CN112163715A - 生成式对抗网络的训练方法及装置、电力负荷预测方法 - Google Patents
生成式对抗网络的训练方法及装置、电力负荷预测方法 Download PDFInfo
- Publication number
- CN112163715A CN112163715A CN202011101837.7A CN202011101837A CN112163715A CN 112163715 A CN112163715 A CN 112163715A CN 202011101837 A CN202011101837 A CN 202011101837A CN 112163715 A CN112163715 A CN 112163715A
- Authority
- CN
- China
- Prior art keywords
- vector
- network
- sample
- time
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012549 training Methods 0.000 title claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 516
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 64
- 230000008569 process Effects 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 24
- 230000007246 mechanism Effects 0.000 description 19
- 238000003860 storage Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及人工智能技术领域,提供了一种生成式对抗网络的训练方法及装置、电力负荷预测方法,生成式对抗网络的训练方法包括:获取训练样本,训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量;通过生成网络根据样本中的第一样本负荷向量、第一样本时间向量和第二样本时间向量进行电力负荷预测,得到第一预测向量;通过判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率;根据判别网络输出的概率反向交替调整生成网络和判别网络的参数。训练完成后,生成网络可以基于历史的电力负荷数据进行电力负荷的准确预测。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种生成式对抗网络的训练方法及装置、电力负荷预测方法。
背景技术
对于工业生产和居民生活,电力系统的稳定性直接影响供电质量。实际中,不可避免地会出现突发情况,例如某一区域在某一时间的电力负荷值激增。相关技术中,为了应对用电中的突发情况,一般会设置备用系统来及时响应突发情况。
未来一段时间的电力负荷值对于备用系统的布设具有重要的参考价值,而实际中,需要依靠工程师的经验来预测未来时间段内的电力负荷值。该种预测未来时间段内的电力负荷值的方法对工程师的经验的依赖度高。
因此,亟需一种可以不依赖于人工经验进行电力负荷值预测的方法。
发明内容
本申请的实施例提供了一种生成式对抗网络的训练方法及装置、电力负荷预测方法,来实现自动进行电力负荷值预测,而不依赖于工程师的经验。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种生成式对抗网络的训练方法,所述生成式对抗网络包括生成网络和判别网络,所述方法包括:
获取训练样本,所述训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量,所述第一样本负荷向量用于指示第一时间段内的电力负荷值,所述第一样本时间向量用于指示所述第一样本负荷向量中各电力负荷值所对应的时间,所述第二样本负荷向量用于指示第二时间段内的电力负荷值,所述第二样本时间向量用于指示所述第二样本负荷向量中各电力负荷值所对应的时间,所述第二时间段是所述第一时间段之后的一段时间;
通过所述生成网络根据所述样本中的第一样本负荷向量、所述第一样本时间向量和所述第二样本时间向量进行电力负荷预测,得到第一预测向量,所述第一预测向量用于指示所述第二样本时间向量中各时间所对应的预测电力负荷值;
通过所述判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,所述测试样本向量包括所述第一预测向量和第二样本负荷向量;
根据所述判别网络输出的概率反向交替调整所述生成网络和所述判别网络的参数。
根据本申请实施例的一个方面,提供了一种基于生成式对抗网络的电力负荷预测方法,所述方法包括:
获取第一负荷向量和第一时间向量,所述第一负荷向量用于指示第一时间段内目标区域的多个电力负荷值,所述第一时间向量用于指示所述第一负荷向量中各电力负荷值所对应的时间;
通过生成式对抗网络中的生成网络根据所述第一负荷向量、第一时间向量和第二时间向量进行电力负荷预测,得到第二负荷向量,所述第二时间向量用于指示第二时间段内的多个时间,所述第二负荷向量用于指示为所述第二时间向量中各时间所分别预测的电力负荷值,所述第四时间段是所述第三时间段之后的一段时间,所述生成式对抗网络是通过上述生成式对抗网络的训练方法训练得到的。
根据本申请实施例的一个方面,提供了一种生成式对抗网络的训练装置,所述生成式对抗网络包括生成网络和判别网络,所述装置包括:
训练样本获取模块,用于获取训练样本,所述训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量,所述第一样本负荷向量用于指示第一时间段内的电力负荷值,所述第一样本时间向量用于指示所述第一样本负荷向量中各电力负荷值所对应的时间,所述第二样本负荷向量用于指示第二时间段内的电力负荷值,所述第二样本时间向量用于指示所述第二样本负荷向量中各电力负荷值所对应的时间,所述第二时间段是所述第一时间段之后的一段时间;
电力负荷预测模块,用于通过所述生成网络根据所述样本中的第一样本负荷向量、所述第一样本时间向量和所述第二样本时间向量进行电力负荷预测,得到第一预测向量,所述第一预测向量用于指示所述第二样本时间向量中各时间所对应的预测电力负荷值;
判别模块,用于通过所述判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,所述测试样本向量包括所述第一预测向量和第二样本负荷向量;
调整模块,用于根据所述判别网络输出的概率反向交替调整所述生成网络和所述判别网络的参数。
根据本申请实施例的一个方面,提供了一种基于生成式对抗网络的电力负荷预测装置,所述装置包括:
第一获取模块,用于获取第一负荷向量和第一时间向量,所述第一负荷向量用于指示第一时间段内目标区域的多个电力负荷值,所述第一时间向量用于指示所述第一负荷向量中各电力负荷值所对应的时间;
预测模块,用于通过生成式对抗网络中的生成网络根据所述第一负荷向量、第一时间向量和第二时间向量进行电力负荷预测,得到第二负荷向量,所述第二时间向量用于指示第二时间段内的多个时间,所述第二负荷向量用于指示为所述第二时间向量中各时间所分别预测的电力负荷值,所述第四时间段是所述第三时间段之后的一段时间,所述生成式对抗网络是通过上述生成式对抗网络的训练方法训练得到的。
根据本申请实施例的一个方面,提供了一种电子设备,包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如上所述的生成式对抗网络的训练方法或者基于生成式对抗网络的电力负荷预测方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被处理器执行时,实现如上所述的生成式对抗网络的训练方法或者基于生成式对抗网络的电力负荷预测方法。
在本申请的方案中,通过表征第一时间段内各电力负荷值的第一样本负荷向量、表征第一样本负荷向量中各电力负荷值所对应时间信息的第一样本向量来预测得到第二样本时间向量所指示各时间对应的预测电力负荷值,即得到第一预测向量,然后,将第一预测向量和表征第二样本时间向量所指示各时间的实际电力负荷值的第二样本负荷向量作为测试样本向量,由判别网络来判别该测试样本向量是对应于真实电力负荷值还是所预测到的电力负荷值,并对应输出测试样本向量对应为真实电力负荷的概率;再根据所输出的概率反向交替调整生成网络和判别网络的参数,直至该生成式对抗网络收敛。
训练过程中,通过各个训练样本使生成网络学习到历史时间段中各时间所对应电力负荷值的分布规律,以及未来时间所对应电力负荷值与历史时间段中各电力负荷值之间的依赖关系。从而,训练完成后,该生成网络可以基于历史的电力负荷数据精准预测未来时间段中的电力负荷值,实现不依赖工程师的经验进行电力负荷值的准确预测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2是根据一实施例示出的生成式对抗网络的训练方法的流程图;
图3是图2对应实施例的步骤240在一实施例中的流程图;
图4是图2对应实施例的步骤220在一实施例中的流程图;
图5是编码器层对所输入向量进行处理的流程图;
图6是图5对应实施例的步骤510在一实施例中的流程图;
图7是图4对应实施例的步骤430在一实施例中的流程图;
图8是图7对应实施例的步骤720在一实施例中的流程图;
图9是图2对应实施例的步骤230在一实施例中的流程图;
图10是根据一具体实施例示出的生成式对抗网络的结构示意图;
图11是根据一实施例示出的基于生成式对抗网络的电力负荷预测方法的流程图;
图12是根据一实施例示出的生成式对抗网络的训练装置的框图;
图13是根据一实施例示出的基于生成式对抗网络的电力负荷预测装置的框图;
图14示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
随着社会的发展和进步,电已经成为生活和工业的必需品,用户的衣食住行以及设定各行各业的稳定发展与电息息相关。不管是生活用电还是工业用电都需要完备的电力系统来保障。社会生活中,不可避免地会出现突发情况,例如某一区域中某一时间段内的用电量激增。一般为了应对突发情况,需要布设电力系统的备用系统。
相关技术中,对未来的电力负荷值进行预测可以为电力系统的备用系统的布设提供重要参照,例如如果预测某一区域在一时间段内的电力负荷值较大,则可能针对该区域布设较多的输电设备。而如何准确地预测未来时间段内的电力负荷值成为相关技术中亟待解决的技术问题。
鉴于人工智能技术的发展,发明人意识到可以将人工智能技术应用到电力负荷值的预测中,以为电力系统的运营管理和维护提供重要的参照,在此基础上,提出了本申请的方案。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括电表110和服务器120,电表110与服务器120之间通过有线或者无线网络进行通信,其中,电表110用于统计所在区域中的电能消耗,由此,基于所统计的电能消耗可以计算出各个时间对应的电力负荷值,即在设定的时长内所消耗的电能。
应该理解,图1中的电表110和服务器120的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电表110和服务器120。比如服务器120可以是多个服务器组成的服务器集群等。
其中,电表110所统计到的电能消耗被上报到服务器120,服务器根据所上报的电能消耗计算得到对应区域中各个时间的电力负荷值。
在本申请一些实施例中,服务器在计算得到各个时间的电力负荷值后,可以将已知一段时间中各个时间的电力负荷值作为历史电力负荷数据,通过生成式对抗网络中的生成网络根据历史电力负荷数据进行电力负荷预测,得到历史电力负荷数据所对应时间段(为便于描述,假设该历史电力负荷数据所对应的时间段为第三时间段)之后一段时间的预测电力负荷值(为便于描述,假设所预测得到的电力负荷值是第四时间段内各个时间的电力负荷值,第四时间段是第三时间段之后的一段时间)。
由于电表在实时地进行电能消耗的上报,因此,服务器可以根据电表上报的电能消耗计算得到第四时间段内各时间的实际电力负荷值。然后将第四时间段内的实际电力负荷值和为第四时间段内各时间所预测的预测电力负荷值输入至生成式对抗网络的判别网络中,由判别网络判别所输入的电力负荷值对应为实际电力负荷值的概率,进而,根据判别网络输出的概率反向交替调整生成网络和判别网络的参数,由此实现生成式对抗网络的训练。
训练完成后,生成式对抗网络中的判别网络并不能判别生成网络所预测得到的电力负荷值是实际电力负荷值还是预测的电力负荷值,由此表明通过训练,生成网络所预测到的电力负荷值与实际的电力负荷值基本一致,从而,训练完成后,生成式对抗网络中的生成网络可以应用于进行未来设定时间段内电力负荷的预测。
基于所预测出未来设定时间段内的电力负荷值,可以为电力系统维护提供重要参照,便于对电力系统实行更合理高效的系统维护机制和管理策略。而且,预测未来的电力负荷值可以便于用户及时准备电力系统的备用系统,以便于可以及时对突发情况进行响应,减少突发情况对用户的用电的影响。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2是根据本申请的一个实施例示出的生成式对抗网络的训练方法的流程图,该生成式对抗网络的训练方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的者服务器来执行,生成式对抗网络包括生成网络和判别网络。参照图2所示,该生成式对抗网络的训练方法至少包括步骤210至步骤240,详细介绍如下。
步骤210,获取训练样本,训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量,第一样本负荷向量用于指示第一时间段内的电力负荷值,第一样本时间向量用于指示第一样本负荷向量中各电力负荷值所对应的时间,第二样本负荷向量用于指示第二时间段内的电力负荷值,第二样本时间向量用于指示第二样本负荷向量中各电力负荷值所对应的时间,第二时间段是第一时间段之后的一段时间。
第一时间段的确定可以基于所要预测电力负荷值所对应的未来时间段来确定,可以理解的是,第一时间段距离未来时间段越近,则第一时间段与未来时间段的关联性越高,因此,一般选用距离未来时间段较近的一段时间作为第一时间段。
在具体实施例中,第一时间段的时长可以根据实际需要进行设定。可以理解的是,第一时间段的时长越长,则用于进行预测的电力负荷预测的基础数据越多,可以更全面反映第一时间段内电力负荷值的分布规律,则对应的,可以保证所进行的电力负荷预测具有较多的数据基础。
对于电力负荷值的分布,其是与时间相关的。在本申请的方案中,通过第一时间向量来反映第一负荷向量中各个电力负荷值对应的时间信息,以此来保证电力负荷值与时间的相关性。
第二时间段内的时长也可以根据实际需要进行设定。在本申请的一些实施例中,第一时间段的时长不低于第二时间段内的时长,以此保证生成网络可以基于较多的作为历史电力负荷数据来进行电力负荷预测。
第一样本时间向量中的时间与第二样本时间向量中的时间是按照相同的单位时长进行划分得到,其中,单位时长可根据实际需要进行设定,例如单位时长为0.5小时,1小时,12小时,1天等。
步骤220,通过生成网络根据样本中的第一样本负荷向量、第一样本时间向量和第二样本时间向量进行电力负荷预测,得到第一预测向量,第一预测向量用于指示第二样本时间向量中各时间所对应的预测电力负荷值。
生成式对抗网络(Generative Adversarial Networks,GAN)是一种深度学习模型,其通过生成网络和判别网络的互相博弈学习来确定输出。
在本申请的方案中,生成网络用于根据历史的电力负荷数据进行电力负荷预测,即用于预测真实的电力负荷值。判别网络用于判别生成网络所预测到的电力负荷值是否为实际的电力负荷值。
其中,生成网络和判别网络可以是通过深度神经网络来构建的,例如通过卷积神经网络、循环神经网络、长短时记忆神经网络等,在此不进行具体限定。
可以理解的是,生成网络是通过对第一负荷向量和第一时间向量进行变换来提取出电力负荷值的分布特征的,其中,所进行的变换可以是线性变换、非线性变换、卷积处理、以及下文中的自注意力机制处理、残差连接、正则化处理等,在此不进行具体限定。
在本申请的一些实施例中,第一时间段的时长不低于第二时间段的时长,以保证所进行电力负荷值预测的数据基础。
步骤230,通过判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,测试样本向量包括第一预测向量和第二样本负荷向量。
判别网络可以通过神经网络构建,例如通过长短时记忆神经网络、循环神经网络、门控循环神经网络等,在此不进行具体限定。
也就是说,将生成网络所预测得到第二时间段对应的第一预测向量和表征第二时间段内实际的电力负荷值的第二样本负荷向量作为测试样本向量,由生成网络分别对每一测试样本向量进行判别。
步骤240,根据判别网络输出的概率反向交替调整生成网络和判别网络的参数。
在本申请的方案中,生成网络训练的目标是所预测得到的电力负荷值尽可能接近真实的电力负荷值;判别网络训练的目标是使判别网络无法辨别输入的电力负荷值是生成网络所预测到的电力负荷值还是真实的电力负荷值,其中,若判别网络辨别出所输入的电力负荷值为生成网络所预测得到的电力负荷值,则确定所输入的电力负荷值为假;反之,若判别网络辨别出所输入的电力负荷值为真实的电力负荷值,则确定所输入的电力负荷值为真。
在判别网络无法辨别所输入的电力负荷值是生成网络所预测到的电力负荷值还是真实的电力负荷值时,表明生成网络所预测到的电力负荷值接近实际的电力负荷值,换言之,此时生成网络可以根据历史的电力负荷数据预测未来一段时间内的电力负荷值。
在本申请的一些实施例中,判别网络可以通过输出标签来表征测试样本向量对应为真实电力负荷的概率,例如,用标签“1”来指示所输入测试样本向量对应为真实电力负荷(即测试样本向量为真),用标签“0”来指示所输入测试样本向量对应为预测到的电力负荷(即测试样本向量为假)。
在本申请的一些实施例中,为了进行反向调整生成网络和判别网络的参数,可以预先设定第一设定范围,若判别网络所输出的概率在第一设定范围内,则用下一训练样本重复上述步骤220-230的过程;反之,若判别网络所输出的概率超出第一设定范围,则反向交替调整生成网络和判别网络的参数,然后由调整参数后的生成网络根据第一样本负荷向量、第一样本时间向量和第二样本时间向量再次进行电力负荷预测,并将所再次预测到的第二样本负荷向量输入至判别网络中进行判别,直至判别网络所输出的概率在第一设定范围内。
在本申请的方案中,交替调整生成网络和判别网络的参数是指先固定生成网络和判别网络中其中一个网络(假设为A网络)的参数,先调整另外一个网络(假设为B网络)的参数;训练一段时间后,固定B网络的参数,调整A网络的参数,重复上述过程进行生成式对抗网络的训练。
在本申请的一些实施例中,可以是先固定生成网络的参数,先调整判别网络的参数;在训练一段时间后,再固定判别网络的参数,调整生成网络的参数;重复上述过程。
在本申请的一些实施例中,可以是先固定判别网络的参数,先调整生成网络的参数;在训练一段时间后,再固定生成网络的参数,调整判别网络的参数;重复上述过程。
在本申请的方案中,通过表征第一时间段内各电力负荷值的第一样本负荷向量、表征第一样本负荷向量中各电力负荷值所对应时间信息的第一样本向量来预测得到第二样本时间向量所指示各时间对应的预测电力负荷值,即得到第一预测向量,然后,将第一预测向量和表征第二样本时间向量所指示各时间的实际电力负荷值的第二样本负荷向量作为测试样本向量,由判别网络来判别该测试样本向量是对应于真实电力负荷值还是所预测到的电力负荷值,并对应输出测试样本向量对应为真实电力负荷的概率;再根据所输出的概率反向交替调整生成网络和判别网络的参数,直至该生成式对抗网络收敛。
训练过程中,通过各个训练样本使生成网络学习到历史时间段中各时间所对应电力负荷值的分布规律,以及未来时间所对应电力负荷值与历史时间段中各电力负荷值之间的依赖关系。从而,训练完成后,该生成网络可以基于历史的电力负荷数据精准预测未来时间段中的电力负荷值,实现不依赖工程师的经验进行电力负荷值的准确预测。
在本申请的一些实施例中,如图3所示,步骤240包括:
步骤310,若判别网络所输出的概率不在设定的概率范围内,则基于设定的损失函数,根据生成网络针对样本所预测的第一预测向量和所对应样本中的第二样本负荷向量计算损失函数值。
在本申请的一些实施例中,设定的损失函数可以是均方根误差函数(Root MeanSquare Error,RMSE),其表达式为:
其中,Yt′为t时间对应的预测电力负荷值,Yt为t时间对应的真实电力负荷值。
在本申请的一些实施例中,设定的损失函数还可以是分位数误差函数(Quantileloss),其表达式为:
步骤320,在固定判别网络的参数后,根据损失函数值反向调整判别网络的参数。
通过调整判别网络的参数,使得该判别网络尽可能区分输入的电力负荷值为生成网络所预测到的电力负荷值(即假的电力负荷值)还是真实的电力负荷值(即真的电力负荷值)。换言之,若输入判别网络的测试样本向量为第一预测向量,使调整参数后的判别网络输出指示为预测电力负荷值的概率;反之,若输入判别网络的测试样本向量为第二样本负荷向量,使调整参数后的判别网络输出指示为实际电力负荷值的概率。
步骤330,在生成网络的迭代次数达到设定次数后,固定判别网络的参数并反向调整生成网络的参数。
通过调整生成网络的参数,使判别网络尽可能区分不了第一预测向量(假的电力负荷值)和第二样本负荷向量(真的电力负荷值),即尽量使调整成网络的参数后,判别网络针对所输入的测试样本向量所输出的概率位于设定的概率范围内或者尽可能靠近设定的概率范围,由此实现生成网络和判别网络的对抗训练。
步骤340,重复上述步骤,直至判别网络输出的概率在设定的概率范围内。
当判别网络输出的概率为0.5左右,即表明辨别网络无法区分所输入的测试样本向量是第一预测向量还是第二样本负荷向量,因此,设定的概率范围可以参照0.5来进行设定,将0.5附近的数值区域作为设定的概率范围,具体可根据实际需要进行设定,在此不进行具体限定。
在本申请的一些实例中,可以通过前向传递直至判别网络输出的概率为0.5左右,再利用反向传播与梯度下降法结合,对网络中所有权重计算分位数损失,然后利用梯度下降法用来更新权值以最小化损失函数。
在训练的过程中,可以通过动态调整学习率在不同的优化阶段动态的改变学习率,以得到更好的结果。通过指数衰减,在网络训练的前期,学习率下降较快,随着训练的不断进行,网络接近收敛位置,学习率的下降速度也减小,从而能得到最佳的学习效果。
在本申请的一些实施例中,生成网络为转换器网络,转换器网络包括位置编码层、编码器网络和解码器网络。如图4所示,步骤220包括:
步骤410,通过位置编码层对第一样本负荷向量和第一样本时间向量进行融合,得到融合向量。
转换器网络,又称为Transformer模型,其采用了encoder-decoder(编码器-解码器)架构,其中编码器网络用于对第一样本负荷向量进行编码,相当于提取第一时间段内电力负荷值的分布特征,解码器网络用于对编码器网络输出的向量进行解码输出,相当于根据电力负荷值的分布特征预测第二时间段内的电力负荷值。
在本申请的一些实施例中,编码器网络中包括若干编码器层,解码器网络中包括若干解码器层。具体在转换器网络中,编码器层的数量与解码器层的数量相同。其中,编码器网络中编码器层的数量可以是一层,也可以是多层,对应的,解码器网络中解码器层的数量可以是一层,也可以是多层。
在转换器网络中,编码器网络中各编码器层的结构相同,同样,解码器网络中各解码器层的结构也是相同的。
如上所描述,第一时间段内电力负荷值的分布规律是与时间相关的。位置编码层即用于将电力负荷值对应的时间信息添加到第一负荷向量中。第一时间向量所指示各电力负荷值可以用于表示第一负荷向量所指示电力负荷值序列中各电力负荷值的顺序。
具体的,位置编码层将第一样本时间向量和第一样本负荷向量进行叠加,实现第一样本时间向量与第一样本负荷向量的融合,所得到的融合向量对应携带了各电力负荷值按照时间排序的排序位置信息。
步骤420,由编码器网络根据融合向量进行特征编码,输出第一特征向量。
在本申请的一些实施例中,编码器网络包括至少两个级联的编码器层,编码器层包括自注意力层、全连接前馈网络层和处理层;融合向量是编码器网络中第一级编码器层的输入向量。如图5所示,每一编码器层通过如下的过程对所对应的输入向量进行处理:
步骤510,通过自注意力层计算所对应输入向量的自注意力向量。
该自注意力层帮助在对第一样本负荷向量中的每个电力负荷值编码时关注第一样本负荷向量中的其他电力负荷值。
该自注意力向量用于表征第一样本负荷向量中除目标电力负荷值外的其他电力负荷值对该目标电力负荷值的影响权重。
自注意力层可以是基于单头注意力机制也可以是基于多头注意力机制计算所对应的自注意力向量。
多头注意力机制相较于单头注意力机制而言,仅仅是在单头注意力机制的结构上增加了相同的单头注意力结构,换言之,多头注意力机制对应的结构相当于多个并行的单头注意力机制的结构。但是,在多头注意力机制中,每个注意力头的初始化参数不一样,因此,每个注意力头可以学习到不同的注意力空间。
在本申请的一些实施例中,自注意力层包括N个相并行的注意力头,其中,N为大于1的整数;在本实施例中,如图6所示,步骤510包括:
步骤610,计算输入向量对应于每一个注意力头的查询向量、键向量和值向量。
步骤620,根据每一个注意力头对应的查询向量、键向量和值向量计算所对应的注意力分数。
步骤630,将N个注意力头所对应的注意力分数进行拼接,得到拼接向量。
步骤640,对拼接向量进行线性变换,得到自注意力向量。
转换器网络中设有查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV,在训练过程中,先初始化查询权重矩阵、键权重矩阵和值权重矩阵,并在调节生成网络的参数的过程中,不断调整查询权重矩阵、键权重矩阵和值权重矩阵。
在自注意力层中,将输入向量与查询权重矩阵相乘即得到查询向量,将输入向量与键权重矩阵相乘即得到键向量,将输入向量与值权重矩阵相乘即得到值向量。
对应的数学表达式为:
Qi=M*WQ; (3)
ki=M*WK; (4)
vi=M*WV; (5)
其中,i为自注意力层中注意力头的序号;M为输入向量;Qi为输入向量M对应于第i个注意力头的查询向量;Ki为输入向量M对应于第i个注意力头的键向量;Vi为输入向量M对应于第i个注意力头的值向量。
在得到每一个注意力头对应的查询向量、键向量和值向量后,按照如下的公式来计算每一个注意力头对输入向量的注意力分数:
然后,将N个注意力头所对应的注意力分数进行拼接,得到拼接向量P:
P=Concat(score1,score2,...,scoreN); (7)
之后,在步骤640中,按照变换矩阵W0对拼接向量进行线性变换,得到自注意力向量MultiHead(Q,K,V),其中,该过程对应的数学表达式为:
MultiHead(Q,K,V)=Concat(score1,score2,...,scoreN)W0; (8)
请继续参阅图5,步骤520,由全连接前馈网络层根据自注意力向量进行变换,得到全连接向量。
全连接前馈层用于对自注意力向量进行非线性变换。
步骤530,通过处理层对全连接向量进行残差连接和正则化处理,得到第一输出向量,其中,编码器网络中最后一级编码器层所输出的第一输出向量作为第一特征向量。
残差连接是指将输出表述为输入和输入的一个非线性变换的线性叠加,可以表示为:
y=h(x)+x; (9)
其中,x表示输入,y表示输出,h(x)表示对输入x进行非线性变换。
在神经网络中,如果每个层中只有少量的隐藏单元对不同的输入改变它们的激活值,而大部分隐藏单元对不同的输入都是相同的反应,此时神经网络的权重矩阵的秩不高,而且,随着层数的增加,连乘后使得整个秩变得更低,此即网络退化的问题。而为了避免出现这种情况,通过进行残差连接,强制打破神经网络的对称性。
正则化处理是指向模型中引入额外信息,以防止过拟合,并增强泛化能力。在具体实施例中,正则化处理可以是L2参数正则化、L1参数正则化、dropout处理等,在此不进行具体限定。
L2参数正则化是指通过约束网络中权重的L2范数,对网络的复杂度进行惩罚。L1参数正则化是指通过约束网络中权重的L1范数,对网络的复杂度进行惩罚。其中,L1范数是指向量中各个元素绝对值之和;L2范数是指向量各元素的平方和然后求平方根。在具体实施例中,正则化处理还可以是结合L1范数和L2范数综合进行。
dropout处理是指通过堆积丢弃一部分神经元(同时丢弃其对饮的连接边)来避免过拟合的方法。
通过进行残差连接和正则化处理可以提高网络的稳定性,避免出现网络退化和过拟合的问题。
通过编码器层中的自注意力层和全连接前馈层,再由处理层进行残差连接和正则化处理,可以提取到第一负荷向量中的高级特征,所提取的高级特征用于反映第一时间段内各时间所对应电力负荷值之间的分布特征。
请继续参阅图4,步骤430,由解码器网络根据第一特征向量和第二样本时间向量进行解码,输出第一预测向量。
在本申请的一些实施例中,解码器网络包括至少两个级联的解码器层,其中,编码器层的数量与解码器层的数量相同;如图7所示,步骤430包括:
步骤710,将第一特征向量分别输入至每一解码器层中,第一特征向量作为每一解码器层的第一输入向量。
步骤720,每一解码器层根据第一输入向量和所对应的第二输入向量进行解码处理,得到对应的第二输出向量,所输出的第二输出向量作为下一级解码器层的第二输入向量;其中,解码器网络中第一级解码器层的第二输入向量为第二样本时间向量,解码器网络中最后一级解码器层所输出的第二输出向量作为第一预测向量。
在本申请的一些实施例中,解码器层包括第一自注意力层、第一全连接前馈层、第一处理层、第二自注意力层、第二全连接前馈层和第二处理层;在本实施例中,如图8所示,步骤720,包括:
步骤810,对于每一解码器层,由第一自注意力层根据第二输入向量计算所对应的第一自注意力向量。
与上文中编码器层中的自注意力层相似,第一自注意力层可以是基于单头注意力机制,也可以是基于多头注意力机制来计算对应的第一自注意力向量。
在本申请的一些实施例中,第一自注意力层所设置的注意力机制与编码器层中自注意力层所设置的注意力机制是相同的,换言之,若编码器层中自注意力层是K头注意力机制,则解码器层中第一自注意力层也是K头注意力机制,其中,K为正整数。
每一解码器层中第一自注意力层的计算过程参见上文编码器层中自注意力层的计算过程,在此不再赘述。
值得一提的是,上文编码器层中自注意力层所计算的注意力分数是第一负荷向量中两两电力负荷值之间的注意力分数,解码器层的第一自注意力层所计算的注意力分数是指当前所要预测时间的电力负荷值与其前面时间点的电力负荷值之间的注意力分数。
步骤820,通过第一全连接前馈层根据第一自注意力向量进行变换,得到第一全连接向量。
步骤830,通过第一处理层对第一全连接向量进行残差连接和正则化处理,得到第一中间向量。
此处第一处理层中进行残差连接和正则化处理与上述编码器层中处理层所进行残差连接和正则化处理过程相同,在此不再赘述。
步骤840,通过第二自注意力层根据第一输入向量和第一中间向量计算得到第二自注意力向量。
与上文中编码器层中的自注意力层相似,第二自注意力层可以是基于单头注意力机制,也可以是基于多头注意力机制来计算对应的第二自注意力向量。
每一解码器层中第二自注意力层的计算过程参见上文编码器层中自注意力层的计算过程,在此不再赘述。
值得一提的是,解码器层的第二自注意力层所计算的注意力分数是指第一输入向量与第一中间向量之间的注意力分数。
步骤850,通过第二全连接前馈层对第二自注意力向量进行变换,得到第二全连接向量。
步骤860,通过第二处理层对第二全连接向量进行残差连接和正则化处理,得到对应的第二输出向量。
第二处理层中所进行残差连接和正则化处理过程参见编码器层中处理层中的处理过程,在此不再赘述。
通过如上的解码器网络可以基于编码器网络的输出预测第二时间段内各时间对应的电力负荷值。
在本申请的一些实施例中,判别网络包括级联的第三全连接前馈层和输出层,如图9所示,步骤230包括:
步骤910,通过第三全连接前馈层对测试样本向量进行变换,得到第三全连接向量。
其中,第三全连接前馈层用于对对第二负荷向量进行变换,以提取第二负荷向量的特征。
在本申请的一些实施例中,第三全连接前馈层可以是一层,也可以包括多层。通过多层第三全连接前馈层级联对第二负荷向量进行变换,增加了网络的深度,便于从中提取出深层的特征。
步骤920,通过输出层根据第三全连接向量进行概率预测,输出测试样本向量对应为真实电力负荷的概率。
在本申请的一些实施例中,输出层中可以通过sigmoid函数来进行标签预测,sigmoid函数的取值范围为(0,1),其中,sigmoid函数的表达式为:
当然,在其他实施例中,输出层还可以通过设置其他可实现二分类的函数,在此不进行具体限定。
图10是根据一具体实施例示出的生成式对抗网络的结构示意图,如图10所示,该生成式对抗网络的生成网络为转换器网络,判别网络包括级联的三层第三全连接前馈层和一层输出sigmoid层。
具体的,如图10所示,转换器网络包括编码器网络和解码器网络,具体在图10中,编码器网络中包括6层级联的编码器层,解码器网络中包括6层级联的解码器层。
其中,编码器层包括级联的自注意力层、全连接前馈层和处理层,其中,自注意力层设置为多头自注意力机制,其内设有并行的8个注意力头。处理层用于对全连接前馈层的输出进行残差连接和正则化处理。
解码器层包括级联的第一自注意力层、第一全连接前馈层、第一处理层、第二自注意力层、第二全连接前馈层和第二处理层。其中,第一自注意力层和第二自注意力层均设置为多头自注意力机制,均设有8个注意力头。第一处理层和第二处理层均用于对上一层的输出向量进行残差连接和正则化处理。
进一步的,如图10所示,转换器网络中还设有第一位置编码层和第二位置编码层,其中,第一位置编码层位于编码器网络的上一层,用于对输入的第一负荷向量和第一时间向量进行融合,得到携带时间信息的融合向量。然后将融合向量输入至编码器网络中进行特征编码。第二位置编码层用于对第二时间段内各时间进行位置编码,得到第二时间向量。
在图10所示的生成式对抗网络中,可以基于历史168个小时内的电力负荷值预测其后24小时的电力负荷值。如图10所示,(Y1,Y2,...,Y168)分别表示过去168个小时内每个小时的电力负荷值,即Yt表示第t小时内的电力负荷值。第一负荷向量(X1,X2,...,X168)用于指示表示历史168个小时的各电力负荷值所对应的时间。其中,可以通过(Y1,Y2,...,Y168)构建得到,第一时间向量可以通过(X1,X2,...,X168)得到。(X169,X170,...,X192)用于指示未来24小时内所要进行电力负荷值预测的时间。第二时间向量可以通过(X169,X170,...,X192)构建得到。
如图10所示,在将历史168小时的电力负荷数据(Y1,Y2,...,Y168)和所对应的时间信息(X1,X2,...,X168)先输入至第一位置编码层进行融合,然后将第一位置编码层的输出输入到编码器网络中进行特征编码,然后编码器网络的输出被输入到解码器网络中,同时,第二时间段内所要进行电力负荷预测的时间对应的时间信息(X169,X170,...,X192)被输入到第二位置编码层中,然后第二位置编码层的输出被输入到解码器网络中,解码器网络根据编码器网络的输出和第二位置编码层的输出预测第二时间段内各时间对应的电力负荷值,得到未来24小时内各个小时的电力负荷值(Y′168,Y′169,...Y′192)。
然后将所预测到未来24小时内各小时的电力负荷值(Y′168,Y′169,...Y′192)、以及表征(Y′168,Y′169,...Y′192)所对应时间段内各时间的实际电力负荷值的(Y169,Y170,...,Y192)作为测试样本向量,输入至判别网络中,由判别网络判别所输入的测试样本向量对应于真实电力负荷值还是对应为预测电力负荷值。
值得一提的是,在图10所示的生成式对抗网络中,编码器网络包括6层编码器层,解码器网络包括6层解码器层,在其他实施例中,编码器网络中编码器层的数量和解码器网络中解码器层的数量可以根据实际需要进行设定。
在图10所示的判别网络中包括三层第三全连接前馈层,在其他实施例中,第三全连接前馈层的数量并不限于此,可以根据实际需要进行设定。
图11是根据本申请的一个实施例示出的基于生成式对抗网络的电力负荷预测方法的流程图,该基于生成式对抗网络的电力负荷预测方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的服务器来执行。参照图11所示,该基于生成式对抗网络的电力负荷预测方法至少包括步骤1110至步骤1120,详细介绍如下。
步骤1110,获取第一负荷向量和第一时间向量,第一负荷向量用于指示第三时间段内目标区域的多个电力负荷值,第一时间向量用于指示第一负荷向量中各电力负荷值所对应的时间。
步骤1120,通过生成式对抗网络中的生成网络根据第一负荷向量、第一时间向量和第二时间向量进行电力负荷预测,得到第二负荷向量,第二时间向量用于指示第四时间段内的多个时间,第二负荷向量用于指示为第二时间向量中各时间所分别预测的电力负荷值,第四时间段是第三时间段之后的一段时间,生成式对抗网络是通过上述任一实施例中的生成式对抗网络的训练方法训练得到的。
如上所描述,生成式对抗网络训练完成后,生成网络可以根据一段时间内各时间的电力负荷值预测到未来一段时间内的电力负荷值,且所预测到的电力负荷值接近或者与该段时间内的实际电力负荷值相同;换言之,生成式对抗网络训练完成后,生成网络可以根据历史电力负荷数据准确预测未来一段时间的电力负荷值。
第二时间向量用于指示生成网络所要预测电力负荷值对应的时间。第一时间向量指示了第一负荷向量中各电力负荷值对应的时间信息,从而,生成网络可以基于第一向量和第一时间向量挖掘出第三时间段内电力负荷值随时间的分布规律,然后基于第二时间向量学习到第二时间向量所对应第四时间段与第一时间向量所对应第三时间段之间的依赖关系,进而结合电力负荷值的分布规律和第四时间段与第三时间段之间的依赖关系预测第四时间段内各个时间对应的电力负荷值。
换言之,训练后的生成网络可以基于第一负荷向量和第一时间向量提取到电力负荷值的分布特征,从而,基于所提取的分布特征来预测第四时间段内各时间对应的电力负荷值。
在本申请的一些实施例中,第三时间段的时长可以与第一时间段所对应的时长相同,第四时间段的时长可以与第二时间段的时长相同。
在本申请一些实施例中,生成网络进行电力负荷预测的过程参见上文描述,在此不再赘述。
在本申请的方案中,在完成生成式对抗网络的训练后,该生成式对抗网络中的生成网络可以基于历史上的电力负荷数据准确预测到未来一段时间内的电力负荷值,由此,借助于训练后的生成网络来进行电力负荷预测,可以保证基于第一负荷向量、第一时间向量和第二时间向量来准确预测第二向量所指示第四时间段内各时间对应的电力负荷值。该种方法实现了电力负荷值的自动预测,而且不依赖于工程师的经验,保证了所预测到电力负荷值的客观性和准确性。
而且,生成式对抗网络的输入仅包括第一负荷向量、第一时间向量和第二时间向量,由生成式对抗网络中的生成网络根据第一负荷向量和第一时间向量确定电力负荷值的分布规律和依赖关系进行电力负荷值预测,利用生成网络来学习电力负荷值的随机性,提高了预测效率和准确性。该过程中不需要其他额外的环境信息等参与到电力负荷值的预测,保证了电力负荷预测的可行性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的方法。对于本申请装置实施例中未披露的细节,请参照本申请上述方法实施例。
图12是根据一实施例示出的生成式对抗网络的训练装置的框图,生成式对抗网络包括生成网络和判别网络;该生成式对抗网络的训练装置可以配置于图1所示的服务器中,如图12所示,该生成式对抗网络的训练装置包括:
训练样本获取模块1210,用于获取训练样本,训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量,第一样本负荷向量用于指示第一时间段内的电力负荷值,第一样本时间向量用于指示第一样本负荷向量中各电力负荷值所对应的时间,第二样本负荷向量用于指示第二时间段内的电力负荷值,第二样本时间向量用于指示第二样本负荷向量中各电力负荷值所对应的时间,第二时间段是第一时间段之后的一段时间。
电力负荷预测模块1220,用于通过生成网络根据样本中的第一样本负荷向量、第一样本时间向量和第二样本时间向量进行电力负荷预测,得到第一预测向量,第一预测向量用于指示第二样本时间向量中各时间所对应的预测电力负荷值。
判别模块1230,用于通过判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,测试样本向量包括第一预测向量和第二样本负荷向量。
调整模块1240,用于根据判别网络输出的概率反向交替调整生成网络和判别网络的参数。
在本申请的一些实例中,参数调整模块,包括:损失函数值计算单元,用于若判别网络所输出的概率不在设定的概率范围内,则基于设定的损失函数,根据生成网络针对样本所预测的第一预测向量和所对应样本中的第二样本负荷向量计算损失函数值;第一参数调整单元,用于在固定判别网络的参数后,根据损失函数值反向调整判别网络的参数;第二参数调整单元,用于在生成网络的迭代次数达到设定次数后,固定判别网络的参数并反向调整生成网络的参数;重复上述步骤,直至判别网络输出的概率在设定的概率范围内。
在本申请的一些实例中,生成网络为转换器网络,转换器网络包括位置编码层、编码器网络和解码器网络;电力负荷预测模块1220,包括:融合单元,用于通过位置编码层对第一样本负荷向量和第一样本时间向量进行融合,得到融合向量;编码单元,用于由编码器网络根据融合向量进行特征编码,输出第一特征向量;解码单元,用于由解码器网络根据第一特征向量和第二样本时间向量进行解码,输出第一预测向量。
在本申请的一些实例中,编码器网络包括至少两个级联的编码器层,编码器层包括自注意力层、全连接前馈网络层和处理层;融合向量是编码器网络中第一级编码器层的输入向量;编码单元包括:
第一计算单元,用于通过自注意力层计算所对应输入向量的自注意力向量;第一变换单元,用于由全连接前馈网络层根据自注意力向量进行变换,得到全连接向量;第一处理单元,用于通过处理层对全连接向量进行残差连接和正则化处理,得到第一输出向量,其中,编码器网络中最后一级编码器层所输出的第一输出向量作为第一特征向量。
在本申请的一些实例中,自注意力层包括N个相并行的注意力头,其中,N为大于1的整数;第一计算单元进一步被配置为:计算输入向量对应于每一个注意力头的查询向量、键向量和值向量;根据每一个注意力头对应的查询向量、键向量和值向量计算所对应的注意力分数;将N个注意力头所对应的注意力分数进行拼接,得到拼接向量;对拼接向量进行线性变换,得到自注意力向量。
在本申请的一些实例中,解码器网络包括至少两个级联的解码器层,其中,编码器层的数量与解码器层的数量相同;解码单元,包括:输入单元,用于将第一特征向量分别输入至每一解码器层中,第一特征向量作为每一解码器层的第一输入向量;解码处理单元,用于每一解码器层根据第一输入向量和所对应的第二输入向量进行解码处理,得到对应的第二输出向量,所输出的第二输出向量作为下一级解码器层的第二输入向量;其中,解码器网络中第一级解码器层的第二输入向量为第二样本时间向量,解码器网络中最后一级解码器层所输出的第二输出向量作为第一预测向量。
在本申请的一些实例中,解码器层包括第一自注意力层、第一全连接前馈层、第一处理层、第二自注意力层、第二全连接前馈层和第二处理层;解码处理单元进一步被配置为:对于每一解码器层,由第一自注意力层根据第二输入向量计算所对应的第一自注意力向量;通过第一全连接前馈层根据第一自注意力向量进行变换,得到第一全连接向量;通过第一处理层对第一全连接向量进行残差连接和正则化处理,得到第一中间向量;通过第二自注意力层根据第一输入向量和第一中间向量计算得到第二自注意力向量;通过第二全连接前馈层对第二自注意力向量进行变换,得到第二全连接向量;通过第二处理层对第二全连接向量进行残差连接和正则化处理,得到对应的第二输出向量。
在本申请的一些实例中,判别网络包括级联的第三全连接前馈层和输出层,判别模块1230进一步被配置为:通过第三全连接前馈层对第二负荷向量进行变换,得到第三全连接向量;通过输出层根据第三全连接向量进行概率预测,输出第二负荷向量为真的概率。
图13是根据一实施例示出的基于生成式对抗网络的电力负荷预测装置的框图,该基于生成式对抗网络的电力负荷预测装置可以配置于图1所示的服务器中,如图13所示,该基于生成式对抗网络的电力负荷预测包括:
第一获取模块1310,用于获取第一负荷向量和第一时间向量,第一负荷向量用于指示第三时间段内目标区域的多个电力负荷值,第一时间向量用于指示第一负荷向量中各电力负荷值所对应的时间;
预测模块1320,用于通过生成式对抗网络中的生成网络根据第一负荷向量、第一时间向量和第二时间向量进行电力负荷预测,得到第二负荷向量,第二时间向量用于指示第四时间段内的多个时间,第二负荷向量用于指示为第二时间向量中各时间所分别预测的电力负荷值,第四时间段是第三时间段之后的一段时间,生成式对抗网络是通过上述任一生成式对抗网络的训练方法训练得到的。
图14示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图14示出的电子设备的计算机系统1400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图14所示,计算机系统1400包括中央处理单元(Central Processing Unit,CPU)1401,其可以根据存储在只读存储器(Read-Only Memory,ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(Random Access Memory,RAM)1403中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 1403中,还存储有系统操作所需的各种程序和数据。CPU 1401、ROM1402以及RAM 1403通过总线1404彼此相连。输入/输出(Input/Output,I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405:包括键盘、鼠标等的输入部分1406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1407;包括硬盘等的存储部分1408;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1410上,以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载计算机可读存储指令,当该计算机可读存储指令被处理器执行时,实现上述任一实施例中的生成式对抗网络的训练方法或者基于生成式对抗网络的电力负荷预测方法。
根据本申请的一个方面,还提供了一种电子设备,其包括:处理器;存储器,存储器上存储有计算机可读指令,计算机可读指令被处理器执行时,实现上述任一实施例中的生成式对抗网络的训练方法或者基于生成式对抗网络的电力负荷预测方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种生成式对抗网络的训练方法,其特征在于,所述生成式对抗网络包括生成网络和判别网络,所述方法包括:
获取训练样本,所述训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量,所述第一样本负荷向量用于指示第一时间段内的电力负荷值,所述第一样本时间向量用于指示所述第一样本负荷向量中各电力负荷值所对应的时间,所述第二样本负荷向量用于指示第二时间段内的电力负荷值,所述第二样本时间向量用于指示所述第二样本负荷向量中各电力负荷值所对应的时间,所述第二时间段是所述第一时间段之后的一段时间;
通过所述生成网络根据所述样本中的第一样本负荷向量、所述第一样本时间向量和所述第二样本时间向量进行电力负荷预测,得到第一预测向量,所述第一预测向量用于指示所述第二样本时间向量中各时间所对应的预测电力负荷值;
通过所述判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,所述测试样本向量包括所述第一预测向量和第二样本负荷向量;
根据所述判别网络输出的概率反向交替调整所述生成网络和所述判别网络的参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述判别网络输出的概率反向交替调整所述生成网络和所述判别网络的参数,包括:
若判别网络所输出的概率不在设定的概率范围内,则基于设定的损失函数,根据所述生成网络针对样本所预测的第一预测向量和所对应样本中的第二样本负荷向量计算损失函数值;
在固定所述判别网络的参数后,根据所述损失函数值反向调整所述判别网络的参数;
在所述生成网络的迭代次数达到设定次数后,固定所述判别网络的参数并反向调整所述生成网络的参数;
重复上述步骤,直至所述判别网络输出的概率在设定的概率范围内。
3.根据权利要求1所述的方法,其特征在于,所述生成网络为转换器网络,所述转换器网络包括位置编码层、编码器网络和解码器网络;
所述通过所述生成网络根据所述样本中的第一样本负荷向量、所述第一样本时间向量和所述第二样本时间向量进行电力负荷预测,得到第一预测向量,包括:
通过所述位置编码层对所述第一样本负荷向量和所述第一样本时间向量进行融合,得到融合向量;
由所述编码器网络根据所述融合向量进行特征编码,输出第一特征向量;
由所述解码器网络根据所述第一特征向量和所述第二样本时间向量进行解码,输出所述第一预测向量。
4.根据权利要求3所述的方法,其特征在于,所述编码器网络包括至少两个级联的编码器层,所述编码器层包括自注意力层、全连接前馈网络层和处理层;所述融合向量是所述编码器网络中第一级编码器层的输入向量;
所述编码器层通过如下的过程对所对应的输入向量进行处理:
通过所述自注意力层计算所对应输入向量的自注意力向量;
由所述全连接前馈网络层根据所述自注意力向量进行变换,得到全连接向量;
通过所述处理层对所述全连接向量进行残差连接和正则化处理,得到第一输出向量,其中,所述编码器网络中最后一级编码器层所输出的第一输出向量作为所述第一特征向量。
5.根据权利要求4所述的方法,其特征在于,所述自注意力层包括N个相并行的注意力头,其中,N为大于1的整数;
所述通过所述自注意力层计算所对应输入向量的自注意力向量,包括:
计算所述输入向量对应于每一个注意力头的查询向量、键向量和值向量;
根据每一个注意力头对应的查询向量、键向量和值向量计算所对应的注意力分数;
将N个注意力头所对应的注意力分数进行拼接,得到拼接向量;
对所述拼接向量进行线性变换,得到所述自注意力向量。
6.根据权利要求4所述的方法,所述解码器网络包括至少两个级联的解码器层,其中,编码器层的数量与解码器层的数量相同;
所述由所述解码器网络根据所述第一特征向量和所述第二样本时间向量进行解码,输出所述第一预测向量,包括:
将所述第一特征向量分别输入至每一解码器层中,所述第一特征向量作为每一解码器层的第一输入向量;
每一解码器层根据所述第一输入向量和所对应的第二输入向量进行解码处理,得到对应的第二输出向量,所输出的第二输出向量作为下一级解码器层的第二输入向量;其中,所述解码器网络中第一级解码器层的第二输入向量为所述第二样本时间向量,所述解码器网络中最后一级解码器层所输出的第二输出向量作为所述第一预测向量。
7.根据权利要求6所述的方法,其特征在于,所述解码器层包括第一自注意力层、第一全连接前馈层、第一处理层、第二自注意力层、第二全连接前馈层和第二处理层;
所述每一解码器层根据所述第一输入向量和所对应的第二输入向量进行解码处理,得到对应的第二输出向量,包括:
对于每一解码器层,由所述第一自注意力层根据所述第二输入向量计算所对应的第一自注意力向量;
通过所述第一全连接前馈层根据所述第一自注意力向量进行变换,得到第一全连接向量;
通过所述第一处理层对所述第一全连接向量进行残差连接和正则化处理,得到第一中间向量;
通过所述第二自注意力层根据所述第一输入向量和所述第一中间向量计算得到第二自注意力向量;
通过所述第二全连接前馈层对所述第二自注意力向量进行变换,得到第二全连接向量;
通过所述第二处理层对所述第二全连接向量进行残差连接和正则化处理,得到对应的第二输出向量。
8.根据权利要求1所述的方法,其特征在于,所述判别网络包括级联的第三全连接前馈层和输出层;
所述通过所述判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,包括:
通过所述第三全连接前馈层对所述测试样本向量进行变换,得到第三全连接向量;
通过所述输出层根据所述第三全连接向量进行概率预测,输出测试样本向量对应为真实电力负荷的概率。
9.一种基于生成式对抗网络的电力负荷预测方法,其特征在于,所述方法包括:
获取第一负荷向量和第一时间向量,所述第一负荷向量用于指示第三时间段内目标区域的多个电力负荷值,所述第一时间向量用于指示所述第一负荷向量中各电力负荷值所对应的时间;
通过生成式对抗网络中的生成网络根据所述第一负荷向量、第一时间向量和第二时间向量进行电力负荷预测,得到第二负荷向量,所述第二时间向量用于指示第四时间段内的多个时间,所述第二负荷向量用于指示为所述第二时间向量中各时间所分别预测的电力负荷值,所述第四时间段是所述第三时间段之后的一段时间,所述生成式对抗网络是通过如权利要求1-8中任一项所述的方法训练得到的。
10.一种生成式对抗网络的训练装置,其特征在于,所述生成式对抗网络包括生成网络和判别网络,所述装置包括:
训练样本获取模块,用于获取训练样本,所述训练样本包括第一样本负荷向量、第二样本负荷向量、第一样本时间向量和第二样本时间向量,所述第一样本负荷向量用于指示第一时间段内的电力负荷值,所述第一样本时间向量用于指示所述第一样本负荷向量中各电力负荷值所对应的时间,所述第二样本负荷向量用于指示第二时间段内的电力负荷值,所述第二样本时间向量用于指示所述第二样本负荷向量中各电力负荷值所对应的时间,所述第二时间段是所述第一时间段之后的一段时间;
电力负荷预测模块,用于通过所述生成网络根据所述样本中的第一样本负荷向量、所述第一样本时间向量和所述第二样本时间向量进行电力负荷预测,得到第一预测向量,所述第一预测向量用于指示所述第二样本时间向量中各时间所对应的预测电力负荷值;
判别模块,用于通过所述判别网络对测试样本向量进行真假判别,输出测试样本向量对应为真实电力负荷的概率,所述测试样本向量包括所述第一预测向量和第二样本负荷向量;
调整模块,用于根据所述判别网络输出的概率反向交替调整所述生成网络和所述判别网络的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101837.7A CN112163715A (zh) | 2020-10-14 | 2020-10-14 | 生成式对抗网络的训练方法及装置、电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101837.7A CN112163715A (zh) | 2020-10-14 | 2020-10-14 | 生成式对抗网络的训练方法及装置、电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163715A true CN112163715A (zh) | 2021-01-01 |
Family
ID=73867135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101837.7A Pending CN112163715A (zh) | 2020-10-14 | 2020-10-14 | 生成式对抗网络的训练方法及装置、电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163715A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256017A (zh) * | 2021-06-07 | 2021-08-13 | 国网山东省电力公司电力科学研究院 | 一种短期负荷预测方法及系统 |
CN113537416A (zh) * | 2021-09-17 | 2021-10-22 | 深圳市安软科技股份有限公司 | 基于生成式对抗网络的文本转换图像的方法及相关设备 |
CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN114285775A (zh) * | 2021-12-10 | 2022-04-05 | 电子科技大学中山学院 | 一种网络流量预测方法、装置、计算机设备和存储介质 |
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN109784562A (zh) * | 2019-01-17 | 2019-05-21 | 中南大学 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
CN110807332A (zh) * | 2019-10-30 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 语义理解模型的训练方法、语义处理方法、装置及存储介质 |
CN110852522A (zh) * | 2019-11-19 | 2020-02-28 | 南京工程学院 | 一种短期电力负荷预测方法及系统 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN111444967A (zh) * | 2020-03-30 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 生成对抗网络的训练方法、生成方法、装置、设备及介质 |
CN111553587A (zh) * | 2020-04-26 | 2020-08-18 | 中国电力科学研究院有限公司 | 一种基于对抗学习模型的新能源场景生成方法及系统 |
-
2020
- 2020-10-14 CN CN202011101837.7A patent/CN112163715A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN109784562A (zh) * | 2019-01-17 | 2019-05-21 | 中南大学 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
CN110874671A (zh) * | 2019-10-24 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种配电网的电力负荷预测方法、装置及存储介质 |
CN110807332A (zh) * | 2019-10-30 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 语义理解模型的训练方法、语义处理方法、装置及存储介质 |
CN110852522A (zh) * | 2019-11-19 | 2020-02-28 | 南京工程学院 | 一种短期电力负荷预测方法及系统 |
CN111444967A (zh) * | 2020-03-30 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 生成对抗网络的训练方法、生成方法、装置、设备及介质 |
CN111553587A (zh) * | 2020-04-26 | 2020-08-18 | 中国电力科学研究院有限公司 | 一种基于对抗学习模型的新能源场景生成方法及系统 |
Non-Patent Citations (3)
Title |
---|
CHI ZHANG: "Generative Adversarial Network for Synthetic Time Series Data Generation in Smart Grids", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS, CONTROL, AND COMPUTING TECHNOLOGIES FOR SMART GRIDS (SMARTGRIDCOMM)》, pages 1 - 6 * |
肖白: "数据匮乏场景下采用生成对抗网络的 空间负荷预测方法", 《中国电机工程学报》, vol. 40, no. 24, pages 7990 - 8001 * |
钟跃崎: "人工智能技术原理与应用", vol. 978, 30 September 2020, 《东华大学出版社》, pages: 243 - 244 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256017A (zh) * | 2021-06-07 | 2021-08-13 | 国网山东省电力公司电力科学研究院 | 一种短期负荷预测方法及系统 |
CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
CN113537416A (zh) * | 2021-09-17 | 2021-10-22 | 深圳市安软科技股份有限公司 | 基于生成式对抗网络的文本转换图像的方法及相关设备 |
CN114285775A (zh) * | 2021-12-10 | 2022-04-05 | 电子科技大学中山学院 | 一种网络流量预测方法、装置、计算机设备和存储介质 |
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
CN115392326B (zh) * | 2022-10-27 | 2024-03-19 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Data driven parallel prediction of building energy consumption using generative adversarial nets | |
CN112163715A (zh) | 生成式对抗网络的训练方法及装置、电力负荷预测方法 | |
Buragohain et al. | A novel approach for ANFIS modelling based on full factorial design | |
Bayram et al. | Comparison of multi layer perceptron (MLP) and radial basis function (RBF) for construction cost estimation: the case of Turkey | |
CN113361680A (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
Park et al. | Comparing scenario reduction methods for stochastic transmission planning | |
Azzouz et al. | Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
Zhang et al. | Robustness verification of swish neural networks embedded in autonomous driving systems | |
CN110309537A (zh) | 一种飞行器的智能健康预测方法及系统 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN116245033A (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Zhao et al. | A hybrid learning method for constructing compact rule-based fuzzy models | |
Park et al. | Confidence-aware graph neural networks for learning reliability assessment commitments | |
CN113330462A (zh) | 使用软最近邻损失的神经网络训练 | |
Ren et al. | Multivariate time series predictor with parameter optimization and feature selection based on modified binary salp swarm algorithm | |
Tilahun et al. | Vector optimisation using fuzzy preference in evolutionary strategy based firefly algorithm | |
Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
CN116993185A (zh) | 时间序列预测方法、装置、设备及存储介质 | |
CN115081940B (zh) | 资源调度方法、电力资源分配方法以及装置 | |
Sharma et al. | A Novel Two-Stage Framework for Mid-Term Electric Load Forecasting | |
Chen et al. | Parameters determination for adaptive bathtub-shaped curve using artificial fish swarm algorithm | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
Dong et al. | A sample-efficient opf learning method based on annealing knowledge distillation | |
Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting |
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 |