CN113516168B - 基于生成对抗网络的多维电气量连续时间序列生成方法 - Google Patents
基于生成对抗网络的多维电气量连续时间序列生成方法 Download PDFInfo
- Publication number
- CN113516168B CN113516168B CN202110540299.XA CN202110540299A CN113516168B CN 113516168 B CN113516168 B CN 113516168B CN 202110540299 A CN202110540299 A CN 202110540299A CN 113516168 B CN113516168 B CN 113516168B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- generated
- continuous time
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008571 general function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008485 antagonism Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于生成对抗网络的多维电气量连续时间序列生成方法，具体为：建立真实多维电气量连续时间序列数据集；构建生成对抗网络，生成对抗网络包括生成网络G和判别网络D；使用生成网络G首次生成虚假的多维电气连续时间序列数据；采用判别网络D对首次生成的虚假数据和真实多维电气连续时间序列数据进行判别，在判别过程中对生成的虚假数据进行约束处理；将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为不同类样本，得到判别网络D的训练参数，然后对生成网络模型G进行训练，得到更新的生成网络G；使用更新的生成网络模型G，生成更新的虚假数据。本发明解决了现有技术中存在的样本质量差和收敛速度慢的问题。
Description
技术领域
本发明属于电气数据测量方法技术领域，涉及一种基于生成对抗网络的多维电气量连续时间序列生成方法。
背景技术
生成对抗网络的概念于2014年被首次提出，该方法框架主要由一个生成网络(生成器)和一个判别网络(判别器)构成，其目标主要是通过判别网络来辅助训练一个能够准确学习原始数据分布特性的生成网络。各种类型的生成对抗模型的变体也逐渐被提出，主要用于图像数据生成领域，同时也逐渐应用到文本生成、语音生成等领域。但是，目前生成对抗网络架构还未被应用到多维电气量连续时间序列生成领域。
卷积神经网络(convolutional neural network，CNN)通过稀疏连接和权值共享等方法有效地减少网络参数，并在一定程度上降低过拟合的可能性。通常，卷积神经网络既可以处理一维时间序列，也可以处理二维图像数据。循环神经网络(recurrent neuralnetwork，RNN)是专门用于处理序列化数据的神经网络模型，在其基础上发展的长短期记忆(long short term memory，LSTM)网络是一种能够有效处理长期依赖问题的特殊RNN模型，适合用于处理和预测时间序列数据，在机器翻译、图像分析等众多领域都有广泛应用。长短期记忆网络(LSTM)与循环神经网络(RNN)最大的不同是添加了判断信息是否有用的单元，每个单元中含有三个门限，分别为输入门、遗忘门和输出门。
现有技术生成多维电气量连续时间序列数据通常采用变分近似法和马尔科夫链蒙特卡洛法(Markov Chain Monte Carlo，MCMC)。
变分近似的目的是找到一个最大化的值，确保能够获得与真实数据尽可能一样的似然值。但由于寻找的是一个近似表达，当近似后验分布太弱或者先验分布太弱，即使有优化算法和充足的训练样本，这个最大化的值和真实的似然之间的间隔会导致模型学到与真实数据不同的信息。因此，它产生的样本质量较差，且算法不易优化。
马尔科夫链在所采样的有用样本被快速重复采样且这些样本方差不大的情形下，这种基于采样的近似模型能够表现出很好的性能。基于MCMC的方法可以保证样本最终会收敛到一个来自模型的样本。但是这种收敛的速度慢，比较耗时；而且判断马尔科夫链是否达到平衡是不易的，所以无法知道要运行多少步才能达到均衡分布。
发明内容
本发明的目的是提供一种基于生成对抗网络的多维电气量连续时间序列生成方法，解决了现有技术中存在的样本质量差和收敛速度慢的问题。
本发明所采用的技术方案是，基于生成对抗网络的多维电气量连续时间序列生成方法，具体按照如下步骤实施：
步骤1，首先获取实测的多维电气量连续时间序列数据，建立真实多维电气量连续时间序列数据集；
步骤2，构建生成对抗网络，生成对抗网络包括生成网络G和判别网络D；
步骤3，使用生成网络G首次生成虚假的多维电气连续时间序列数据；
步骤4，采用判别网络D对步骤3首次生成的虚假数据和步骤1的真实多维电气连续时间序列数据进行判别，在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据；
步骤5，对真实的多维电气连续时间序列数据和经过约束处理后的生成数据进行判别分析，分析真实数据和生成数据的差异性，将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为不同类样本，得到判别网络D的训练参数；
步骤6，用步骤5得到的判别网络D的训练参数，对生成网络模型G进行训练，训练时，将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为同类样本，对生成网络模型G的参数进行调整修正，得到更新的生成网络G；
步骤7，使用步骤6更新的生成网络模型G，生成更新的虚假数据，然后重复步骤4-6，达到最大迭代次数后，认为生成的虚假数据可以作为真实的多维电气量连续时间序列数据。
本发明的特征还在于，
步骤2中生成网络G的结构为：通过卷积神经网络构建生成网络模型G，包括3层网络层数，分别为依次连接的输入层、隐藏层和输出层，输入层节点数为n维随机噪声，隐藏层节点数为128，输出层节点数为时间序列维度n；
步骤2中判别网络D的结构为：通过长短期记忆网络构建判别网络模型D，包括3层网络层数，分别为依次连接的输入层、隐藏层和输出层，输入层节点数为时间序列维度n，隐藏层节点数为64，输出层节点数为1，隐藏层中加有符合物理实际的数据约束条件。
生成网络G的损失函数定义为：
其中，z～pz(z)为生成网络G的多维电气量连续时间序列数据集的概率分布；D(G(z))为判别网络D在生成网络G上生成的虚假多维电气量连续时间序列数据集的输出；表示生成网络G生成判别网络D无法区分的多维电气量连续时间序列数据；
判别网络D的损失函数定义为：
其中，D(x)为判别网络在真实多维电气量连续时间序列数据集上的输出，x～pdata为真实多维电气量连续时间序列数据集的概率分布；表示判别网络D能区分出真实的多维电气量连续时间序列数据和生成网络G生成的虚假多维电气量连续时间序列数据；
生成对抗网络的损失函数定义为：
步骤4中的在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据具体为：
设实测的多维电气量连续时间序列数据的维度为(X,Y,Z,…)多个维度，其中，X序列由(x1,x2,…,xt,…,xn)组成，xn为序列X的序列数据，Y序列由(y1,y2,…,yt,…,yn)组成，yn为序列Y的序列数据，Z序列由(z1,z2,…,zt,…,zn)组成，zn为序列Z的序列数据，以此类推，每个维度含有n个序列数据；
根据电气系统的组成以及电气系统中每个组件的电气极限参数，增加如下约束对单维电气量连续时间序列进行判别：
其中，xmin和xmax分别表示序列数据xn对应的电气系统组件的最大和最小极限参数，ymin和ymax分别表示序列数据yn对应的电气系统组件的最大和最小极限参数，zmin和zmax分别表示序列数据zn对应的电气系统组件的最大和最小极限参数，以此类推；
对于某一维度中某一个数据序列数据xn，若xn其超出约束范围，则将这一数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
其中，f()为泛函数，α、β、γ为系数，根据不同的实际系统确定α、β、γ的具体的系数值，I、J、K分别为对序列数据xn、序列数据yn、序列数据zn进行函数f()积分操作后按照公式得到的理论值；T为系统工作的时间。
对于某一维度中某一个序列数据xn，若对其进行函数f()积分操作后得到的结果与其理论值不同，则将这一数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
根据实际电气系统的拓扑结构和基尔霍夫定理，增加如下约束对多维电气量连续时间序列进行判别：
f(xn·yn)＝Q
f(xn×yn)＝P
f(yn·zn)＝R
f(yn×zn)＝S
……
其中，f()为泛函数，e()为误差允许范围，Q、P分别为对(xn·yn)和(xn×yn)进行f()函数计算得到的理论值；Q1、P1分别为(xn·yn)和(xn×yn)在实际电路进行f()函数计算得到值；R、S分别为对(yn·zn)和(yn×zn)进行f()函数计算得到的理论值；R1、S1分别为(yn·zn)和(yn×zn)在实际电路中进行f()函数计算得到值；
根据实际电气系统的拓扑结构确定输入n维序列中的任意二维数据是否有函数关系，对于存在函数关系的某两个维度中两个序列数据xn和yn或yn和zn，若对其进行函数f()操作后得到的结果与理论值不同，则将这两个数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
设(I1,I2,I3,…,It，…，In)为多维电气量连续时间序列数据(X,Y,Z,…)中的多个维度的不同电流数据，其中I入包括(I1,I2,I3,…,It)，I出包括(It+1，…，In)，设(U1,U2,U3,…,Ut，…，Un)为多维电气量连续时间序列数据(X,Y,Z,…)中的多个维度的不同电压数据，其中U入包括(U1,U2,U3,…,Ut)，U出包括(Ut+1，…，Un)，对于不能满足一下两个约束条件的数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除：
∑I入＝∑I出
根据实际电路的电磁兼容要求，增加工作环境电气约束对多维电气量连续时间序列进行判别：
H(X)＝-∫dxμ(xn)logμ(xn)
H(Y)＝-∫dyμ(yn)logμ(yn)
MI(X,Y)＝H(X)+H(Y)-H(X,Y)
式中，μ(xn)为X的概率密度分布函数，μ(yn)为Y的概率密度分布函数，μ(xn,yn)表示序列X,Y的联合概率密度，μx(xn)、μy(yn)分别为对应的X、Y边缘概率密度；H(X)、H(Y)、H(X,Y)、MI(X,Y)为函数公式计算的理论结果；
对于某两个维度中两个序列数据而言，如xn和yn，若对其进行函数H()操作后得到的结果与理论值不同，则将这两个数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除。
步骤7中最大迭代次数为1000。
本发明的有益效果是：
本发明采用生成对抗网络生成多维电气量连续时间序列可以解决训练集中可获得多维电气量连续时间序列不足的问题，样本质量好，同时也减少极限情况下的测试次数，减少对电气系统的物理损耗，以此降低电气系统的实验成本，缩短实验周期，并且通过在判别网络加入实际物理约束条件，增强生成数据的可用性，且收敛速度快。
附图说明
图1是本发明基于生成对抗网络的多维电气量连续时间序列生成方法的生成对抗网络基本结构图；
图2是本发明基于生成对抗网络的多维电气量连续时间序列生成方法的流程框图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于生成对抗网络的多维电气量连续时间序列生成方法，其流程如图2所示，具体按照如下步骤实施：
步骤1，首先获取实测的多维电气量连续时间序列数据，建立真实多维电气量连续时间序列数据集；
步骤2，构建生成对抗网络，其结构如图1所示，生成对抗网络包括生成网络G和判别网络D；
其中，生成网络G的结构为：通过卷积神经网络构建生成网络模型G，包括3层网络层数，分别为依次连接的输入层、隐藏层和输出层，输入层节点数为n维随机噪声，隐藏层节点数为128，输出层节点数为时间序列维度n；
判别网络D的结构为：通过长短期记忆网络构建判别网络模型D，包括3层网络层数，分别为依次连接的输入层、隐藏层和输出层，输入层节点数为时间序列维度n，隐藏层节点数为64，输出层节点数为1，隐藏层中加有符合物理实际的数据约束条件；
生成网络G的损失函数定义为：
其中，z～pz(z)为生成网络G的多维电气量连续时间序列数据集的概率分布；D(G(z))为判别网络D在生成网络G上生成的虚假多维电气量连续时间序列数据集的输出；表示生成网络G生成判别网络D无法区分的多维电气量连续时间序列数据；
判别网络D的损失函数定义为：
其中，D(x)为判别网络在真实多维电气量连续时间序列数据集上的输出，x～pdata为真实多维电气量连续时间序列数据集的概率分布；表示判别网络D能区分出真实的多维电气量连续时间序列数据和生成网络G生成的虚假多维电气量连续时间序列数据；
生成对抗网络的损失函数定义为：
步骤3，使用生成网络G首次生成虚假的多维电气连续时间序列数据；
步骤4，采用判别网络D对步骤3首次生成的虚假数据和步骤1的真实多维电气连续时间序列数据进行判别，在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据；
在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据具体为：
设实测的多维电气量连续时间序列数据的维度为(X,Y,Z,…)多个维度，其中，X序列由(x1,x2,…,xt,…,xn)组成，xn为序列X的序列数据，Y序列由(y1,y2,…,yt,…,yn)组成，yn为序列Y的序列数据，Z序列由(z1,z2,…,zt,…,zn)组成，zn为序列Z的序列数据，以此类推，每个维度含有n个序列数据；
根据电气系统的组成以及电气系统中每个组件的电气极限参数，增加如下约束对单维电气量连续时间序列进行判别：
其中，xmin和xmax分别表示序列数据xn对应的电气系统组件的最大和最小极限参数，ymin和ymax分别表示序列数据yn对应的电气系统组件的最大和最小极限参数，zmin和zmax分别表示序列数据zn对应的电气系统组件的最大和最小极限参数，以此类推；
对于某一维度中某一个数据序列数据xn，若xn其超出约束范围，则将这一数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
其中，f()为泛函数，α、β、γ为系数，根据不同的实际系统确定α、β、γ的具体的系数值，I、J、K分别为对序列数据xn、序列数据yn、序列数据zn进行函数f()积分操作后按照公式得到的理论值；T为系统工作的时间。
对于某一维度中某一个序列数据xn，若对其进行函数f()积分操作后得到的结果与其理论值不同，则将这一数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
根据实际电气系统的拓扑结构和基尔霍夫定理，增加如下约束对多维电气量连续时间序列进行判别：
f(xn·yn)＝Q
f(xn×yn)＝P
f(yn·zn)＝R
f(yn×zn)＝S
……
其中，f()为泛函数，e()为误差允许范围，Q、P分别为对(xn·yn)和(xn×yn)进行f()函数计算得到的理论值；Q1、P1分别为(xn·yn)和(xn×yn)在实际电路进行f()函数计算得到值；R、S分别为对(yn·zn)和(yn×zn)进行f()函数计算得到的理论值；R1、S1分别为(yn·zn)和(yn×zn)在实际电路中进行f()函数计算得到值；
根据实际电气系统的拓扑结构确定输入n维序列中的任意二维数据是否有函数关系，对于存在函数关系的某两个维度中两个序列数据xn和yn或yn和zn，若对其进行函数f()操作后得到的结果与理论值不同，则将这两个数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
设(I1,I2,I3,…,It，…，In)为多维电气量连续时间序列数据(X,Y,Z,…)中的多个维度的不同电流数据，其中I入包括(I1,I2,I3,…,It)，I出包括(It+1，…，In)，设(U1,U2,U3,…,Ut，…，Un)为多维电气量连续时间序列数据(X,Y,Z,…)中的多个维度的不同电压数据，其中U入包括(U1,U2,U3,…,Ut)，U出包括(Ut+1，…，Un)，对于不能满足一下两个约束条件的数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除：
∑I入＝∑I出
根据实际电路的电磁兼容要求，增加工作环境电气约束对多维电气量连续时间序列进行判别：
H(X)＝-∫dxμ(xn)logμ(xn)
H(Y)＝-∫dyμ(yn)logμ(yn)
MI(X,Y)＝H(X)+H(Y)-H(X,Y)
式中，μ(xn)为X的概率密度分布函数，μ(yn)为Y的概率密度分布函数，μ(xn,yn)表示序列X,Y的联合概率密度，μx(xn)、μy(yn)分别为对应的X、Y边缘概率密度；H(X)、H(Y)、H(X,Y)、MI(X,Y)为函数公式计算的理论结果；
对于某两个维度中两个序列数据而言，如xn和yn，若对其进行函数H()操作后得到的结果与理论值不同，则将这两个数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
经上述提出后得到约束处理后的生成数据；
对不符合现实电气系统的组成和每个组件的电气极限参数、电气系统的拓扑结构和基尔霍夫定理以及实际电路的电磁兼容要求的生成数据进行判别处理，以减小之后网络训练因数据偏差问题而产生的误差。
步骤5，对真实的多维电气连续时间序列数据和经过约束处理后的生成数据进行判别分析，分析真实数据和生成数据的差异性，将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为不同类样本，得到判别网络D的训练参数；
步骤6，用步骤5得到的判别网络D的训练参数，对生成网络模型G进行训练，训练时，将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为同类样本，对生成网络模型G的参数进行调整修正，得到更新的生成网络G；
步骤7，使用步骤6更新的生成网络模型G，生成更新的虚假数据，然后重复步骤4-6，达到最大迭代次数1000后，认为生成的虚假数据可以作为真实的多维电气量连续时间序列数据。
本发明采用TSTR方法对真实的多维电气量连续时间序列数据和生成的数据进行定性分析，采用t-SNE和PCA方法进行定量分析。判断生成的数据与真实的多维电气量连续时间序列数据是否已满足相似度要求，无法进行区分。
本发明以传统生成对抗网络为基础，在判别网络部分添加一层电气量时间序列判别层，通过建模现实物理世界对多维电气量的约束，以增强多维电气量时间序列数据的可用性。以生成网络为对象，构建适应多维电气量连续时间序列数据分布的深度神经网络结构，设计感知损失函数，生成符合物理实际的多维电气量连续时间序列数据；以判别对抗网络为对象，基于实测的多维电气量连续时间序列数据，构建反映真实多维电气量连续时间序列数据分布的网络结构。同时，设计对抗损失函数，理解多维电气量连续时间序列数据生成模型中真实分布与感知分布的误差传播关系及其可能的对抗模式。通过加入符合物理实际的数据约束条件对不符合实际电路组成、拓扑结构和工作环境电气约束的生成数据进行判别，判别其在实际电路中可实现性。最终对判别网络和生成网络进行参数的调整修正，最终生成与真实多维电气量连续时间序列分布接近的数据。
Claims (2)
1.基于生成对抗网络的多维电气量连续时间序列生成方法，其特征在于，具体按照如下步骤实施：
步骤1，首先获取实测的多维电气量连续时间序列数据，建立真实多维电气量连续时间序列数据集；
步骤2，构建生成对抗网络，所述生成对抗网络包括生成网络G和判别网络D；
生成网络G的结构为：通过卷积神经网络构建生成网络模型G，包括3层网络层数，分别为依次连接的输入层、隐藏层和输出层，所述输入层节点数为n维随机噪声，隐藏层节点数为128，输出层节点数为时间序列维度n；
所述步骤2中判别网络D的结构为：通过长短期记忆网络构建判别网络模型D，包括3层网络层数，分别为依次连接的输入层、隐藏层和输出层，所述输入层节点数为时间序列维度n，隐藏层节点数为64，输出层节点数为1，所述隐藏层中加有符合物理实际的数据约束条件；
所述生成网络G的损失函数定义为：
其中，z～pz(z)为生成网络G的多维电气量连续时间序列数据集的概率分布；D(G(z))为判别网络D在生成网络G上生成的虚假多维电气量连续时间序列数据集的输出；Ez～pz(z)[log(1-D(G(z)))]表示生成网络G生成判别网络D无法区分的多维电气量连续时间序列数据；
所述判别网络D的损失函数定义为：
其中，D(x)为判别网络在真实多维电气量连续时间序列数据集上的输出，x～pdata为真实多维电气量连续时间序列数据集的概率分布；Ex～pdata(x)[logD(x)]表示判别网络D能区分出真实的多维电气量连续时间序列数据和生成网络G生成的虚假多维电气量连续时间序列数据；
所述生成对抗网络的损失函数定义为：
步骤3，使用生成网络G首次生成虚假的多维电气连续时间序列数据；
步骤4，采用判别网络D对步骤3首次生成的虚假数据和步骤1的真实多维电气连续时间序列数据进行判别，在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据；
步骤4中的在判别过程中对生成的虚假数据进行约束处理，生成经约束处理之后的生成数据具体为：
设实测的多维电气量连续时间序列数据的维度为(X,Y,Z,…)多个维度，其中，X序列由(x1,x2,…,xt,…,xn)组成，xn为序列X的序列数据，Y序列由(y1,y2,…,yt,…,yn)组成，yn为序列Y的序列数据，Z序列由(z1,z2,…,zt,…,zn)组成，zn为序列Z的序列数据，以此类推，每个维度含有n个序列数据；
根据电气系统的组成以及电气系统中每个组件的电气极限参数，增加如下约束对单维电气量连续时间序列进行判别：
其中，xmin和xmax分别表示序列数据xn对应的电气系统组件的最大和最小极限参数，ymin和ymax分别表示序列数据yn对应的电气系统组件的最大和最小极限参数，zmin和zmax分别表示序列数据zn对应的电气系统组件的最大和最小极限参数，以此类推；
对于某一维度中某一个数据序列数据xn，若xn其超出约束范围，则将这一数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
其中，f()为泛函数，α、β、γ为系数，根据不同的实际系统确定α、β、γ的具体的系数值，I、J、K分别为对序列数据xn、序列数据yn、序列数据zn进行函数f()积分操作后按照公式得到的理论值；T为系统工作的时间；
对于某一维度中某一个序列数据xn，若对其进行函数f()积分操作后得到的结果与其理论值不同，则将这一数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
根据实际电气系统的拓扑结构和基尔霍夫定理，增加如下约束对多维电气量连续时间序列进行判别：
f(xn·yn)＝Q
f(xn×yn)＝P
f(yn·zn)＝R
f(yn×zn)＝S
……
其中，f()为泛函数，e()为误差允许范围，Q、P分别为对(xn·yn)和(xn×yn)进行f()函数计算得到的理论值；Q1、P1分别为(xn·yn)和(xn×yn)在实际电路进行f()函数计算得到值；R、S分别为对(yn·zn)和(yn×zn)进行f()函数计算得到的理论值；R1、S1分别为(yn·zn)和(yn×zn)在实际电路中进行f()函数计算得到值；
根据实际电气系统的拓扑结构确定输入n维序列中的任意二维数据是否有函数关系，对于存在函数关系的某两个维度中两个序列数据xn和yn或yn和zn，若对其进行函数f()操作后得到的结果与理论值不同，则将这两个数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
设(I1,I2,I3,…,It，…，In)为多维电气量连续时间序列数据(X,Y,Z,…)中的多个维度的不同电流数据，其中I入包括(I1,I2,I3,…,It)，I出包括(It+1，…，In)，设(U1,U2,U3,…,Ut，…，Un)为多维电气量连续时间序列数据(X,Y,Z,…)中的多个维度的不同电压数据，其中U入包括(U1,U2,U3,…,Ut)，U出包括(Ut+1，…，Un)，对于不能满足一下两个约束条件的数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除：
∑I入＝∑I出
根据实际电路的电磁兼容要求，增加工作环境电气约束对多维电气量连续时间序列进行判别：
H(X)＝-∫dxμ(xn)logμ(xn)
H(y)＝-∫dyμ(yn)logμ(yn)
MI(X,Y)＝H(X)+H(Y)-H(X,Y)
式中，μ(xn)为X的概率密度分布函数，μ(yn)为Y的概率密度分布函数，μ(xn,yn)表示序列X,Y的联合概率密度，μx(xn)、μy(yn)分别为对应的X、Y边缘概率密度；H(X)、H(Y)、H(X,Y)、MI(X,Y)为函数公式计算的理论结果；
对于某两个维度中两个序列数据而言，如xn和yn，若对其进行函数H()操作后得到的结果与理论值不同，则将这两个数据同一组生成的所有维度的数据(xn，yn，zn…)全部进行剔除；
步骤5，对真实的多维电气连续时间序列数据和经过约束处理后的生成数据进行判别分析，分析真实数据和生成数据的差异性，将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为不同类样本，得到判别网络D的训练参数；
步骤6，用步骤5得到的判别网络D的训练参数，对生成网络模型G进行训练，训练时，将真实的多维电气连续时间序列数据和经过约束处理后的生成数据视为同类样本，对生成网络模型G的参数进行调整修正，得到更新的生成网络G；
步骤7，使用步骤6更新的生成网络模型G，生成更新的虚假数据，然后重复步骤4-6，达到最大迭代次数后，认为生成的虚假数据可以作为真实的多维电气量连续时间序列数据。
2.根据权利要求1所述的基于生成对抗网络的多维电气量连续时间序列生成方法，其特征在于，所述步骤7中最大迭代次数为1000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110540299.XA CN113516168B (zh) | 2021-05-18 | 2021-05-18 | 基于生成对抗网络的多维电气量连续时间序列生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110540299.XA CN113516168B (zh) | 2021-05-18 | 2021-05-18 | 基于生成对抗网络的多维电气量连续时间序列生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113516168A CN113516168A (zh) | 2021-10-19 |
| CN113516168B true CN113516168B (zh) | 2024-05-10 |
Family
ID=78064629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110540299.XA Active CN113516168B (zh) | 2021-05-18 | 2021-05-18 | 基于生成对抗网络的多维电气量连续时间序列生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516168B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116022A (zh) * | 2020-09-27 | 2020-12-22 | 中国空间技术研究院 | 基于连续混合潜在分布模型的数据生成方法及装置 |
| WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
| CN112801900A (zh) * | 2021-01-21 | 2021-05-14 | 北京航空航天大学 | 一种基于双向循环卷积生成对抗网络的视频模糊去除方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11557390B2 (en) * | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
-
2021
- 2021-05-18 CN CN202110540299.XA patent/CN113516168B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
| CN112116022A (zh) * | 2020-09-27 | 2020-12-22 | 中国空间技术研究院 | 基于连续混合潜在分布模型的数据生成方法及装置 |
| CN112801900A (zh) * | 2021-01-21 | 2021-05-14 | 北京航空航天大学 | 一种基于双向循环卷积生成对抗网络的视频模糊去除方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于有限数据集的图像快速生成改进方法;张家亮;何志鹏;王媛媛;曾兵;沈宜;贾宇;;通信技术(05);全文 * |
| 基于条件生成对抗网络的图像去雾算法;梁毓明;张路遥;卢明建;杨国亮;;光子学报(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113516168A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
| CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
| US20170046614A1 (en) | Accelerated tr-l-bfgs algorithm for neural network | |
| CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
| CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN113505477A (zh) | 一种基于svae-wgan的过程工业软测量数据补充方法 | |
| Ibragimovich et al. | Effective recognition of pollen grains based on parametric adaptation of the image identification model | |
| CN114004336A (zh) | 基于增强变分自编码器的三维射线重构方法 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
| CN112766537B (zh) | 一种短期电负荷预测方法 | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| CN108665001B (zh) | 一种基于深度置信网络的跨被试空闲态检测方法 | |
| CN110046344A (zh) | 添加分隔符的方法及终端设备 | |
| CN113516168B (zh) | 基于生成对抗网络的多维电气量连续时间序列生成方法 | |
| Tao et al. | Chaotic time series prediction based on radial basis function network | |
| Li et al. | Online course learning outcome evaluation method based on big data analysis | |
| CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
| Mao et al. | Physics-informed neural networks with residual/gradient-based adaptive sampling methods for solving PDEs with sharp solutions | |
| CN115983094A (zh) | 基于S-CNN-Bi-GRU网络测井曲线生成方法、处理终端及可读存储介质 | |
| CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
| CN116431988A (zh) | 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法 | |
| Liu et al. | An efficient BCNN deployment method using quality-aware approximate computing | |
| CN115032682A (zh) | 一种基于图论的多站台地震震源参数估计方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Dong Mianmian Inventor after: Wu Jie Inventor after: Zhou Yuhang Inventor after: Zhang Hua Inventor after: Wei Shuai Inventor after: An Weize Inventor before: Wu Jie Inventor before: Dong Mianmian Inventor before: Zhou Yuhang Inventor before: Zhang Hua Inventor before: Wei Shuai Inventor before: An Weize |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |