CN114022311B - 基于时序条件生成对抗网络的综合能源系统数据补偿方法 - Google Patents
基于时序条件生成对抗网络的综合能源系统数据补偿方法 Download PDFInfo
- Publication number
- CN114022311B CN114022311B CN202111355949.XA CN202111355949A CN114022311B CN 114022311 B CN114022311 B CN 114022311B CN 202111355949 A CN202111355949 A CN 202111355949A CN 114022311 B CN114022311 B CN 114022311B
- Authority
- CN
- China
- Prior art keywords
- data
- energy system
- node
- model
- sample
- 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 48
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012217 deletion Methods 0.000 claims abstract description 14
- 230000037430 deletion Effects 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 29
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000006386 memory function Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，属于综合能源系统自动化技术领域，首先采集综合能源系统在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集，然后构建生成器和判别器生成对抗网络结构并进行训练，得到数据集的缺失样本补偿模型，利用缺失样本补偿模型对综合能源系统中的缺失数据进行精确补偿；本发明综合了LSTM对历史信息带有记忆功能的优势，CNN与BP的结合实现了从输入到输出的映射功能；构建混合损失函数从高维、低维多方面考虑，使补偿的数据更加真实；在网络训练时，针对电、热、气系统添加了物理约束，使补偿后的数据更符合综合能源系统的运行数据特点。
Description
技术领域
本发明属于综合能源系统自动化技术领域，具体涉及一种基于时序条件生成对抗网络的综合能源系统数据补偿方法。
背景技术
在能源危机和环境污染的双重压力下，综合能源系统应运而生。综合能源系统是指在一定范围或区域内，利用专业技术和运行模式，对电、气、热、风等多种能源进行合理分配和利用，实现能源的交互、互补、应用的一种新型能源系统，是我国未来能源系统发展的新形态。在进行综合能源系统负荷预测、优化调度时，需要花大量时间在准备数据上，因为数据在文件或EXCEL中数据格式并不正确，且数据出现缺失、重复、离群点或异常值都可能造成综合能源负荷预测结果不准确，影响优化调度决策算法的效果，因此，对综合能源系统缺失数据进行补偿是必不可少的。
目前，最先进的补偿方法可分为数学建模、统计分析和神经网络训练。差分自回归移动平均模型、季节性自回归移动平均模型等数学建模方法，剔除了原始数据中的不可靠部分，拟合参数化平稳模型，重构不可靠数据。但此类方法多用于单一变量数据序列补偿问题的研究，忽略了多变量数据序列随时间变化的关系，不适用于综合能源系统。统计分析方法往往将不可靠数据的邻近数据信息强加于不可靠数据上，缺乏对全局信息的利用。例如，均值/中值平均、MICE和k-nearest neighbors(KNN)只能处理随机数据恢复情况。由于强大的建模能力，神经网络训练方法为不可靠的数据处理提供了灵活的方法。这些方法包括期望最大化(EM)、矩阵分解和支持向量回归(SVR)。生成式对抗网络(generativeadversarial networks,GAN)利用对抗模型的优势，实现了令人满意的数据恢复性能。生成对抗网络由生成器以及对抗器这两个深度神经网络组成，需要进行大规模的计算。生成对抗网络在训练的过程中避免了复杂的变分推断以及棘手的概率计算，其原理简洁明晰，是时下最流行的生成模型，在众多领域得到应用。但是传统的GAN模型利用JS散度设计优化损失函数，其目的是尽可能的减小真实样本数据分布与生成的样本数据分布之间的差距，单纯采用JS散度(Jensen–Shannon divergence)构建损失函数不具有一般性，并且在模型结构等方面也都还有待改进。
发明内容
针对上述现有技术的不足，本发明提供一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，为综合能源系统负荷预测、优化调度等算法提供可靠数据，提高算法精确性。为此，本发明所采取的技术方案是：基于时序条件生成对抗网络的综合能源系统数据补偿方法，包括：
步骤1：采集综合能源系统在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集D；
步骤2：构建生成器和判别器生成对抗网络结构并进行训练，得到数据集D的缺失样本补偿模型；
步骤3：利用缺失样本补偿模型对综合能源系统中的缺失数据进行精确补偿。
所述步骤1包括：
步骤1.1：对原始的完备运行数据Y进行归一化处理；
步骤1.2：将归一化处理后的完备运行数据进行特征提取；
步骤1.3：根据提取到的特征，将完备运行数据转换为灰度图；
步骤1.4：将得到的灰度图做人为缺失处理，得到缺失样本；
步骤1.5：将缺失样本以及对应的样本标签共同构成数据集D，D＝(D1，D2，...，Dk)，Dk＝{Xk，Mk}，将每个样本中第n个数据属性的所有采样值构成的序列定义为子序列信息Xn，其中，Dk表示第k个样本，Xk表示第k个样本的数据集合，Mk表示第k个样本的样本标签集合，用于标记缺失数据位置；
所述步骤2包括：
步骤2.1：构建LSTM-CNN-BP模型作为生成器，利用生成器模型对缺失处理后的数据进行精确补偿；
步骤2.2：根据全域判别器Dreg与局域判别器Dspa生成双判别器，保证数据的空间相关性与时间相关性；
步骤2.3：根据生成器与双判别器生成对抗网路，建立混合损失函数对模型进行训练。
所述步骤2.1包括：
步骤2.1.1：设置卷积层、池化层、全连接层搭建卷积神经网格CNN模型；
步骤2.1.2：采用ReLU函数作为激活函数，池化层采用最大池化处理，CNN模型输入层的输入为一维的子序列信息Xn，经过卷积后选定短时特征；
步骤2.1.3：短时特征经过池化层处理，保留时间序列的局部特征，然后由LSTM模型将子序列的信息汇总处理，得到的局部特征作为LSTM的输入；
步骤2.1.4：由神经元组成的隐藏层和一个全连接的输出层构成长短期记忆神经网络LSTM模型，使用注意力机制对LSTM模型的隐藏层输出向量进行关注；
步骤2.1.5：将LSTM模型的输出神经元联合CNN模型的输出作为前馈神经网络BP模型的输入，通过将上一时刻输入的特征产生影响量化后与当前时间输入的内容一起输入到网络中参与训练；
所述步骤2.2包括：
步骤2.2.1：对缺失样本的灰度图像进行分割，得到分割后的图像P；
步骤2.2.2：建立全域判别器Dreg与局域判别器Dspa的网络结构，得到双判别器，将分割后的图像P作为局域判别器Dspa的输入，将未分割的缺失样本作为全域判别器Dreg的输入。
所述步骤2.3包括：
步骤2.3.1：建立对抗性损失函数利用判别器计算对抗性损失；
步骤2.3.2：建立恢复损失函数利用双判别器强化生成器能力；
步骤2.3.3：计算离散弗雷歇距离其中序列距离L为：
式中，为完备运行数据中第t个时间间隔中第n个数据属性的采集值，为补偿后的数据中第t个时间间隔中第n个数据属性的补偿值；
步骤2.3.4：建立生成器的混合目标函数：
式中，λ和β为参数变量；
步骤2.3.5：建立全域判别器Dreg的目标函数局域判别器Dspa的目标函数
步骤2.3.6：建立约束条件，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。
所述步骤2.2.1包括：
步骤S1：将缺失样本的灰度图像转换为二值图像P1；
步骤S2：根据边缘检测分割算法对灰度图像进行分割，得到分割后的图像P2；
步骤S3：设置权重将图像P、P2组合为新的图像P：
P＝θ1P1+θ2P2
θ1＝Σ(τmγm)，θ2＝Σ(ψlξl)
式中，τm表示系统动态响应系数，m表示综合能源系统中能源类型种类数，γm表示阈值分割算法汇总不同能源类型所占权重，ψl表示综合能源系统的耦合紧密度，l表示综合能源系统中能源耦合类型，ξl表示边缘检测分割算法中不同能源耦合类型占比；
所述步骤2.3.6包括：
步骤SS1：在训练过程中添加节点功率约束：
式中，Gij、Bij为导纳矩阵的实部、虚部；为发电机注入功率；为母线i处电力负荷消耗功率；分别为燃气发电机、CHP机组注入到母线i的有功功率；分别为电动压缩机、热网循环泵、电锅炉消耗的有功功率；为无功补偿器注入的无功功率；Vi为母线i上电压幅值；
步骤SS2：气网部分考虑节点的流量平衡关系，建立各个节点流入流量与流出流量相同的约束：
式中，fi GS、fi GD分别为节点i处气源注入、负荷所需流量；fi GG、fi CHP、fi GB则为燃气发电机、CHP机组、燃气锅炉消耗的天然气流量；为天然气管道常数，为气节点j处的压力，为为与气节点j相连接的气节点i处的压力；signij表示管道内天然气的流动方向，当节点i的压力大于节点时，signg为+1，反之为-1；
步骤SS3：针对热网部分，建立节点功率平衡约束、节点压力平衡约束以及供回水温度平衡约束：
式中，分别为电锅炉、燃气锅炉、CHP机组为热网提供的热功率；为节点负荷所需热功率；Cp为水的比热容；为节点i至节点j段管道的质量流，当热网存在环路时，闭环回路内的水头压力损失总和为0；Bh为回路-网络关联矩阵；Kh为管道的阻力系数；Cs、Cr为温度系数矩阵；Bs、Br为包含温度、质量流的列向量；
步骤SS4：添加约束节点后，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。
所述步骤S1包括：
步骤S1-1：设置初始阈值Z将灰度图像分为两个区域R1、R2；
步骤S1-2：分别计算R1和R2区域的平均灰度值μ1、μ2；
步骤S1-3：计算新的阈值Z′，即Z′＝(μ1+μ2)/2；
步骤S1-4：根据阈值Z′进行灰度图像的分割：
式中，表示灰度图像，P1表示分割后的图像。
本发明的有益效果是：
本发明提出了一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，综合了长短期记忆网络(LSTM，Long Short-Term Memory)对历史信息带有记忆功能的优势，卷积神经网络(Convolutional Neural Networks，CNN)与多层前馈神经网络(backpropagation，BP)的结合实现了从输入到输出的映射功能；构建混合损失函数从高维、低维多方面考虑，使补偿的数据更加真实，从而提高综合能源系统状态监测的准确性；在网络训练时考虑了综合能源系统的数据耦合特殊性，针对电、热、气系统添加了物理约束，使补偿后的数据更符合综合能源系统的运行数据特点。
附图说明
图1为本发明中基于时序条件生成对抗网络的综合能源系统数据补偿方法流程图；
图2为本发明中生成器的构建原理图；
图3为本发明具体应用的综合能源系统拓扑结构；
图4为本发明在具体实例中的仿真结果，其中(a)为缺失数据的仿真结果图，(b)为完备运行数据的仿真结果图，(c)为补偿数据的仿真结果图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
本实施方式历史运行数据来源于如图3所示的综合能源系统结构，由IEEE-57总线电网、比利时20节点气网、巴厘岛32节点热网相互耦合而成。
本发明在生成对抗网络架构、损失函数做了创新，并且考虑了综合能源系统节点能量守恒的特点，提出了适用于综合能源系统的数据补偿方法。即一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，如图1所示，包括：
步骤1：采集综合能源系统在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集D；包括：
步骤1.1：对原始的完备运行数据进行归一化处理；
步骤1.2：将归一化处理后的完备运行数据进行特征提取，这里采用k-means、t-SNE算法进行特征提取；
步骤1.3：根据提取到的特征，将完备运行数据转换为灰度图；
步骤1.4：将得到的灰度图做人为缺失处理，得到缺失样本X，其维度为100*100；
步骤1.5：将缺失样本以及对应的样本标签共同构成数据集D，D＝(D1，D2，...，Dk)，Dk＝{Xk，Mk}，将每个样本中第n个数据属性的所有采样值构成的序列定义为子序列信息Xn，X＝(X1，X2，...，Xn)，其中，Dk表示第k个样本，Xk表示第k个样本的数据集合，Mk表示第k个样本的样本标签集合，用于标记缺失数据位置；
本实施例中采集的生产过程数据如表1所示，CHP为电热联产机组，P2G(power togas)电转气。
表1生产过程数据
步骤2：构建生成器和判别器生成对抗网络结构并进行训练，得到数据集D的缺失样本补偿模型；包括：
步骤2.1：由于综合能源系统历史运行数据具有强相关性，因此构造链式神经网络结构传播历史信息。构建LSTM-CNN-BP模型作为生成器，如图2所示，利用生成器模型对缺失处理后的数据进行精确补偿；包括：
步骤2.1.1：设置卷积层、池化层、全连接层搭建卷积神经网格CNN模型；
步骤2.1.2：采用ReLU函数作为激活函数，池化层采用最大池化处理，CNN模型输入层的输入为一维的子序列信息Xn，维度为100*1，经过卷积后选定短时特征，设置3个卷积层，卷积核个数为64，卷积核大小都是4*4；
步骤2.1.3：短时特征经过池化层处理，保留时间序列的局部特征，然后由LSTM模型将子序列的信息汇总处理，得到的局部特征作为LSTM的输入；
步骤2.1.4：由神经元组成的隐藏层和一个全连接的输出层构成长短期记忆神经网络LSTM模型，最大迭代次数为2000，当误差小于10-6时，跳出循环，使用注意力机制对LSTM模型的隐藏层输出向量进行关注，对其中与当前输出量显著相关的特征量赋予更大的权值；
为了能更好地提取综合能源系统运行数据长时间依赖关系的特征，将训练集的连续N个时刻历史运行数据作为CNN模型的输入，xt+Δt时刻的数据作为输出对BP网络模型进行训练，直到达到预设的准确率，使损失函数的损失值最小化，保存训练后的参数。该模型能把前次输入的特征产生影响量化后与当前时间输入的内容一起输入到网络中去参与训练，又具有BP神经网络模型较强的非线性映射能力和泛化能力，提高了数据的使用范围。
步骤2.1.5：将LSTM模型的输出神经元联合CNN模型的输出作为前馈神经网络BP模型的输入，BP模型包括输入层、隐藏层和输出层，确定BP神经网络的隐层数为3层，学习系数为0.1，误差控制率为0.001，最大训练次数为2000次，通过将上一时刻输入的特征产生影响量化后与当前时间输入的内容一起反映到网络中参与训练，又具有BP神经网络模型较强的非线性映射能力和泛化能力，提高了数据的使用范围；
步骤2.2：对缺失样本的灰度图像进行分割，建立局域判别器与全域判别器模型，构造损失函数。综合能源系统多能流之间关系复杂，设备高度耦合，针对综合能源系统数据空间相关性与时间相关性，根据全域判别器Dreg与局域判别器Dspa生成双判别器，将按照区域特点将缺失样本X的灰度图进行分割作为判别器输入，保证数据的空间相关性与时间相关性；包括：
步骤2.2.1：选取合适的阈值将灰度图像转化为包含必要信息的二值图像，对缺失样本的灰度图像进行分割，得到分割后的图像P；包括：
步骤S1：将缺失样本的灰度图像转换为二值图像P1，可以有效减少数据复杂度，包括：
步骤S1-1：设置初始阈值Z将灰度图像分为两个区域R1、R2；
步骤S1-2：分别计算R1和R2区域的平均灰度值μ1、μ2，反映综合能源系统的运行数据变化特征；
步骤S1-3：计算新的阈值Z′，即Z′＝(μ1+μ2)/2；
步骤S1-4：根据阈值Z′进行灰度图像的分割：
式中，表示灰度图像，P1表示分割后的图像；
步骤S2：根据边缘检测分割算法对灰度图像进行分割，得到分割后的图像P2；
定义梯度：
其中，H在点(t，n)的变化率最大，向量的长度L(t，n)为：
其中，长度L(t,n)由梯度向量中的gt和gj分量得到，最大变化率出现的角度α(t,n)为
确定图片边缘位置的强度和方向后得到分割后的图片P2。
步骤S3：设置权重将图像P、P2组合为新的图像P：
P＝θ1P1+θ2P2
θ1＝Σ(τmγm)，θ2＝Σ(ψlξl)
式中，τm表示系统动态响应系数，m表示综合能源系统中能源类型种类数，γm表示阈值分割算法汇总不同能源类型所占权重，权重的取值与综合能源系统中各能源节点所占比重有关，ψl表示综合能源系统的耦合紧密度，l表示综合能源系统中能源耦合类型，ξl表示边缘检测分割算法中不同能源耦合类型占比；
步骤2.2.2：建立全域判别器Dreg与局域判别器Dspa的网络结构，得到双判别器，全域判别器与局域判别器由卷积层、batch_norm层、dropout层构成，卷积过程中的卷积参数根据缺失数据维度确定，最终得到双判别器，激活函数选择lkReLU。将分割后的图像P作为局域判别器D_spa的输入，将未分割的缺失样本作为全域判别器D_reg的输入。全域判别器保证了样本整体的区域相关性，局域判别器保证了数据序列的时空相关性；
将进行图像分割后的样本作为局域判别器的输入，全域判别器保证了样本整体的区域相关性，局域判别器保证了数据序列的时空相关性；全域判别器与局域判别器由卷积层、batch_norm层、dropout层构成，全域判别器共4个卷积层，卷积核大小依次为3*3、3*3、5*5和4*4，激活函数选择lkReLU，局域判别器共4个卷积层，卷积核大小依次为5*5、5*5、3*3和4*4。全域判别器的输入为未分割的缺失样本的灰度图，局域判别器的输入为分割后的缺失样本的灰度图。全域判别器与局域判别器的卷积过程中的卷积参数根据缺失数据维度确定。
步骤2.3：根据生成器与双判别器生成对抗网路，为了进一步准确地补偿不可靠数据，建立混合损失函数对模型进行训练，训练分为两个阶段：在每次迭代中，首先用生成器损失函数对生成器进行训练；然后，固定生成器，使用训练数据集的矩阵对判别器进行训练；最后，利用训练好的生成器可以对缺失数据进行补偿；包括：
步骤2.3.1：建立对抗性损失函数利用判别器计算对抗性损失，关注到补偿数据的高度抽象特征，放大数据间的差异性，从高维的角度对数据进行分析；
式中，为生成器补偿后的数据，为对生成器补偿后的数据图片分割之后的数据，作为局域判别器的输入，为全域判别模型对的输出结果，为局域判别模型对的输出结果，的含义是使补偿数据与完备运行数据Y的差异性最小；
步骤2.3.2：生成器不仅要关注高度抽象特征，也要关注补偿数据与真实数据之间的差异性，强化生成器能力，从低维角度分析数据，建立恢复损失函数
式中，为完备运行数据中第t个时间间隔中第n个数据属性的采集值，为补偿后的数据中第t个时间间隔中第n个数据属性的补偿值，Y为完备运行数据，M为所有样本的标签集合，⊙为点积算子；
步骤2.3.3：计算离散弗雷歇距离其中序列距离L为：
步骤2.3.4：建立生成器的混合目标函数：
式中，λ和β为参数变量；由于对抗性损失从高维的角度对数据进行分析，关注高度抽象特征，放大了数据间的差异性，恢复损失属于低维数据范畴，关注于综合能源系统数据的实际物理意义，二者具有维度相关关系，其函数关系表达式为λ＝Kdβ，Kd为维度变换系数，J由从j中选取的综合能源系统数据属性构成，实现了数据从高维到低维的维度级数平衡，选取原则根据综合能源系统节点关系和数据相关性制定；
步骤2.3.5：将由生成器得到的输出数据输入到全域判别器中，该数据进行分割后输入到局域判别器中，建立全域判别器Dreg的目标函数局域判别器Dspa的目标函数
式中，，是指使得完备运行数据Y放入到判别模型D()输出的计算值和整个式子值尽可能大，是指使得补偿数据放入到判别模型D()输出的计算值尽可能小和整个式子值尽可能大，这样整合下来就是使得目标函数尽可能大，因此在训练时就可以根据目标函数进行梯度提升；
步骤2.3.6：建立约束条件，确保补偿数据的正确性，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型；包括：
步骤SS1：在训练过程中添加节点功率约束：
式中，Gij、Bij为导纳矩阵的实部、虚部；为发电机注入功率；为母线i处电力负荷消耗功率；分别为燃气发电机、CHP机组注入到母线i的有功功率；分别为电动压缩机、热网循环泵、电锅炉消耗的有功功率；为无功补偿器注入的无功功率；Vi为母线i上电压幅值；
步骤SS2：气网部分考虑节点的流量平衡关系，建立各个节点流入流量与流出流量相同的约束：
式中，fi GS、fi GD分别为节点i处气源注入、负荷所需流量；fi GG、fi CHP、fi GB则为燃气发电机、CHP机组、燃气锅炉消耗的天然气流量；为天然气管道常数，为气节点j处的压力，为为与气节点j相连接的气节点i处的压力；signij表示管道内天然气的流动方向，当节点i的压力大于节点时，signg为+1，反之为-1；
步骤SS3：针对热网部分，建立节点功率平衡约束、节点压力平衡约束以及供回水温度平衡约束：
式中，分别为电锅炉、燃气锅炉、CHP机组为热网提供的热功率；为节点负荷所需热功率；Cp为水的比热容；为节点i至节点j段管道的质量流，当热网存在环路时，闭环回路内的水头压力损失总和为0；Bh为回路-网络关联矩阵；Kh为管道的阻力系数；Cs、Cr为温度系数矩阵；Bs、Br为包含温度、质量流的列向量；
步骤SS4：添加约束节点后，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型；利用混合损失函数优化后的生成对抗网络产生补偿后的数据样本，原始的完备运行数据Y进行比较，如果相似，且损失函数控制在5％以内，则证明该网络结构的权重与偏置更新到合适范围，可以用来对缺失数据样本进行准确补偿。
步骤3：利用缺失样本补偿模型对综合能源系统中的缺失数据进行精确补偿。仿真结果的对比图如图4所示。本发明在网络训练时考虑了综合能源系统的数据耦合特殊性，针对电、热、气系统添加了物理约束，使补偿后的数据更符合综合能源系统的运行数据特点。
Claims (5)
1.一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，其特征在于，包括：
步骤1：采集综合能源系统在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集D；
步骤2：构建生成器和判别器生成对抗网络结构并进行训练，得到数据集D的缺失样本补偿模型；
所述步骤2包括：
步骤2.1：构建LSTM-CNN-BP模型作为生成器，利用生成器模型对缺失处理后的数据进行精确补偿；
所述步骤2.1包括：
步骤2.1.1：设置卷积层、池化层、全连接层搭建卷积神经网格CNN模型；
步骤2.1.2：采用ReLU函数作为激活函数，池化层采用最大池化处理，CNN模型输入层的输入为一维的子序列信息Xn，经过卷积后选定短时特征；
步骤2.1.3：短时特征经过池化层处理，保留时间序列的局部特征，然后由LSTM模型将子序列的信息汇总处理，得到的局部特征作为LSTM的输入；
步骤2.1.4：由神经元组成的隐藏层和一个全连接的输出层构成长短期记忆神经网络LSTM模型，使用注意力机制对LSTM模型的隐藏层输出向量进行关注；
步骤2.1.5：将LSTM模型的输出神经元联合CNN模型的输出作为前馈神经网络BP模型的输入，通过将上一时刻输入的特征产生影响量化后与当前时间输入的数据一起输入到网络中参与训练；
步骤2.2：根据全域判别器Dreg与局域判别器Dspa生成双判别器，保证数据的空间相关性与时间相关性；
所述步骤2.2包括：
步骤2.2.1：对缺失样本的灰度图像进行分割，得到分割后的图像P；
步骤2.2.2：建立全域判别器Dreg与局域判别器Dspa的网络结构，得到双判别器，将分割后的图像P作为局域判别器Dspa的输入，将未分割的缺失样本作为全域判别器Dreg的输入；
步骤2.3：根据生成器与双判别器生成对抗网路，建立混合损失函数对模型进行训练；
所述步骤2.3包括：
步骤2.3.1：建立对抗性损失函数利用判别器计算对抗性损失；
步骤2.3.2：建立恢复损失函数利用双判别器强化生成器能力；
步骤2.3.3：计算离散弗雷歇距离其中序列距离L为：
式中，为完备运行数据中第t个时间间隔中第n个数据属性的采集值，为补偿后的数据中第t个时间间隔中第n个数据属性的补偿值；
步骤2.3.4：建立对抗网络的混合目标函数：
式中，λ和β为参数变量；
步骤2.3.5：建立全域判别器Dreg的目标函数局域判别器Dspa的目标函数
步骤2.3.6：建立约束条件，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型；
步骤3：利用缺失样本补偿模型对综合能源系统中的缺失数据进行精确补偿。
2.根据权利要求1所述的一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，其特征在于，所述步骤1包括：
步骤1.1：对原始的完备运行数据进行归一化处理；
步骤1.2：将归一化处理后的完备运行数据进行特征提取；
步骤1.3：根据提取到的特征，将完备运行数据转换为灰度图；
步骤1.4：将得到的灰度图做人为缺失处理，得到缺失样本；
步骤1.5：将缺失样本以及对应的样本标签共同构成数据集D，D＝(D1,D2,…,Dk)，Dk＝{Xk,Mk}，将每个样本中第n个数据属性的所有采样值构成的序列定义为子序列信息Xn，其中，Dk表示第k个样本，Xk表示第k个样本的数据集合，Mk表示第k个样本的样本标签集合，用于标记缺失数据位置。
3.根据权利要求1所述的一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，其特征在于，所述步骤2.2.1包括：
步骤S1：将缺失样本的灰度图像转换为二值图像P1；
步骤S2：根据边缘检测分割算法对灰度图像进行分割，得到分割后的图像P2；
步骤S3：设置权重将图像P1、P2组合为新的图像P：
P＝θ1P1+θ2P2
θ1＝(τmγm),θ2＝(ψlξl)
式中，τm表示系统动态响应系数，m表示综合能源系统中能源类型种类数，γm表示阈值分割算法汇总不同能源类型所占权重，ψl表示综合能源系统的耦合紧密度，l表示综合能源系统中能源耦合类型，ξl表示边缘检测分割算法中不同能源耦合类型占比。
4.根据权利要求1所述的一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，其特征在于，所述步骤2.3.6包括：
步骤SS1：在训练过程中添加节点功率约束：
式中，Gij、Bij为导纳矩阵的实部、虚部；为发电机注入功率；为母线i处电力负荷消耗功率；分别为燃气发电机、CHP机组注入到母线i的有功功率；分别为电动压缩机、热网循环泵、电锅炉消耗的有功功率；为无功补偿器注入的无功功率；Vi为母线i上电压幅值；
步骤SS2：气网部分考虑节点的流量平衡关系，建立各个节点流入流量与流出流量相同的约束：
式中，分别为节点i处气源注入、负荷所需流量；则为燃气发电机、CHP机组、燃气锅炉消耗的天然气流量；为天然气管道常数，为气节点j处的压力，为为与气节点j相连接的气节点i处的压力；signij表示管道内天然气的流动方向，当节点i的压力大于节点时，signij为+1，反之为-1；
步骤SS3：针对热网部分，建立节点功率平衡约束、节点压力平衡约束以及供回水温度平衡约束：
式中，分别为电锅炉、燃气锅炉、CHP机组为热网提供的热功率；为节点负荷所需热功率；Cp为水的比热容；为节点i至节点j段管道的质量流，当热网存在环路时，闭环回路内的水头压力损失总和为0；Bh为回路-网络关联矩阵；Kh为管道的阻力系数；Cs、Cr为温度系数矩阵；Bs、Br为包含温度、质量流的列向量；
步骤SS4：添加约束节点后，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。
5.根据权利要求3所述的一种基于时序条件生成对抗网络的综合能源系统数据补偿方法，其特征在于，所述步骤S1包括：
步骤S1-1：设置初始阈值Z将灰度图像分为两个区域R1、R2；
步骤S1-2：分别计算R1和R2区域的平均灰度值μ1、μ2；
步骤S1-3：计算新的阈值Z'，即Z'＝(μ1+μ2)/2；
步骤S1-4：根据阈值Z'进行灰度图像的分割：
式中，表示灰度图像，P1表示分割后的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111355949.XA CN114022311B (zh) | 2021-11-16 | 2021-11-16 | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111355949.XA CN114022311B (zh) | 2021-11-16 | 2021-11-16 | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022311A CN114022311A (zh) | 2022-02-08 |
| CN114022311B true CN114022311B (zh) | 2024-07-02 |
Family
ID=80064788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111355949.XA Active CN114022311B (zh) | 2021-11-16 | 2021-11-16 | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022311B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115392615B (zh) * | 2022-04-24 | 2023-09-29 | 国网山东省电力公司信息通信公司 | 基于信息增强生成对抗网络的数据缺失值补全方法及系统 |
| CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
| CN115659797B (zh) * | 2022-10-24 | 2023-03-28 | 大连理工大学 | 针对航空发动机数据重构的生成对抗多头注意力神经网络自学习方法 |
| CN116701948B (zh) * | 2023-08-03 | 2024-01-23 | 东北石油大学三亚海洋油气研究院 | 管道故障诊断方法及系统、存储介质和管道故障诊断设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165664A (zh) * | 2018-07-04 | 2019-01-08 | 华南理工大学 | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 |
| CN109376862A (zh) * | 2018-10-29 | 2019-02-22 | 中国石油大学(华东) | 一种基于生成对抗网络的时间序列生成方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815223B (zh) * | 2019-01-21 | 2020-09-25 | 北京科技大学 | 一种针对工业监测数据缺失的补全方法及补全装置 |
| TWI715230B (zh) * | 2019-10-01 | 2021-01-01 | 財團法人資訊工業策進會 | 缺值補償方法、缺值補償系統及非暫態電腦可讀取媒體 |
-
2021
- 2021-11-16 CN CN202111355949.XA patent/CN114022311B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165664A (zh) * | 2018-07-04 | 2019-01-08 | 华南理工大学 | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 |
| CN109376862A (zh) * | 2018-10-29 | 2019-02-22 | 中国石油大学(华东) | 一种基于生成对抗网络的时间序列生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022311A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
| CN114022311B (zh) | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 | |
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| Yu et al. | Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution | |
| Wang et al. | Short-term wind speed forecasting based on information of neighboring wind farms | |
| Dai et al. | An online-learning-enabled self-attention-based model for ultra-short-term wind power forecasting | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| Du et al. | A theory-guided deep-learning method for predicting power generation of multi-region photovoltaic plants | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| Zou et al. | Deep non-crossing probabilistic wind speed forecasting with multi-scale features | |
| Mehmood et al. | EGD-SNet: A computational search engine for predicting an end-to-end machine learning pipeline for Energy Generation & Demand Forecasting | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN116538127A (zh) | 轴流风机及其控制系统 | |
| Jønler et al. | Probabilistic forecasts of global horizontal irradiance for solar systems | |
| Aksoy | Estimation of energy produced in hydroelectric power plant industrial automation using deep learning and hybrid machine learning techniques | |
| Yu et al. | Time series cross-correlation network for wind power prediction | |
| Hou et al. | Wind power forecasting method of large-scale wind turbine clusters based on DBSCAN clustering and an enhanced hunter-prey optimization algorithm | |
| Zhou et al. | Coal consumption prediction in thermal power units: A feature construction and selection method | |
| Ye et al. | A novel informer-time-series generative adversarial networks for day-ahead scenario generation of wind power | |
| CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
| Zhang et al. | Deep reinforcement learning based interpretable photovoltaic power prediction framework | |
| Peng et al. | Short-term PV-Wind forecasting of large-scale regional site clusters based on FCM clustering and hybrid Inception-ResNet embedded with Informer | |
| Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
| Zhang et al. | Research and application of a novel weight-based evolutionary ensemble model using principal component analysis for wind power prediction |
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 |