CN114419339A - 基于电力肖像的数据重建模型训练的方法和装置 - Google Patents

基于电力肖像的数据重建模型训练的方法和装置 Download PDF

Info

Publication number
CN114419339A
CN114419339A CN202210327615.XA CN202210327615A CN114419339A CN 114419339 A CN114419339 A CN 114419339A CN 202210327615 A CN202210327615 A CN 202210327615A CN 114419339 A CN114419339 A CN 114419339A
Authority
CN
China
Prior art keywords
new energy
frequency
frequency new
sample
energy data
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
Application number
CN202210327615.XA
Other languages
English (en)
Inventor
李鹏
黄文琦
侯佳萱
戴珍
梁凌宇
曹尚
邱凯旋
李汉巨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202210327615.XA priority Critical patent/CN114419339A/zh
Publication of CN114419339A publication Critical patent/CN114419339A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于电力肖像的数据重建模型训练的方法、装置、计算机设备和存储介质。所述方法包括：获取高频新能源数据样本集合；基于多个高频新能源数据样本，获取每个高频新能源数据样本的高频新能源图像样本，再获取低频新能源图像样本；基于低频新能源图像样本，通过待训练数据重建模型获取重建新能源图像样本；基于高频新能源图像样本以及重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型。采用本方法保留高频新能源数据的高频细节，保证低频新能源数据至高频新能源数据升频重建的准确度。

Description

基于电力肖像的数据重建模型训练的方法和装置
技术领域
本申请涉及新能源数据处理技术领域，特别是涉及一种基于电力肖像的数据重建模型训练的方法和装置。
背景技术
随着区域电力数据传输技术的发展，基于物联网（Internet of Things，IoT）能够实现不同对象间的物理连接与信息交互，而信息与通信技术是提高电网自动化水平的重要手段，使电网时刻产生大量高频新能源数据和低频新能源数据。高频新能源数据相较于低频新能源数据具有更丰富的多源异构的特征，因此能够更清晰地反映用户用电行为，形成更准确的用户画像和标签体系。且高频新能源数据涉及更多的维度，能够提高相关性挖掘能力，提升预测水平。另一方面，由于通信和储存技术限制，高频新能源数据常通过压缩感知（Compressive Sensing，CS）技术转化为低频新能源数据，并且在应用前进行升频重建（Frequency-Increased Reconstruction，FIR），也就是对低频新能源数据进行升频重建得到高频新能源数据。
目前，区域电力数据传输技术领域常用插值方法对低频新能源数据进行升频重建得到高频新能源数据。然而，插值方法通常处理速度较慢，且会使得高配分量受损，从而降低高频新能源数据的高频细节。因此，保留高频新能源数据的高频细节，以保证升频重建的准确度是亟需解决的一个重要问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够保留高频新能源数据的高频细节，以保证升频重建的准确度的基于电力肖像的数据重建模型训练的方法和装置。
第一方面，本申请提供了一种基于电力肖像的数据重建模型训练的方法。所述方法包括：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
在其中一个实施例中，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失，包括：
对每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像；
对每个高频新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像；
计算每个高频新能源图像样本对应的特征图像，与每个重建新能源图像样本对应的特征图像之间的均方误差，确定每个高频新能源数据样本对应的感知损失。
在其中一个实施例中，所述方法还包括：
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型进行训练，以得到目标数据重建模型，包括：
基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型中卷积层与激活函数直接连接。
在其中一个实施例中，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果，包括：
计算每个高频新能源数据样本对应的高频新能源图像样本，与每个高频新能源数据样本对应的重建新能源图像样本之间的均方误差，确定每个高频新能源数据样本对应的实际损失；
基于每个高频新能源数据样本对应的高频新能源图像样本与每个高频新能源数据样本对应的重建新能源图像样本，通过待训练判别模型获取每个高频新能源数据样本对应的判别结果，判别结果表征高频新能源数据样本对应的重建新能源图像样本为高频新能源图像的概率。
在其中一个实施例中，所述方法还包括：
根据每个高频新能源数据样本对应的高频新能源图像样本，每个高频新能源数据样本对应的重建新能源图像样本，以及每个高频新能源数据样本对应的判别结果，对待训练判别模型进行训练；
基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，包括：
当待训练数据重建模型的损失函数达到收敛，且待训练判别模型的损失函数达到收敛时，则得到目标数据重建模型。
在其中一个实施例中，每个高频新能源数据样本具有对应的数据属性；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本，包括：
通过每个高频新能源数据样本对应的数据属性，对多个高频新能源数据样本进行归一化处理，得到每个高频新能源数据样本对应的高频新能源图像样本；
对每个高频新能源数据样本对应的高频新能源图像样本进行压缩感知转化处理，得到每个高频新能源数据样本对应的低频新能源图像样本；
在得到目标数据重建模型之后，所述方法还包括：
获取目标高频新能源数据，目标高频新能源数据具有对应的数据属性；
通过目标高频新能源数据对应的数据属性，对目标高频新能源数据进行归一化处理，得到目标高频新能源数据对应的目标高频新能源图像；
对目标高频新能源数据对应的高频新能源图像进行压缩感知转化处理，得到目标高频新能源数据对应的目标低频新能源图像；
基于目标高频新能源数据对应的低频新能源图像，通过目标数据重建模型获取目标高频新能源数据对应的目标重建新能源图像。
第二方面，本申请还提供了一种基于电力肖像的数据重建模型训练的装置。所述装置包括：
获取模块，用于获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
处理模块，用于基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
训练模块，用于基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
上述基于电力肖像的数据重建模型训练的方法、装置、计算机设备、存储介质和计算机程序产品。首先获取高频新能源数据样本集合，该新能源数据样本集合包括多个高频新能源数据样本，并基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本。进而将每个高频新能源数据样本对应的低频新能源图像样本作为待训练数据重建模型的输入，并通过待训练数据重建模型输出每个高频新能源数据样本对应的重建新能源图像样本，由此基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失，最后基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，该目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
通过上述方式，由于高频新能源数据样本具有更丰富的多源异构的特征，因此通过获取高频新能源数据样本对应的新能源图像样本，通过新能源图像样本能够更全面且准确的保留高频新能源数据样本中的特征，以保留高频新能源数据的高频细节。基于此，由于所得到的感知损失是基于高频新能源图像样本与重建新能源图像样本的特征图像之间的均方误差确定的，使得感知损失能够更为准确的反应高频新能源图像样本与重建新能源图像样本之间多源异构特征之间的差距，从而通过感知损失提升待训练数据重建模型的特征学习能力，以保证训练得到的目标数据重建模型具有较高可靠，因此，通过所得到的目标数据重建模型能够实现更高的重建准确度，以保证低频新能源数据至高频新能源数据的升频重建的准确度。
附图说明
图1为一个实施例中基于电力肖像的数据重建模型训练的方法的应用环境图；
图2为一个实施例中基于电力肖像的数据重建模型训练的方法的流程示意图；
图3为一个实施例中获取每个高频新能源数据样本对应的感知损失的流程示意图；
图4为另一个实施例中基于电力肖像的数据重建模型训练的方法的流程示意图；
图5为另一个实施例中获取每个高频新能源数据样本对应的实际损失以及判别结果的流程示意图；
图6为又一个实施例中基于电力肖像的数据重建模型训练的方法的流程示意图；
图7为再一个实施例中基于电力肖像的数据重建模型训练的方法的流程示意图；
图8为另一个实施例中获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本的流程示意图；
图9为一个实施例中基于电力肖像的数据重建模型训练的方法的整体流程示意图；
图10为一个实施例中基于电力肖像的数据重建模型训练的装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于电力肖像的数据重建模型训练的方法，可以应用于如图1所示的应用环境中。终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102可以但不限于是各种电表、设备检测传感器等电力设备，水气热表、智能家电等家居设备，安防监控传感摄像头、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于电力肖像的数据重建模型训练的方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本。
具体地，在获取新能源数据样本时，能够获取多个采样时刻所包括的新能源数据样本，那么在每个采样时刻通过高频采样频率采集的新能源数据样本即为高频新能源数据样本，而在每个采样时刻通过低频采样频率采集的新能源数据样本即为低频新能源数据样本，因此选择通过高频采样频率采集的新能源数据样本生成高频新能源数据样本集合。
例如，高频新能源数据样本集合包括，L个采样时刻，且每个采样时刻有n种类型的新能源数据，具体包括有功功率、无功功率、电压、电流、频率、功率因素等，那么所得到的高频新能源数据样本集合具体可以表示为
Figure 311831DEST_PATH_IMAGE002
的数据矩阵。
步骤204，基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本。
由于高频新能源数据样本集合包括多个高频新能源数据样本，先对多个高频新能源数据样本进行处理，得到每个高频新能源数据样本对应的高频新能源图像样本，该高频新能源图像样本中的像素点对应的像素值具体处于[0，255]区间。基于此，再对高频新能源数据样本对应的高频新能源图像样本进行处理，得到每个高频新能源数据样本对应的低频新能源图像样本。
步骤206，基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本。
将每个高频新能源数据样本对应的低频新能源图像样本作为待训练数据重建模型的输入，待训练数据重建模型输出每个高频新能源数据样本对应的重建新能源图像样本。此时重建新能源图像样本可以为高频新能源图像也可以为低频新能源图像，此处不作限定。
具体地，待训练数据重建模型具体使用深度残差网络（Deep Residual Network，DRN），由于DRN内部的残差块（Residual Block）使用了残差跳跃式的结构，使某一层的输出可以跨过几层作为后面某一层的输入，缓解了深度神经网络的深度增加带来的梯度消失问题，并能通过叠加多层残差块提高待训练数据重建模型的特征学习能力和准确率。
步骤208，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失。
对每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本进行处理，得到新能源图像样本所对应的特征图像。具体基于特征图像之间的均方误差确定每个高频新能源数据样本对应的感知损失。
步骤210，基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
通过每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，当待训练数据重建模型所对应的损失函数达到收敛时，则基于最后一次更新的模型参数生成目标数据重建模型，该目标数据重建模型用于将低频新能源图像重建为高频新能源图像。也就是将低频新能源图像输入至目标数据重建模型后，目标数据重建模型能够输出该低频新能源图像的重建新能源图像，且该重建新能源图像为高频新能源图像。
在实际应用中，最后将所得到的高频新能源图像转化为高频新能源数据，即能够完成低频新能源数据至高频新能源数据的重建转化。
上述基于电力肖像的数据重建模型训练的方法中，由于高频新能源数据样本具有更丰富的多源异构的特征，因此通过获取高频新能源数据样本对应的新能源图像样本，通过新能源图像样本能够更全面且准确的保留高频新能源数据样本中的特征，以保留高频新能源数据的高频细节。基于此，由于所得到的感知损失是基于高频新能源图像样本与重建新能源图像样本的特征图像之间的均方误差确定的，使得感知损失能够更为准确的反应高频新能源图像样本与重建新能源图像样本之间多源异构特征之间的差距，从而通过感知损失提升待训练数据重建模型的特征学习能力，以保证训练得到的目标数据重建模型具有较高可靠，因此，通过所得到的目标数据重建模型能够实现更高的重建准确度，以保证低频新能源数据至高频新能源数据的升频重建的准确度。
在一个实施例中，如图3所示，步骤208，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失，包括：
步骤218，对每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像。
具体地，对每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像，且高频新能源图像样本对应的特征图像的每个通道矩阵中均包括宽为w、高为h的像素点的像素值。
基于此，如公式（1）：
Figure 733585DEST_PATH_IMAGE004
；（1）
其中，
Figure 468323DEST_PATH_IMAGE004
为第j个高频新能源图像样本对应的特征图像的每个通道矩阵中宽为w、高为h的像素点的像素值，
Figure 264110DEST_PATH_IMAGE006
为高频新能源图像样本，w为特征图像的通道矩阵中的宽，h为特征图像的通道矩阵中的高。
步骤228，对每个高频新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像。
具体地，对每个重建新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像，且重建新能源图像样本对应的特征图像的每个通道矩阵中均包括宽为w、高为h的像素点的像素值。
基于此，如公式（2）：
Figure 844127DEST_PATH_IMAGE008
；（2）
其中，
Figure 543224DEST_PATH_IMAGE008
为第j个重建新能源图像样本对应的特征图像的每个通道矩阵中宽为w、高为h的像素点的像素值，
Figure 448863DEST_PATH_IMAGE010
为重建新能源图像样本，w为特征图像的通道矩阵中的宽，h为特征图像的通道矩阵中的高。
步骤238，计算每个高频新能源图像样本对应的特征图像，与每个重建新能源图像样本对应的特征图像之间的均方误差，确定每个高频新能源数据样本对应的感知损失。
由于高频新能源图像样本对应的特征图像的每个通道矩阵中均包括宽为w、高为h的像素点的像素值，且重建新能源图像样本对应的特征图像的每个通道矩阵中均包括宽为w、高为h的像素点的像素值。基于此，具体计算前述特征图像的每个通道矩阵中具体w以及h像素点的像素值之间的均方差，从而得到感知损失。具体如公式（3）：
Figure 731945DEST_PATH_IMAGE012
；（3）
其中，
Figure 381233DEST_PATH_IMAGE014
为感知损失，l为采样数量，m为新能源图像样本的数量，
Figure 777579DEST_PATH_IMAGE016
为第j个高频新能源图像样本对应的特征图像的每个通道矩阵中宽为w、高为h的像素点的像素值，
Figure 601922DEST_PATH_IMAGE018
为第j个重建新能源图像样本对应的特征图像的每个通道矩阵中宽为w、高为h的像素点的像素值，j为新能源数据样本的数量，w为特征图像的通道矩阵中的宽，h为特征图像的通道矩阵中的高。
本实施例中，通过对每个高频新能源数据样本对应的高频新能源图像样本以及重建新能源图像样本进行图像特征处理，确定分别对应的特征图像，由于特征图像能够更全面且准确的保留高频图像特征，也就是进一步地原始高频新能源数据的高频细节，因此所确定的感知损失能够更为准确的反应高频新能源图像样本与重建新能源图像样本的误差，从而使得后续重建模型的训练得到更为准确地损失，进一步地提升所得到的目标数据重建模型的较高可靠，以提高升频重建的准确度。
在一个实施例中，如图4所示，基于电力肖像的数据重建模型训练的方法还包括：
步骤402，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果。
具体地，计算每个高频新能源数据样本对应的高频新能源图像样本与重建新能源图像样本之间的均方误差，确定每个高频新能源数据样本对应的实际损失。其次，判别结果表征高频新能源数据样本对应的重建新能源图像样本为高频新能源图像的概率。
在本实施例中，为了节省内存的使用，待训练数据重建模型中的残差块去掉批归一化层，仅保留卷积操作、激活函数以及残差跳跃式结构。基于此，假设待训练数据重建模型具有R个残差块，若待训练数据重建模型不去掉批归一化层，则每个原始残差块具有2个批归一化层，每个批归一化层的输入特征图像的个数、通道数、长、宽分别为m、n、
Figure 591875DEST_PATH_IMAGE020
以及
Figure DEST_PATH_IMAGE022_121A
，那么每次迭代需要计算每个残差块的每个特征图的每个通道的均值和标准差各2×R×m×n次，即批归一化层需要优化的参数数量为4×R×m×n个，那么对每个像素进行归一化处理，共需要归一化计算
Figure DEST_PATH_IMAGE024_130A
次，因此，去掉批归一化层后能够减少批归一化层需要优化的参数数量4×R×m×n，也就是减少归一化计算
Figure DEST_PATH_IMAGE026_94A
次，在节省内存的基础上还能够提升模型训练的效率。
基于此，为了提高重建精度和高频细节还原能力，待训练数据重建模型进行训练时需要进一步地学习图像特征以及判别结果。因此，步骤210，基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型进行训练，以得到目标数据重建模型，包括：
步骤220，基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型中卷积层与激活函数直接连接。
通过每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新，当待训练数据重建模型所对应的损失函数达到收敛时，则基于最后一次更新的模型参数生成目标数据重建模型，由于待训练数据重建模型中的残差块去掉批归一化层，仅保留卷积操作、激活函数以及残差跳跃式结构，因此所得到的目标数据重建模型中卷积层与激活函数直接连接，也就是在卷积层与激活函数之间不存在批归一化层。
具体地，待训练数据重建模型所对应的损失函数如公式（4）：
Figure DEST_PATH_IMAGE028_88A
；（4）
其中，
Figure DEST_PATH_IMAGE030_107A
、
Figure DEST_PATH_IMAGE032_80A
以及
Figure DEST_PATH_IMAGE034_77A
均为加权系数，
Figure DEST_PATH_IMAGE036_57A
为判别结果，
Figure DEST_PATH_IMAGE038_58A
为实际损失，
Figure DEST_PATH_IMAGE040_47A
为感知损失。具体地，
Figure DEST_PATH_IMAGE041_26A
、
Figure DEST_PATH_IMAGE032_81A
以及
Figure DEST_PATH_IMAGE034_78A
均经过多次计算以及实验得到的，本实施例中
Figure DEST_PATH_IMAGE043_50A
。
本实施例中，待训练数据重建模型在训练时进一步地学习图像特征以及判别结果，以提高重建精度和高频细节还原能力。
在一个实施例中，如图5所示，步骤402，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果，包括：
步骤412，计算每个高频新能源数据样本对应的高频新能源图像样本，与每个高频新能源数据样本对应的重建新能源图像样本之间的均方误差，确定每个高频新能源数据样本对应的实际损失。
具体地，与前述特征图像类似，高频新能源图像样本每个通道矩阵中均包括宽为w、高为h的像素点的像素值，而重建新能源图像样本每个通道矩阵中也包括宽为w、高为h的像素点的像素值，基于此，对于每个高频新能源数据样本对应的高频新能源图像样本以及重建新能源图像样本而言，需要计算高频新能源图像样本的每个通道矩阵中均包括宽为w、高为h的像素点的像素值，与重建新能源图像样本的每个通道矩阵中均包括宽为w、高为h的像素点的像素值之间的均方误差，以得到每个高频新能源数据样本对应的实际损失。
具体如公式（5）：
Figure DEST_PATH_IMAGE045_27A
；（5）
其中，
Figure DEST_PATH_IMAGE047_33A
为实际损失，l为采样数量，m为新能源图像样本的数量，
Figure DEST_PATH_IMAGE049_27A
为第j个高频新能源图像样本的每个通道矩阵中宽为w、高为h的像素点的像素值，
Figure DEST_PATH_IMAGE051_23A
为第j个重建新能源图像样本的每个通道矩阵中宽为w、高为h的像素点的像素值，j为新能源数据样本的数量，w为特征图像的通道矩阵中的宽，h为特征图像的通道矩阵中的高。
步骤422，基于每个高频新能源数据样本对应的高频新能源图像样本与每个高频新能源数据样本对应的重建新能源图像样本，通过待训练判别模型获取每个高频新能源数据样本对应的判别结果，判别结果表征高频新能源数据样本对应的重建新能源图像样本为高频新能源图像的概率。
具体地，将每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本作为待训练判别模型的输入，待训练判别模型输出每个高频新能源数据样本对应的判别结果，且该判别结果表征高频新能源数据样本对应的重建新能源图像样本为高频新能源图像的概率，也就是表征重建新能源图像样本与高频新能源图像样本之间的相似度。
具体地，高频新能源数据样本对应的判别结果通过如下公式（6）获取：
Figure DEST_PATH_IMAGE053_24A
；（6）
其中，
Figure DEST_PATH_IMAGE055_34A
为判别结果，j为新能源数据样本的数量，m为新能源图像样本的数量，
Figure DEST_PATH_IMAGE057_32A
为待训练判别模型的模型参数，
Figure DEST_PATH_IMAGE059_37A
为第j个重建新能源图像样本。
本实施例中，实际损失是基于高频新能源图像样本与重建新能源图像样本的具体像素点之间的均方误差确定的，使得实际损失能够准确的反应高频新能源图像样本与重建新能源图像样本之间多源异构特征之间的差距，而判别结果能够表征重建新能源图像样本与高频新能源图像样本之间的相似度，因此也能准确评估待训练数据重建模型所输出的重建新能源图像样本是否准确。由此使得待训练数据重建模型在训练时学习图像特征以及判别结果，进一步地提高重建精度和高频细节还原能力。
在一个实施例中，如图6所示，基于电力肖像的数据重建模型训练的方法还包括：
步骤602，根据每个高频新能源数据样本对应的高频新能源图像样本，每个高频新能源数据样本对应的重建新能源图像样本，以及每个高频新能源数据样本对应的判别结果，对待训练判别模型进行训练。
通过每个高频新能源数据样本对应的高频新能源图像样本，每个高频新能源数据样本对应的重建新能源图像样本，以及每个高频新能源数据样本对应的判别结果，对待训练判别模型的模型参数进行更新。
具体地，待训练判别模型所对应的损失函数如公式（7）：
Figure DEST_PATH_IMAGE061_50A
；（7）
其中，j为新能源数据样本的数量，m为新能源图像样本的数量，
Figure DEST_PATH_IMAGE063_37A
为待训练判别模型的模型参数，
Figure DEST_PATH_IMAGE065_31A
为第j个重建新能源图像样本，
Figure DEST_PATH_IMAGE067_32A
为第j个高频新能源图像样本。
步骤220，基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，包括：
步骤230，当待训练数据重建模型的损失函数达到收敛，且待训练判别模型的损失函数达到收敛时，则得到目标数据重建模型。
在基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新时，待训练判别模型的模型参数也在进行更新，在多次对抗式迭代训练中，待训练数据重建模型的损失函数达到收敛，且待训练判别模型的损失函数达到收敛时，才基于最后一次更新的模型参数生成目标数据重建模型。
可选地，还可以将每个高频新能源数据样本分成若干个批次，并将不同批次的高频新能源数据样本分别送入待训练数据重建模型以及待训练判别模型中进行训练，通过前述类似方式对待训练数据重建模型以及待训练判别模型的模型参数进行调整直至收敛。使用小批量梯度下降的方法对待训练数据重建模型以及待训练判别模型进行分批次训练，实现降低参数更新时的方差，收敛更加稳定的目的。进一步地，还能够采用贝叶斯优化方法实现对模型参数的一个优化选择。
本实施例中，通过待训练数据重建模型以及待训练判别模型之间的对抗训练，使得待训练数据重建模型能够学习到待训练判别模型所输出的判别结果所包括的特征信息，也能够使得待训练判别模型能够学习到待训练数据重建模型输出的重建新能源图像样本所包括的特征信息，由此使得所得到的目标数据重建模型具有鲁棒性以及可靠性。
在一个实施例中，如图7所示，每个高频新能源数据样本具有对应的数据属性；
步骤204，基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本，包括：
步骤214，通过每个高频新能源数据样本对应的数据属性，对多个高频新能源数据样本进行归一化处理，得到每个高频新能源数据样本对应的高频新能源图像样本。
具体地，前述数据属性即表征高频新能源数据样本的具体数据特征，高频新能源数据样本的数据包括但不限于有功功率、无功功率、电压、电流、频率、功率因素等。
通过前述实施例可知，在每个采样时刻采集的包括多种数据类型的新能源数据样本为高频新能源数据样本，因此通过每个高频新能源数据样本对应的数据属性，对高频新能源数据样本集合中多个高频新能源数据样本进行归一化处理，得到每个高频新能源数据样本对应的高频新能源图像样本。例如，高频新能源数据样本集合包括，L个采样时刻，且每个采样时刻有n种类型的新能源数据，因此高频新能源数据样本集合具体可以表示为
Figure DEST_PATH_IMAGE069_32A
的数据矩阵，那么所得到的每张高频新能源图像样本的n个通道分别对应高频新能源数据样本的n种类型。
步骤224，对每个高频新能源数据样本对应的高频新能源图像样本进行压缩感知转化处理，得到每个高频新能源数据样本对应的低频新能源图像样本。
具体地，通过压缩感知技术将高频新能源图像样本转化为低频新能源图像样本。压缩感知技术具体对高频新能源图像样本进行数据采样，以实现高频新能源图像样本的精确重构，从而得到低频新能源图像样本，本质为从高频新能源图像样本中确定高频新能源图像样本所包括的特征，寻找并剔除高频新能源图像样本的特征隐含的冗余度，从而得到低频新能源图像样本。
且如图8所示，在步骤210，得到目标数据重建模型之后，基于电力肖像的数据重建模型训练的方法还包括：
步骤802，获取目标高频新能源数据，目标高频新能源数据具有对应的数据属性。
在需要传输目标高频新能源数据时，从数据采集与监控（Supervisory ControlAnd Data Acquisition，SCADA）系统中获取目标高频新能源数据，且目标高频新能源数据具有对应的数据属性。例如，目标高频新能源数据包括有功功率、无功功率、电压、电流以及频率共5种数据属性。
步骤804，通过目标高频新能源数据对应的数据属性，对目标高频新能源数据进行归一化处理，得到目标高频新能源数据对应的目标高频新能源图像。
具体通过目标高频新能源数据对应的数据属性，对目标高频新能源数据进行归一化处理，得到目标高频新能源数据对应的目标高频新能源图像。例如，以目标高频新能源数据包括有功功率、无功功率、电压、电流以及频率共5种数据属性为例，那么基于前述5种数据属性对目标高频新能源数据进行归一化处理，能够得到目标高频新能源图像，且目标高频新能源图像包括5个通道，且每个通道分别对应目标高频新能源数据样本的5种数据类型。
步骤806，对目标高频新能源数据对应的高频新能源图像进行压缩感知转化处理，得到目标高频新能源数据对应的目标低频新能源图像。
通过压缩感知技术将目标高频新能源数据转化为目标低频新能源图像。
步骤808，基于目标高频新能源数据对应的低频新能源图像，通过目标数据重建模型获取目标高频新能源数据对应的目标重建新能源图像。
将目标高频新能源数据对应的低频新能源图像作为目标数据重建模型的输入，目标数据重建模型输出目标高频新能源数据对应的目标重建新能源图像。在实际应用中，最后将所得到的目标重建新能源图像转化为对应的高频新能源数据，即能够完成低频新能源数据至高频新能源数据的重建转化。
本实施例中，通过归一化处理以及压缩感知转化处理能够完成高频新能源数据到低频新能源图像的转化，并且在实际应用中通过前述处理以及目标数据重建模型，能够达到低频新能源数据至高频新能源数据的重建转化的目的，从而保证本方案的可实施性以及可靠性。
具体地，下面具体介绍基于电力肖像的数据重建模型训练以及基于目标数据重建模型进行数据重建的具体过程。如图9所示，提供了一种基于电力肖像的数据重建模型训练的方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤902，获取高频新能源数据样本集合。
步骤904，通过每个高频新能源数据样本对应的数据属性，对多个高频新能源数据样本进行归一化处理，得到每个高频新能源数据样本对应的高频新能源图像样本。
步骤906，对每个高频新能源数据样本对应的高频新能源图像样本进行压缩感知转化处理，得到每个高频新能源数据样本对应的低频新能源图像样本。
步骤908，基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本。
下面先介绍如何获取每个高频新能源数据样本对应的感知损失的步骤。
步骤910，对每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像。
步骤912，对每个高频新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像。
步骤914，计算每个高频新能源图像样本对应的特征图像，与每个重建新能源图像样本对应的特征图像之间的均方误差，确定每个高频新能源数据样本对应的感知损失。
其次，将介绍如何获取每个高频新能源数据样本对应的实际损失以及判别结果的步骤。
步骤916，计算每个高频新能源数据样本对应的高频新能源图像样本，与每个高频新能源数据样本对应的重建新能源图像样本之间的均方误差，确定每个高频新能源数据样本对应的实际损失。
步骤918，基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，通过待训练判别模型获取每个高频新能源数据样本对应的判别结果。
可以理解的是，在实际应用中，步骤910至步骤914、步骤916与步骤918之间无时序限定关系
步骤920，基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新。
步骤922，根据每个高频新能源数据样本对应的高频新能源图像样本，每个高频新能源数据样本对应的重建新能源图像样本，以及每个高频新能源数据样本对应的判别结果，对待训练判别模型进行训练。
步骤924，当待训练数据重建模型的损失函数达到收敛，且待训练判别模型的损失函数达到收敛时，则得到目标数据重建模型。
步骤926，获取目标高频新能源数据。
步骤928，通过目标高频新能源数据对应的数据属性，对目标高频新能源数据进行归一化处理，得到目标高频新能源数据对应的目标高频新能源图像。
步骤930，对目标高频新能源数据对应的高频新能源图像进行压缩感知转化处理，得到目标高频新能源数据对应的目标低频新能源图像。
步骤932，基于目标高频新能源数据对应的低频新能源图像，通过目标数据重建模型获取目标高频新能源数据对应的目标重建新能源图像。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的表征依次显示，但是这些步骤并不是必然按照箭头表征的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于电力肖像的数据重建模型训练的方法的基于电力肖像的数据重建模型训练的装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于电力肖像的数据重建模型训练的装置实施例中的具体限定可以参见上文中对于基于电力肖像的数据重建模型训练的方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种基于电力肖像的数据重建模型训练的装置，包括：获取模块1002、处理模块1004和训练模块1006，其中：
获取模块1002，用于获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
处理模块1004，用于基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
训练模块1006，用于基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型进行训练，以得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
在一个实施例中，处理模块1004，具体用于：
对每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像；
对每个高频新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像；
计算每个高频新能源图像样本对应的特征图像，与每个重建新能源图像样本对应的特征图像之间的均方误差，确定每个高频新能源数据样本对应的感知损失。
在一个实施例中，处理模块1004，还用于基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果；
训练模块1006，具体用于基于每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型中卷积层与激活函数直接连接。
在一个实施例中，处理模块1004，具体用于：
计算每个高频新能源数据样本对应的高频新能源图像样本，与每个高频新能源数据样本对应的重建新能源图像样本之间的均方误差，确定每个高频新能源数据样本对应的实际损失；
基于每个高频新能源数据样本对应的高频新能源图像样本与每个高频新能源数据样本对应的重建新能源图像样本，通过待训练判别模型获取每个高频新能源数据样本对应的判别结果，判别结果表征高频新能源数据样本对应的重建新能源图像样本为高频新能源图像的概率。
在一个实施例中，训练模块1006，还用于根据每个高频新能源数据样本对应的高频新能源图像样本，每个高频新能源数据样本对应的重建新能源图像样本，以及每个高频新能源数据样本对应的判别结果，对待训练判别模型进行训练；
训练模块1006，具体用于当待训练数据重建模型的损失函数达到收敛，且待训练判别模型的损失函数达到收敛时，则得到目标数据重建模型。
在一个实施例中，每个高频新能源数据样本具有对应的数据属性；
基于多个高频新能源数据样本，处理模块1004，具体用于：
通过每个高频新能源数据样本对应的数据属性，对多个高频新能源数据样本进行归一化处理，得到每个高频新能源数据样本对应的高频新能源图像样本；
对每个高频新能源数据样本对应的高频新能源图像样本进行压缩感知转化处理，得到每个高频新能源数据样本对应的低频新能源图像样本；
获取模块1002，还用于在训练模块1006得到目标数据重建模型之后，获取目标高频新能源数据，目标高频新能源数据具有对应的数据属性；
处理模块1004，还用于通过目标高频新能源数据对应的数据属性，对目标高频新能源数据进行归一化处理，得到目标高频新能源数据对应的目标高频新能源图像；对目标高频新能源数据对应的高频新能源图像进行压缩感知转化处理，得到目标高频新能源数据对应的目标低频新能源图像；基于目标高频新能源数据对应的低频新能源图像，通过目标数据重建模型获取目标高频新能源数据对应的目标重建新能源图像。
上述基于电力肖像的数据重建模型训练的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储高频新能源数据样本集合数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于电力肖像的数据重建模型训练的方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取高频新能源数据样本集合，高频新能源数据样本集合包括多个高频新能源数据样本；
基于多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于每个高频新能源数据样本对应的高频新能源图像样本，以及每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于每个高频新能源数据样本对应的感知损失，对待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（FerroelectricRandom Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandom Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于电力肖像的数据重建模型训练的方法，其特征在于，所述方法包括：
获取高频新能源数据样本集合，所述高频新能源数据样本集合包括多个高频新能源数据样本；
基于所述多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；
基于所述每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；
基于所述每个高频新能源数据样本对应的高频新能源图像样本，以及所述每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
基于所述每个高频新能源数据样本对应的感知损失，对所述待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，所述目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述每个高频新能源数据样本对应的高频新能源图像样本，以及所述每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失，包括：
对所述每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像；
对所述每个高频新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像；
计算所述每个高频新能源图像样本对应的特征图像，与所述每个重建新能源图像样本对应的特征图像之间的均方误差，确定所述每个高频新能源数据样本对应的感知损失。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
基于所述每个高频新能源数据样本对应的高频新能源图像样本，以及所述每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果；
所述基于所述每个高频新能源数据样本对应的感知损失，对所述待训练数据重建模型进行训练，以得到目标数据重建模型，包括：
基于所述每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对所述待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到所述目标数据重建模型，所述目标数据重建模型中卷积层与激活函数直接连接。
4.根据权利要求3所述的方法，其特征在于，所述基于所述每个高频新能源数据样本对应的高频新能源图像样本，以及所述每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的实际损失以及判别结果，包括：
计算所述每个高频新能源数据样本对应的高频新能源图像样本，与所述每个高频新能源数据样本对应的重建新能源图像样本之间的均方误差，确定所述每个高频新能源数据样本对应的实际损失；
基于所述每个高频新能源数据样本对应的高频新能源图像样本与所述每个高频新能源数据样本对应的重建新能源图像样本，通过待训练判别模型获取所述每个高频新能源数据样本对应的判别结果，所述判别结果表征所述高频新能源数据样本对应的重建新能源图像样本为高频新能源图像的概率。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据所述每个高频新能源数据样本对应的高频新能源图像样本，所述每个高频新能源数据样本对应的重建新能源图像样本，以及所述每个高频新能源数据样本对应的判别结果，对所述待训练判别模型进行训练；
所述基于所述每个高频新能源数据样本对应的感知损失、实际损失以及判别结果，对所述待训练数据重建模型进行训练，以得到所述目标数据重建模型，包括：
当所述待训练数据重建模型的损失函数达到收敛，且所述待训练判别模型的损失函数达到收敛时，则得到所述目标数据重建模型。
6.根据权利要求1所述的方法，其特征在于，每个高频新能源数据样本具有对应的数据属性；
所述基于所述多个高频新能源数据样本，获取每个高频新能源数据样本对应的低频新能源图像样本，以及每个高频新能源数据样本对应的高频新能源图像样本，包括：
通过每个高频新能源数据样本对应的数据属性，对所述多个高频新能源数据样本进行归一化处理，得到所述每个高频新能源数据样本对应的高频新能源图像样本；
对所述每个高频新能源数据样本对应的高频新能源图像样本进行压缩感知转化处理，得到所述每个高频新能源数据样本对应的低频新能源图像样本；
在所述得到目标数据重建模型之后，所述方法还包括：
获取目标高频新能源数据，所述目标高频新能源数据具有对应的数据属性；
通过所述目标高频新能源数据对应的数据属性，对所述目标高频新能源数据进行归一化处理，得到所述目标高频新能源数据对应的目标高频新能源图像；
对所述目标高频新能源数据对应的高频新能源图像进行压缩感知转化处理，得到所述目标高频新能源数据对应的目标低频新能源图像；
基于所述目标高频新能源数据对应的低频新能源图像，通过所述目标数据重建模型获取目标高频新能源数据对应的目标重建新能源图像。
7.一种基于电力肖像的数据重建模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取高频新能源数据样本集合，所述高频新能源数据样本集合包括多个高频新能源数据样本；
处理模块，用于基于所述多个高频新能源数据样本，获取每个高频新能源数据样本对应的高频新能源图像样本，根据高频新能源图像样本获取每个高频新能源数据样本对应的低频新能源图像样本；基于所述每个高频新能源数据样本对应的低频新能源图像样本，通过待训练数据重建模型获取每个高频新能源数据样本对应的重建新能源图像样本；基于所述每个高频新能源数据样本对应的高频新能源图像样本，以及所述每个高频新能源数据样本对应的重建新能源图像样本，获取每个高频新能源数据样本对应的感知损失；
训练模块，用于基于所述每个高频新能源数据样本对应的感知损失，对所述待训练数据重建模型的模型参数进行更新，通过更新后的模型参数得到目标数据重建模型，所述目标数据重建模型用于将低频新能源图像重建为高频新能源图像。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，具体用于：
对所述每个高频新能源数据样本对应的高频新能源图像样本进行图像特征处理，确定每个高频新能源图像样本对应的特征图像；
对所述每个高频新能源数据样本对应的重建新能源图像样本进行图像特征处理，确定每个重建新能源图像样本对应的特征图像；
计算所述每个高频新能源图像样本对应的特征图像，与所述每个重建新能源图像样本对应的特征图像之间的均方误差，确定所述每个高频新能源数据样本对应的感知损失。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210327615.XA 2022-03-30 2022-03-30 基于电力肖像的数据重建模型训练的方法和装置 Pending CN114419339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210327615.XA CN114419339A (zh) 2022-03-30 2022-03-30 基于电力肖像的数据重建模型训练的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210327615.XA CN114419339A (zh) 2022-03-30 2022-03-30 基于电力肖像的数据重建模型训练的方法和装置

Publications (1)

Publication Number Publication Date
CN114419339A true CN114419339A (zh) 2022-04-29

Family

ID=81262770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210327615.XA Pending CN114419339A (zh) 2022-03-30 2022-03-30 基于电力肖像的数据重建模型训练的方法和装置

Country Status (1)

Country Link
CN (1) CN114419339A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544126A (zh) * 2022-12-05 2022-12-30 南方电网数字电网研究院有限公司 光伏数据的升频重建方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120020448A1 (en) * 2010-07-22 2012-01-26 Kedar Bhalchandra Khare System and method for reconstruction of x-ray images
CN111179177A (zh) * 2019-12-31 2020-05-19 深圳市联合视觉创新科技有限公司 图像重建模型训练方法、图像重建方法、设备及介质
CN112396535A (zh) * 2020-11-17 2021-02-23 香港中文大学（深圳） 智能电网的管理方法、装置、设备及存储介质
CN112488923A (zh) * 2020-12-10 2021-03-12 Oppo广东移动通信有限公司 图像超分辨率重建方法、装置、存储介质及电子设备
WO2021233008A1 (zh) * 2020-05-21 2021-11-25 腾讯科技（深圳）有限公司 一种超分辨率重建方法和相关装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120020448A1 (en) * 2010-07-22 2012-01-26 Kedar Bhalchandra Khare System and method for reconstruction of x-ray images
CN111179177A (zh) * 2019-12-31 2020-05-19 深圳市联合视觉创新科技有限公司 图像重建模型训练方法、图像重建方法、设备及介质
WO2021233008A1 (zh) * 2020-05-21 2021-11-25 腾讯科技（深圳）有限公司 一种超分辨率重建方法和相关装置
CN112396535A (zh) * 2020-11-17 2021-02-23 香港中文大学（深圳） 智能电网的管理方法、装置、设备及存储介质
CN112488923A (zh) * 2020-12-10 2021-03-12 Oppo广东移动通信有限公司 图像超分辨率重建方法、装置、存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李富盛 等: "基于改进生成式对抗网络的电气数据升频重建方法", 《电力系统自动化》, vol. 46, no. 3, 10 February 2022 (2022-02-10), pages 105 - 112 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544126A (zh) * 2022-12-05 2022-12-30 南方电网数字电网研究院有限公司 光伏数据的升频重建方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN111709516B (zh) 神经网络模型的压缩方法及压缩装置、存储介质、设备
CN112330078B (zh) 用电量预测方法、装置、计算机设备和存储介质
WO2023123930A1 (zh) 一种图像处理方法、系统、设备及可读存储介质
CN114419339A (zh) 基于电力肖像的数据重建模型训练的方法和装置
WO2020237689A1 (zh) 网络结构搜索的方法及装置、计算机存储介质和计算机程序产品
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN107305486B (zh) 一种神经网络maxout层计算装置
CN116523145B (zh) 光伏功率超短期预测方法、装置、计算机设备及存储介质
CN117313953A (zh) 一种负荷预测方法、装置、电子设备以及存储介质
CN115600666A (zh) 面向输配电线路缺陷检测模型的自学习方法及装置
CN116050579A (zh) 基于深度特征融合网络的建筑能耗预测方法及系统
CN115391725A (zh) 一种分数阶混沌系统参数识别方法、系统、设备及介质
CN114968992A (zh) 数据识别清洗及补偿方法、装置、电子设备及存储介质
CN115577573B (zh) 同步发电机输出电流的预测方法、装置、设备和存储介质
CN116051155B (zh) 用户识别方法、装置、设备、存储介质和程序产品
CN117435901B (zh) 一种工业互联网数据获取方法、系统、终端及储存介质
CN116415510B (zh) 基于相空间重构和神经网络的断路器温升预测方法及系统
CN113608063B (zh) 电力线路故障识别方法、装置及电子设备
CN114352485A (zh) 风力发电机风速的预测方法、装置、计算机设备
WO2022156743A1 (zh) 特征构建方法和装置、模型训练方法和装置、设备、介质
CN116258068A (zh) 电力系统的暂态稳定评估方法、装置和计算机设备
CN117578428A (zh) 风机功率递归预测方法、装置、计算机设备和存储介质
CN116739867A (zh) 电力系统碳排放量测算方法、装置及计算机设备
CN115482438A (zh) 小样本图像数据处理方法、装置、计算机设备
CN115762532A (zh) 声纹识别方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220429

RJ01 Rejection of invention patent application after publication