,2019.)。二是由于高分辨率采集设备成本高、大数据储存成本高,导致高分辨率、覆盖面广的电力数据难以获取。三是电网长期积累的大量的低分辨率用电数据仍有被挖掘的价值,还原数据的高频细节信息能够提升原数据的经济效益。
常见的用于提高电力数据分辨率的传统方法有基于插值的方法和基于建模的方法。基于插值的方法在视觉上过于平滑处理,且容易在边缘细节处理上丢失细节信息(Zhang,Xiangjun,Wu,Xiaolin.Image Interpolation by Adaptive2-D AutoregressiveModeling and Soft-Decision Estimation[J].IEEE Transactions on ImageProcessing,2008,17(6):887-896.Wang,Lingfeng,Xiang,Shiming,Meng,Gaofeng,etal.Edge-Directed Single-Image Super-Resolution via Adaptive GradientMagnitude Self-Interpolation[J].IEEE Transactions on Circuits&Systems forVideo Technology,2013,23(8):1289-1299.)。基于建模的方法计算量过大,解空间维数过高,存在多解情况(Li X Q,Fang K L,Jin C.Super-Resolution Restoration for ImageBased on Entropy Constraint and Projection onto Convex Set[J].AdvancedMaterials Research,2012,468-471:1041-1048.Yang Y Q.Research on the singleimage super-resolution method based on sparse Bayesian estimation[J].ClusterComputing,2018(7):1-9.)。另外,传统的方法均难以还原数据的高频细节信息。因此,如何设计既保证重建精度又能够还原高频细节信息的电力数据超分辨率重建方法,是是大数据时代下智能电网亟需研究的问题。
发明内容
有鉴于此,本发明的目的是提出基于改进生成式对抗网络的电力数据超分辨率重建方法,将电力数据转化为电力图像有利于获得更好的重建效果,引入生成式对抗网络可提高对电力数据的复杂时空特性的学习能力,引入Wasserstein距离可提高生成式对抗网络收敛的稳定性,通过引入感知损失可提高电力数据的高频细节还原能力。
本发明的目的至少通过如下技术方案之一实现。
基于改进生成式对抗网络的电力数据超分辨率重建方法,包括以下步骤:
S1、将1维时序数据格式的低分辨率电力数据与高分辨率电力数据分别转化为2维n通道的低分辨率电力图像和高分辨率电力图像,每张电力图像的n个不同的通道分别对应同一时间下n种不同类型的电力数据;
S2、构建生成式对抗网络,生成式对抗网络包括生成器和判别器;生成器损失函数包括生成对抗损失和感知损失,判别器损失函数包括判别对抗损失;引入Wasserstein距离对生成对抗损失和判别对抗损失进行改进;
S3、将步骤S1中得到的低分辨率电力图像作为生成器的输入样本,生成器利用生成器损失函数进行训练,生成器的输出为超分辨率电力图像,也称为生成样本;
S4、将步骤S1中得到的高分辨率电力图像作为实际样本,生成样本与实际样本作为判别器的输入,判别器利用判别器损失函数进行训练,判别器的输出为判别器的输入属于实际样本的概率;
S5、判别器的输出反馈到生成器与判别器中,用于更新每一次训练后的生成器损失函数与判别器损失函数,当所有的超分辨率电力图像与所有的高分辨率电力图像都分别输入到判别器并将判别器的输出反馈到生成器与判别器中,即为完成一次训练;
S6、设置的训练次数为n_epochs次,当完成n_epochs次训练后,得到最终的生成器,将低分辨率电力图像输入最终的生成器,得到最终的超分辨率电力图像,完成电力数据超分辨率重建。
进一步地,步骤S1中,所述高分辨率电力数据为电网运行的实际量测数据,所述低分辨率电力数据通过对高分辨率电力数据进行下采样所得,所述n种类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据,所述与电力相关的数据包括天气、温度、湿度、风速、光照强度。
进一步地,步骤S1中,所述将1维时序数据格式的低分辨率电力数据与高分辨率电力数据分别转化为2维n通道的低分辨率电力图像和高分辨率电力图像包括以下步骤:
S1.1、提取第i种类型的高分辨率电力数据,其中i为高分辨率电力数据的序号,1≤i≤n,令i=1;
S1.2、按时间先后顺序将第i种类型的高分辨率电力数据的每k×k个数据重新组合成1个行×列为k×k的2维矩阵,其中k为正整数,取k≤100的合数;重新组合的方法为按照时间先后顺序依次填充2维矩阵的第1行的k列,第2行的k列,…,直至填充完第k行的k列;由此形成关于第i种类型的高分辨率电力数据的一共m个2维矩阵,其中m为第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的数量,n种类型高分辨率电力数据的m的大小均相同;设j为第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的序号;
S1.3、若i<n,令i=i+1,重复步骤S1.2;若i=n,转到步骤S1.4;
S1.4、令i=1,j=1;
S1.5、将第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵储存于高分辨率电力图像的第j个图像的第i个通道;
S1.6、若i<n,令i=i+1,重复步骤S1.5,若i=n,转到步骤S1.7;
S1.7、若j<m,令i=1且j=j+1,转到步骤S1.5,若j=m,转到步骤S1.8;
S1.8、储存上述步骤所得的m个2维n通道的高分辨率电力图像;
S1.9、通过m个2维n通道的高分辨率电力图像进行下采样得到m个2维n通道的低分辨率电力图像,其中下采样的倍数L取为合数k的因子。
进一步地,步骤S2中,引入Wasserstein距离改进后的生成对抗损失lG′和判别对抗损失lD′分别为:
其中,G和D分别表示生成器和判别器,θG和θD分别表示生成器和判别器的参数,xLR为低分辨率电力图像,xHR为高分辨率电力图像;为生成器的生成样本,即超分辨率电力图像xSR,为生成样本通过判别器的输出,为实际样本通过判别器的输出。
进一步地,步骤S2中,所述感知损失lMSE利用实际样本与生成样本的像素间的均方根误差MSE表示,感知损失lMSE的计算公式如下:
其中,W和H分别为生成样本或实际样本的第i个通道的2维矩阵的宽度和高度,w和h分别为生成样本或实际样本的第i个通道的2维矩阵的元素所在行和所在列,为实际样本的第i个通道的2维矩阵的第w行h列的元素的数值,为生成样本的第i个通道的2维矩阵的第w行h列的元素的数值。
进一步地,步骤S2中,所述生成器损失函数lG为:
lG=lG′+λlMSE;
其中,λ的取值范围是(0,1)。
所述判别器损失函数lD为:
lD=lD′。
进一步地,步骤S4中,所述判别器的输入属于实际样本的概率具体含义如下:
当将生成样本输入判别器,判别器会给出生成样本中每一个超分辨率电力图像属于实际样本的概率;当将实际样本输入判别器,判别器会给出实际样本中每一个高分辨率电力图像属于实际样本的概率;由于生成器会生成以假乱真的生成样本,所以判别器的辨别真假的能力不是100%,生成式对抗网络的最终目的是训练出一个能够以假乱真的生成器。
与现有技术相比,本发明有以下有益效果:
本发明提出的基于改进生成式对抗网络的电力数据超分辨率重建方法,通过将电力数据转化为电力图像,更有利于挖掘电力数据的复杂时空特性以及有利于获得更好的重建效果,引入生成式对抗网络可提高对电力数据的复杂时空特性的学习能力,从而可使生成样本与实际样本更加接近,引入Wasserstein距离可提高生成式对抗网络收敛的稳定性,通过引入感知损失可提高电力数据的高频细节还原能力。训练后的生成器可用于对低分辨率电力数据进行高质量的超分辨率重建,可提高低分辨率电力数据的经济价值。
附图说明
图1为本发明提供的基于改进生成式对抗网络的电力数据超分辨率重建方法的流程示意图;
图2为本发明实施例中的电力数据转化为电力图像的流程示意图。
图3为本发明实施例中的生成式对抗网络示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明,下面将结合实施例以及附图,对本发明的具体实施进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1所示,基于改进生成式对抗网络的电力数据超分辨率重建方法,包括以下步骤:
S1、将1维时序数据格式的低分辨率电力数据与高分辨率电力数据分别转化为2维n通道的低分辨率电力图像和高分辨率电力图像,每张电力图像的n个不同的通道分别对应同一时间下n种不同类型的电力数据;
所述高分辨率电力数据为电网运行的实际量测数据,所述低分辨率电力数据通过对高分辨率电力数据进行下采样所得,所述n种类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据,所述与电力相关的数据包括天气、温度、湿度、风速、光照强度。
如图2所示,所述将1维时序数据格式的低分辨率电力数据与高分辨率电力数据分别转化为2维n通道的低分辨率电力图像和高分辨率电力图像包括以下步骤:
S1.1、提取第i种类型的高分辨率电力数据,其中i为高分辨率电力数据的序号,1≤i≤n,令i=1;
S1.2、按时间先后顺序将第i种类型的高分辨率电力数据的每k×k个数据重新组合成1个行×列为k×k的2维矩阵,其中k为正整数,取k≤100的合数;重新组合的方法为按照时间先后顺序依次填充2维矩阵的第1行的k列,第2行的k列,…,直至填充完第k行的k列;由此形成关于第i种类型的高分辨率电力数据的一共m个2维矩阵,其中m为第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的数量,n种类型高分辨率电力数据的m的大小均相同;设j为第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的序号;
S1.3、若i<n,令i=i+1,重复步骤S1.2;若i=n,转到步骤S1.4;
S1.4、令i=1,j=1;
S1.5、将第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵储存于高分辨率电力图像的第j个图像的第i个通道;
S1.6、若i<n,令i=i+1,重复步骤S1.5,若i=n,转到步骤S1.7;
S1.7、若j<m,令i=1且j=j+1,转到步骤S1.5,若j=m,转到步骤S1.8;
S1.8、储存上述步骤所得的m个2维n通道的高分辨率电力图像;
S1.9、通过m个2维n通道的高分辨率电力图像进行下采样得到m个2维n通道的低分辨率电力图像,其中下采样的倍数L取为合数k的因子。
S2、构建生成式对抗网络,如图3所示,生成式对抗网络包括生成器和判别器;生成器损失函数包括生成对抗损失和感知损失,判别器损失函数包括判别对抗损失;引入Wasserstein距离对生成对抗损失和判别对抗损失进行改进;
引入Wasserstein距离改进后的生成对抗损失lG′和判别对抗损失lD′分别为:
其中,G和D分别表示生成器和判别器,θG和θD分别表示生成器和判别器的参数,xLR为低分辨率电力图像,xHR为高分辨率电力图像;为生成器的生成样本,即超分辨率电力图像xSR,为生成样本通过判别器的输出,为实际样本通过判别器的输出。
所述感知损失lMSE利用实际样本与生成样本的像素间的均方根误差MSE表示,感知损失lMSE的计算公式如下:
其中,W和H分别为生成样本或实际样本的第i个通道的2维矩阵的宽度和高度,w和h分别为生成样本或实际样本的第i个通道的2维矩阵的元素所在行和所在列,为实际样本的第i个通道的2维矩阵的第w行h列的元素的数值,为生成样本的第i个通道的2维矩阵的第w行h列的元素的数值。
所述生成器损失函数lG为:
lG=lG′+λlMSE;
其中,λ的取值范围是(0,1)。
所述判别器损失函数lD为:
lD=lD′。
S3、将步骤S1中得到的低分辨率电力图像作为生成器的输入样本,生成器利用生成器损失函数进行训练,生成器的输出为超分辨率电力图像,也称为生成样本;
S4、将步骤S1中得到的高分辨率电力图像作为实际样本,生成样本与实际样本作为判别器的输入,判别器利用判别器损失函数进行训练,判别器的输出为判别器的输入属于实际样本的概率;
所述判别器的输入属于实际样本的概率具体含义如下:
当将生成样本输入判别器,判别器会给出生成样本中每一个超分辨率电力图像属于实际样本的概率;当将实际样本输入判别器,判别器会给出实际样本中每一个高分辨率电力图像属于实际样本的概率;由于生成器会生成以假乱真的生成样本,所以判别器的辨别真假的能力不是100%,生成式对抗网络的最终目的是训练出一个能够以假乱真的生成器。
S5、判别器的输出反馈到生成器与判别器中,用于更新每一次训练后的生成器损失函数与判别器损失函数,当所有的超分辨率电力图像与所有的高分辨率电力图像都分别输入到判别器并将判别器的输出反馈到生成器与判别器中,即为完成一次训练;
S6、设置的训练次数为n_epochs次,当完成n_epochs次训练后,得到最终的生成器,将低分辨率电力图像输入最终的生成器,得到最终的超分辨率电力图像,完成电力数据超分辨率重建。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.基于改进生成式对抗网络的电力数据超分辨率重建方法,其特征在于,包括以下步骤:
S1、将1维时序数据格式的低分辨率电力数据与高分辨率电力数据分别转化为2维n通道的低分辨率电力图像和高分辨率电力图像,每张电力图像的n个不同的通道分别对应同一时间下n种不同类型的电力数据;
S2、构建生成式对抗网络,生成式对抗网络包括生成器和判别器;生成器损失函数包括生成对抗损失和感知损失,判别器损失函数包括判别对抗损失;引入Wasserstein距离对生成对抗损失和判别对抗损失进行改进;
S3、将步骤S1中得到的低分辨率电力图像作为生成器的输入样本,生成器利用生成器损失函数进行训练,生成器的输出为超分辨率电力图像,也称为生成样本;
S4、将步骤S1中得到的高分辨率电力图像作为实际样本,生成样本与实际样本作为判别器的输入,判别器利用判别器损失函数进行训练,判别器的输出为判别器的输入属于实际样本的概率;
S5、判别器的输出反馈到生成器与判别器中,用于更新每一次训练后的生成器损失函数与判别器损失函数,当所有的超分辨率电力图像与所有的高分辨率电力图像都分别输入到判别器并将判别器的输出反馈到生成器与判别器中,即为完成一次训练;
S6、设置的训练次数为n_epochs次,当完成n_epochs次训练后,得到最终的生成器,将低分辨率电力图像输入最终的生成器,得到最终的超分辨率电力图像,完成电力数据超分辨率重建。
2.根据权利要求1所述的基于改进生成式对抗网络的电力数据超分辨率重建方法,其特征在于,步骤S1中,所述高分辨率电力数据为电网运行的实际量测数据,所述低分辨率电力数据通过对高分辨率电力数据进行下采样所得,所述n种类型的电力数据包括有功功率、无功功率、电压、电流、频率、功率因素、开关频率以及与电力相关的数据,所述与电力相关的数据包括天气、温度、湿度、风速、光照强度。
3.根据权利要求1所述的基于改进生成式对抗网络的电力数据超分辨率重建方法,其特征在于,步骤S1中,所述将1维时序数据格式的低分辨率电力数据与高分辨率电力数据分别转化为2维n通道的低分辨率电力图像和高分辨率电力图像包括以下步骤:
S1.1、提取第i种类型的高分辨率电力数据,其中i为高分辨率电力数据的序号,1≤i≤n,令i=1;
S1.2、按时间先后顺序将第i种类型的高分辨率电力数据的每k×k个数据重新组合成1个行×列为k×k的2维矩阵,其中k为正整数,取k≤100的合数;重新组合的方法为按照时间先后顺序依次填充2维矩阵的第1行的k列,第2行的k列,…,直至填充完第k行的k列;由此形成关于第i种类型的高分辨率电力数据的一共m个2维矩阵,其中m为第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的数量,n种类型高分辨率电力数据的m的大小均相同;设j为第i种类型的高分辨率电力数据进行重新组合后的2维矩阵的序号;
S1.3、若i<n,令i=i+1,重复步骤S1.2;若i=n,转到步骤S1.4;
S1.4、令i=1,j=1;
S1.5、将第i种类型的高分辨率电力数据进行重新组合后的第j个2维矩阵储存于高分辨率电力图像的第j个图像的第i个通道;
S1.6、若i<n,令i=i+1,重复步骤S1.5,若i=n,转到步骤S1.7;
S1.7、若j<m,令i=1且j=j+1,转到步骤S1.5,若j=m,转到步骤S1.8;
S1.8、储存上述步骤所得的m个2维n通道的高分辨率电力图像;
S1.9、通过m个2维n通道的高分辨率电力图像进行下采样得到m个2维n通道的低分辨率电力图像,其中下采样的倍数L取为合数k的因子。
6.根据权利要求1所述的基于改进生成式对抗网络的电力数据超分辨率重建方法,其特征在于,步骤S2中,所述生成器损失函数lG为:
lG=lG′+λlMSE;
其中,λ的取值范围是(0,1);
所述判别器损失函数lD为:
lD=lD′。
7.根据权利要求1所述的基于改进生成式对抗网络的电力数据超分辨率重建方法,其特征在于,步骤S4中,所述判别器的输入属于实际样本的概率具体含义如下:
当将生成样本输入判别器,判别器会给出生成样本中每一个超分辨率电力图像属于实际样本的概率;当将实际样本输入判别器,判别器会给出实际样本中每一个高分辨率电力图像属于实际样本的概率;由于生成器会生成以假乱真的生成样本,所以判别器的辨别真假的能力不是100%,生成式对抗网络的最终目的是训练出一个能够以假乱真的生成器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010226049.4A CN111461977B (zh) | 2020-03-26 | 2020-03-26 | 基于改进生成式对抗网络的电力数据超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010226049.4A CN111461977B (zh) | 2020-03-26 | 2020-03-26 | 基于改进生成式对抗网络的电力数据超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461977A true CN111461977A (zh) | 2020-07-28 |
CN111461977B CN111461977B (zh) | 2022-07-26 |
Family
ID=71683311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010226049.4A Active CN111461977B (zh) | 2020-03-26 | 2020-03-26 | 基于改进生成式对抗网络的电力数据超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461977B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120219174A1 (en) * | 2011-02-24 | 2012-08-30 | Hao Wu | Extracting motion information from digital video sequences |
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN110880773A (zh) * | 2019-11-18 | 2020-03-13 | 华南理工大学 | 基于数据驱动与物理模型驱动结合的电网调频控制方法 |
-
2020
- 2020-03-26 CN CN202010226049.4A patent/CN111461977B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120219174A1 (en) * | 2011-02-24 | 2012-08-30 | Hao Wu | Extracting motion information from digital video sequences |
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN110880773A (zh) * | 2019-11-18 | 2020-03-13 | 华南理工大学 | 基于数据驱动与物理模型驱动结合的电网调频控制方法 |
Non-Patent Citations (6)
Title |
---|
CHRISTIAN LEDIG等: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
YIZE CHEN等: "Model-Free Renewable Scenario Generation Using Generative Adversarial Networks", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
ZHIGUANG YANG等: "Multi-Source Medical Image Fusion Based on Wasserstein Generative Adversarial Networks", 《IEEE》 * |
ZHIGUANGWANG等: "Imaging Time-Series to Improve Classification and Imputation", 《ARXIV:1506.00327V1》 * |
李诚等: "改进的生成对抗网络图像超分辨率重建", 《计算机工程与应用》 * |
王守相等: "采用改进生成式对抗网络的电力系统", 《中国电机工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461977B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
CN107316054A (zh) | 基于卷积神经网络和支持向量机的非标准字符识别方法 | |
CN113283175B (zh) | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 | |
CN113688869B (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
CN111368259B (zh) | 一种配网电压数据缺失填补方法及相关装置 | |
CN109636721A (zh) | 基于对抗学习和注意力机制的视频超分辨率方法 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN114331842B (zh) | 结合地形特征的dem超分辨率重建方法 | |
CN111538935A (zh) | 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN114021741A (zh) | 一种基于深度学习的光伏电池板巡检方法 | |
CN115935809A (zh) | 一种基于地基云图云量特征的光伏发电功率区间预测方法 | |
CN105244890A (zh) | 新能源并网的无功优化方法 | |
CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及系统 | |
CN114091615A (zh) | 一种基于生成对抗网络的电能计量数据补全方法和系统 | |
CN116071352A (zh) | 一种电力安全工器具表面缺陷图像的生成方法 | |
CN116541772A (zh) | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 | |
CN113469266A (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
CN111461977A (zh) | 基于改进生成式对抗网络的电力数据超分辨率重建方法 | |
Zafar et al. | Machine learning autoencoder‐based parameters prediction for solar power generation systems in smart grid | |
CN113406437B (zh) | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 | |
CN115600494A (zh) | 一种低压台区拓扑自动识别方法及装置 | |
CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
CN115331081A (zh) | 图像目标检测方法与装置 | |
CN111753097B (zh) | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |