CN114880915A - 综合能源计量仿真数据生成方法、装置和存储介质 - Google Patents

综合能源计量仿真数据生成方法、装置和存储介质 Download PDF

Info

Publication number
CN114880915A
CN114880915A CN202111405692.4A CN202111405692A CN114880915A CN 114880915 A CN114880915 A CN 114880915A CN 202111405692 A CN202111405692 A CN 202111405692A CN 114880915 A CN114880915 A CN 114880915A
Authority
CN
China
Prior art keywords
data
energy metering
generated
discriminator
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.)
Granted
Application number
CN202111405692.4A
Other languages
English (en)
Other versions
CN114880915B (zh
Inventor
张蓬鹤
薛阳
宋如楠
杨艺宁
赵兵
陈昊
王聪
杨柳
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111405692.4A priority Critical patent/CN114880915B/zh
Publication of CN114880915A publication Critical patent/CN114880915A/zh
Application granted granted Critical
Publication of CN114880915B publication Critical patent/CN114880915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种综合能源计量仿真数据生成方法、装置和存储介质，其中，该方法包括：通过变分自编码器对预先构建的综合能源计量样本数据库中的综合能源计量数据进行特征提取，得到编码后的数据特征；将数据特征输入生成对抗网络，进行所述生成对抗网络的生成器与判别器的对抗训练，直至所述生成对抗网络生成的数据满足真实性约束与相似性约束；在所述生成对抗网络生成的数据满足真实性约束与相似性约束时，将生成对抗网络生成的数据确定为综合能源计量仿真数据，根据所述综合能源计量仿真数据得到生成的综合能源计量仿真数据库。

Description

综合能源计量仿真数据生成方法、装置和存储介质
技术领域
本发明涉及数据生成技术领域，并且更具体地，涉及一种综合能源计 量仿真数据生成方法、装置和存储介质。
背景技术
随着综合能源系统的发展，各类分布式电源的渗透率不断提高，一些 农村地区的家庭用户和工业园区安装了大量的分布式光伏电源和储能设 备，使用户负荷性质发生了质的改变。因此，在面向综合能源计量的电网 中，不同能源的计量业务需要充分考虑不同用户负荷动态特性。
但是，目前进行大规模综合能源计量在线仿真过程中缺乏用户数据， 无法为大规模综合能源计量仿真实时提供完整、充足的数据，从而导致综 合能源仿真的效率低和效果差。
发明内容
针对现有技术中存在的无法为大规模综合能源计量仿真缺乏用户数 据，从而导致综合能源仿真的效率低和效果差的技术问题，本发明提供一 种综合能源计量仿真数据生成方法、装置和存储介质，以支撑综合能源计 量仿真系统的建设为出发点，结合能源互联网背景下各类业务应用、人工 智能技术等能源计量仿真关键环节需求，提出面向多应用场景的综合能源 计量仿真数据生成方法，为综合能源计量仿真实时提供完整、充足的数据。
根据本发明的一个方面，提供了一种综合能源计量仿真数据生成方法， 包括：
通过变分自编码器对预先构建的综合能源计量样本数据库中的综合能 源计量数据进行特征提取，得到编码后的数据特征；
将数据特征输入生成对抗网络，进行生成对抗网络的生成器与判别器 的对抗训练，直至所述生成对抗网络生成的数据满足真实性约束与相似性 约束；
在生成对抗网络生成的数据满足真实性约束与相似性约束时，将生成 对抗网络生成的数据确定为综合能源计量仿真数据，根据所述综合能源计 量仿真数据得到生成的综合能源计量仿真数据库。
可选地，由变分自编码器、生成对抗网络的生成器与判别器构成综合 能源计量仿真数据的数据生成模型。
可选地，数据生成模型中网络隐藏层的输出以高斯方式不同，网络隐 藏层的输出式为：
Figure BDA0003372751400000021
式中，Disl(x)为网络第l个隐含层，E为单位矩阵，
Figure BDA0003372751400000022
为生成器的输出数 据，p(Disl(x)|z)为在隐变量z的条件下第l个隐含层的输出概率，N(·,·)表示二 项分布；
最大化期望Eq(z|x)[logp(x|z)]等价于最大似然估计，用Eq(z|x)[logp(Disl(x)|z)]替 代，故数据生成模型中变分自编码器的目标函数为：
max[γ1·Eq(z|x)[logp(Disl(x)|z)]-DKL(q(z|x)|p(z))]
式中，γ1为权重参数，DKL(q(z|x)|p(z))表示近似的后验概率分布和先验分 布之间的KL散度；
数据生成模型中生成对抗网络的生成器的目标函数为：
Figure BDA0003372751400000023
式中，γ2为权重参数，
Figure BDA0003372751400000024
为经编码器重构后的数据；
Figure BDA0003372751400000025
为生成器的输出 数据；D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure BDA0003372751400000026
式中，
Figure BDA0003372751400000027
为经编码器重构后的数据，
Figure BDA0003372751400000028
为生成器的输出数据，D(·)为判 别器判别为真的概率，E为单位矩阵。
可选地，通过以下步骤训练生成对抗网络的生成器和判别器：
通过生成器生成样本集，该样本为假标签，与输入的真实样本一起作 为判别器A的训练集；
将训练好的判别器A参数迁移到反方的判别器B，利用生成的样本集 与训练集中真实样本构建的混合样本对判别器B进行训练，更新网络参数， 使判别器A无法分辨是真实样本还是生成样本；
重复上述两个过程，直至判别器A与判别器B都无法分辨样本的真假， 得到生成的综合能源计量仿真数据。
可选地，用于判断生成对抗网络生成的数据是否满足真实性约束与相 似性约束的约束条件为：
真实性损失Lr定义为：
Lr＝W(G(z；θ(G))；θ(D))
式中，θ(G)表示生成参数，θ(D)表示判别参数，G(z；θ(G))表示生成器的生成 样本，W(～；θ(D))表示生成样本与判别样本之间的Wasserstein距离；
相似性损失Ls定义为：
Ls＝||G(z；θ(G))-I||2
式中，I表示真实样本，||·||2表示矩阵的2范数，G(z；θ(G))表示生成器的生 成样本。
根据本发明的另一个方面，提供了一种综合能源计量仿真数据生成装 置，包括：
特征提取模块，用于通过变分自编码器对预先构建的综合能源计量样 本数据库中的综合能源计量数据进行特征提取，得到编码后的数据特征；
对抗训练模块，用于将数据特征输入生成对抗网络，进行生成对抗网 络的生成器与判别器的对抗训练，直至所述生成对抗网络生成的数据满足 真实性约束与相似性约束；
仿真数据生成模块，用于在生成对抗网络生成的数据满足真实性约束 与相似性约束时，将生成对抗网络生成的数据确定为综合能源计量仿真数 据，根据所述综合能源计量仿真数据得到生成的综合能源计量仿真数据库。
可选地，由变分自编码器、生成对抗网络的生成器与判别器构成综合 能源计量仿真数据的数据生成模型。
可选地，数据生成模型中网络隐藏层的输出以高斯方式不同，网络隐 藏层的输出式为：
Figure BDA0003372751400000041
式中，Disl(x)为网络第l个隐含层，E为单位矩阵，
Figure BDA0003372751400000042
为生成器的输出数 据，p(Disl(x)|z)为在隐变量z的条件下第l个隐含层的输出概率，N(·,·)表示二 项分布；
最大化期望Eq(z|x)[logp(x|z)]等价于最大似然估计，用Eq(z|x)[logp(Disl(x)|z)]替 代，故数据生成模型中变分自编码器的目标函数为：
max[γ1·Eq(z|x)[logp(Disl(x)|z)]-DKL(q(z|x)|p(z))]
式中，γ1为权重参数，DKL(q(z|x)|p(z))表示近似的后验概率分布和先验分 布之间的KL散度；
数据生成模型中生成对抗网络的生成器的目标函数为：
Figure BDA0003372751400000043
式中，γ2为权重参数，
Figure BDA0003372751400000044
为经编码器重构后的数据；
Figure BDA0003372751400000045
为生成器的输出 数据；D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure BDA0003372751400000046
式中，
Figure RE-GDA0003601160460000045
为经编码器重构后的数据，
Figure RE-GDA0003601160460000046
为生成器的输出数据，D(·)为判 别器判别为真的概率，E为单位矩阵。
可选地，对抗训练模块具体用于：
通过生成器生成样本集，该样本为假标签，与输入的真实样本一起作 为判别器A的训练集；
将训练好的判别器A参数迁移到反方的判别器B，利用生成的样本集 与训练集中真实样本构建的混合样本对判别器B进行训练，更新网络参数， 使判别器A无法分辨是真实样本还是生成样本；
重复上述两个过程，直至判别器A与判别器B都无法分辨样本的真假， 得到生成的综合能源计量仿真数据。
可选地，仿真数据生成模块具体用于判断生成对抗网络生成的数据是 否满足真实性约束与相似性约束的约束条件为：
真实性损失Lr定义为：
Lr＝W(G(z；θ(G))；θ(D))
式中，θ(G)表示生成参数，θ(D)表示判别参数，G(z；θ(G))表示生成器的生成 样本，W(～；θ(D))表示生成样本与判别样本之间的Wasserstein距离；
相似性损失Ls定义为：
Ls＝||G(z；θ(G))-I||2
式中，I表示真实样本，||·||2表示矩阵的2范数，G(z；θ(G))表示生成器的生 成样本。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存 储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面 所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括： 处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从 所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任 一方面所述的方法。
从而，本发明首先通过变分自编码器对预先构建的综合能源计量样本 数据库中的综合能源计量数据进行特征提取，得到编码后的数据特征。然 后将数据特征输入生成对抗网络，进行生成对抗网络的生成器与判别器的 对抗训练，直至所述生成对抗网络生成的数据满足真实性约束与相似性约 束。最后在生成对抗网络生成的数据满足真实性约束与相似性约束时，将 生成对抗网络生成的数据确定为综合能源计量仿真数据，根据所述综合能 源计量仿真数据得到生成的综合能源计量仿真数据库。因此，本发明可以 有效生成综合能源计量场景下的仿真数据，解决进行大规模综合能源计量 在线仿真过程中用户数据问题，为大规模综合能源计量仿真实时提供完整、 充足的数据。通过实施本发明所提供的综合能源计量仿真数据生成方法， 可以实现大规模综合能源计量仿真中基础数据的合理生成，提高仿真过程 的数据产生的合理性，进而提高综合能源仿真的效率和效果。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的综合能源计量仿真数据生成方法 的流程示意图；
图2是本发明一示例性实施例提供的综合能源计量仿真数据生成流程 图；
图3是本发明一示例性实施例提供的数据生成模型的框架图；
图4是本发明一示例性实施例提供的生成数据与真实数据的效果图；
图5是本发明一示例性实施例提供的综合能源计量仿真数据生成装置 的结构示意图；
图6是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描 述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例， 应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步 骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等 术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义， 也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至 少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没 有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或 多个。
另外，本发明中术语“和/或”，仅仅是一种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。另外，本发明中字符“/”，一般表 示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不 同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并 不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作 为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨 论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一 旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步 讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备， 其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设 备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计 算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计 算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、 机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计 算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行 的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序 模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们 执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在 分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络 链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于 包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的综合能源计量仿真数据生成方法 的流程示意图。本实施例可应用在电子设备上，如图1所示，综合能源计 量仿真数据生成方法100包括以下步骤：
步骤101，通过变分自编码器对预先构建的综合能源计量样本数据库 中的综合能源计量数据进行特征提取，得到编码后的数据特征。
在本发明实施例中，综合能源计量仿真数据的生成流程如图2所示。 参见图2所示，在进行特征提取之间，需要预先根据现有的综合能源计量 数据，构建综合能源计量样本数据库(对应于图2中的训练样本集)。其中， 本发明所提及的变分自编码器对应于图2中的VAE，生成对抗网络对应于 图2中的WGAN。
可选地，基于综合能源计量仿真数据的数据生成模型的架构如图3所 示。参照图3所示，数据生成模型由变分自编码器、生成对抗网络的生成 器与判别器构成。
可选地，数据生成模型中网络隐藏层的输出以高斯方式不同，网络隐 藏层的输出式为：
Figure BDA0003372751400000081
式中，Disl(x)为网络第l个隐含层，E为单位矩阵，
Figure BDA0003372751400000082
为生成器的输出数 据，p(Disl(x)|z)为在隐变量z的条件下第l个隐含层的输出概率，N(·,·)表示二 项分布；
最大化期望Eq(z|x)[logp(x|z)]等价于最大似然估计，用Eq(z|x)[logp(Disl(x)|z)]替 代，故数据生成模型中变分自编码器的目标函数为：
max[γ1·Eq(z|x)[logp(Disl(x)|z)]-DKL(q(z|x)|p(z))]
式中，γ1为权重参数，DKL(q(z|x)|p(z))表示近似的后验概率分布和先验分 布之间的KL散度；
步骤102，将数据特征输入生成对抗网络，进行生成对抗网络的生成 器与判别器的对抗训练，直至所述生成对抗网络生成的数据满足真实性约 束与相似性约束；
可选地，数据生成模型中生成对抗网络的生成器的目标函数为：
Figure BDA0003372751400000083
式中，γ2为权重参数，
Figure BDA0003372751400000084
为经编码器重构后的数据；
Figure BDA0003372751400000085
为生成器的输出 数据；D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure BDA0003372751400000091
式中，
Figure BDA0003372751400000092
为经编码器重构后的数据，
Figure BDA0003372751400000093
为生成器的输出数据，D(·)为判 别器判别为真的概率，E为单位矩阵。
步骤103，在所述生成对抗网络生成的数据满足真实性约束与相似性 约束时，将所述生成对抗网络生成的数据确定为综合能源计量仿真数据， 根据所述综合能源计量仿真数据得到生成的综合能源计量仿真数据库。
可选地，数据生成模型中生成对抗网络的生成器的目标函数为：
Figure BDA0003372751400000094
式中，γ2表示，
Figure BDA0003372751400000095
为经编码器重构后的数据；
Figure BDA0003372751400000096
为生成器的输出数据； D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure BDA0003372751400000097
式中，
Figure BDA0003372751400000098
为经编码器重构后的数据，
Figure BDA0003372751400000099
为生成器的输出数据，D(·)为判 别器判别为真的概率，E为单位矩阵。
可选地，通过以下步骤训练生成对抗网络的生成器和判别器：
通过生成器生成样本集，该样本为假标签，与输入的真实样本一起作 为判别器A的训练集；
将训练好的判别器A参数迁移到反方的判别器B，利用生成的样本集 与训练集中真实样本构建的混合样本对判别器B进行训练，更新网络参数， 使判别器A无法分辨是真实样本还是生成样本；
重复上述两个过程，直至判别器A与判别器B都无法分辨样本的真假， 得到生成的综合能源计量仿真数据。
可选地，用于判断生成对抗网络生成的数据是否满足真实性约束与相 似性约束的约束条件为：
真实性损失Lr定义为：
Lr＝W(G(z；θ(G))；θ(D))
式中，θ(G)表示生成参数，θ(D)表示判别参数，G(z；θ(G))表示生成器的生成 样本，W(～；θ(D))表示生成样本与判别样本之间的Wasserstein距离；
相似性损失Ls定义为：
Ls＝||G(z；θ(G))-I||2
式中，I表示真实样本，||·||2表示矩阵的2范数，G(z；θ(G))表示生成器的生 成样本。
在本发明实施例中，以综合能源计量场景中的用户功率数据为例，通 过上述综合能源计量仿真数据生成流程，生成仿真数据，其生成数据与真 实数据的效果图如图4所示。
从而，本发明首先根据现有的综合能源计量数据，构建综合能源计量 样本数据库，然后通过变分自编码器对综合能源计量样本数据库中的综合 能源计量数据进行特征提取，得到编码后的数据特征，其次将数据特征输 入生成对抗网络，进行生成对抗网络的生成器与判别器的对抗训练，再其 次判断生成对抗网络生成的数据是否满足真实性约束与相似性约束，最后 在生成对抗网络生成的数据满足真实性约束与相似性约束时，将生成对抗 网络生成的数据确定为综合能源计量仿真数据，根据所述综合能源计量仿 真数据得到生成的综合能源计量仿真数据库。因此，本发明可以有效生成 综合能源计量场景下的仿真数据，解决进行大规模综合能源计量在线仿真 过程中用户数据问题，为大规模综合能源计量仿真实时提供完整、充足的 数据。通过实施本发明所提供的综合能源计量仿真数据生成方法，可以实 现大规模综合能源计量仿真中基础数据的合理生成，提高仿真过程的数据产生的合理性，进而提高综合能源仿真的效率和效果。
示例性系统
图5是本发明一示例性实施例提供的综合能源计量仿真数据生成装置 的结构示意图。如图5所示，装置500包括：
特征提取模块510，用于通过变分自编码器对预先构建的综合能源计 量样本数据库中的综合能源计量数据进行特征提取，得到编码后的数据特 征；
对抗训练模块520，用于将数据特征输入生成对抗网络，进行生成对 抗网络的生成器与判别器的对抗训练，直至所述生成对抗网络生成的数据 满足真实性约束与相似性约束；
仿真数据生成模块530，用于在生成对抗网络生成的数据满足真实性 约束与相似性约束时，将生成对抗网络生成的数据确定为综合能源计量仿 真数据，根据所述综合能源计量仿真数据得到生成的综合能源计量仿真数 据库。
可选地，由变分自编码器、生成对抗网络的生成器与判别器构成综合 能源计量仿真数据的数据生成模型。
可选地，数据生成模型中网络隐藏层的输出以高斯方式不同，网络隐 藏层的输出式为：
Figure BDA0003372751400000111
式中，Disl(x)为网络第l个隐含层，E为单位矩阵，
Figure RE-GDA0003601160460000112
为生成器的输出数 据，p(Disl(x)|z)为在隐变量z的条件下第l个隐含层的输出概率，N(·,·)表示二 项分布；
最大化期望Eq(z|x)[logp(x|z)]等价于最大似然估计，用Eq(z|x)[logp(Disl(x)|z)]替 代，故数据生成模型中变分自编码器的目标函数为：
max[γ1·Eq(z|x)[logp(Disl(x)|z)]-DKL(q(z|x)|p(z))]
式中，γ1为权重参数，DKL(q(z|x)|p(z))表示近似的后验概率分布和先验分 布之间的KL散度；
数据生成模型中生成对抗网络的生成器的目标函数为：
Figure BDA0003372751400000113
式中，γ2为权重参数，
Figure BDA0003372751400000114
为经编码器重构后的数据；
Figure BDA0003372751400000115
为生成器的输出 数据；D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure BDA0003372751400000116
式中，
Figure BDA0003372751400000117
为经编码器重构后的数据，
Figure BDA0003372751400000118
为生成器的输出数据，D(·)为判 别器判别为真的概率，E为单位矩阵。
可选地，对抗训练模块520具体用于：
通过生成器生成样本集，该样本为假标签，与输入的真实样本一起作 为判别器A的训练集；
将训练好的判别器A参数迁移到反方的判别器B，利用生成的样本集 与训练集中真实样本构建的混合样本对判别器B进行训练，更新网络参数， 使判别器A无法分辨是真实样本还是生成样本；
重复上述两个过程，直至判别器A与判别器B都无法分辨样本的真假， 得到生成的综合能源计量仿真数据。
可选地，仿真数据生成模块530具体用于判断生成对抗网络生成的数 据是否满足真实性约束与相似性约束的约束条件为：
真实性损失Lr定义为：
Lr＝W(G(z；θ(G))；θ(D))
式中，θ(G)表示生成参数，θ(D)表示判别参数，G(z；θ(G))表示生成器的生成 样本，W(～；θ(D))表示生成样本与判别样本之间的Wasserstein距离；
相似性损失Ls定义为：
Ls＝||G(z；θ(G))-I||2
式中，I表示真实样本，||·||2表示矩阵的2范数，G(z；θ(G))表示生成器的生 成样本。
本发明的实施例的综合能源计量仿真数据生成装置500与本发明的另 一个实施例的综合能源计量仿真数据生成方法100相对应，在此不再赘述。
示例性电子设备
图6是本发明一示例性实施例提供的电子设备的结构。该电子设备可 以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备， 该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到 的输入信号。图6图示了根据本发明实施例的电子设备的框图。如图6所 示，电子设备60包括一个或多个处理器61和存储器62。
处理器61可以是中央处理单元(CPU)或者具有数据处理能力和/或 指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组 件以执行期望的功能。
存储器62可以包括一个或多个计算机程序产品，所述计算机程序产品 可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失 性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/ 或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存 储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一 个或多个计算机程序指令，处理器61可以运行所述程序指令，以实现上文 所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的 方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输 入系统63和输出系统64，这些组件通过总线系统和/或其他形式的连接机 构(未示出)互连。
此外，该输入系统63还可以包括例如键盘、鼠标等等。
该输出系统64可以向外部输出各种信息。该输出设备64可以包括例 如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等 等。
当然，为了简化，图6中仅示出了该电子设备中与本发明有关的组件 中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据 具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品， 其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述 处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实 施例的对历史变更记录进行信息挖掘的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编 写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对 象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语 言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户 计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、 部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算 设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计 算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执 行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对 历史变更记录进行信息挖掘的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。 可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以 包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件， 或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包 括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或 闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁 存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是， 在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些 优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开 的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节 并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明 的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互 参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描 述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例 子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配 置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这 些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的 词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下 文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”， 且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬 件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。 用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤 不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实 施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用 于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于 执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤 是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效 方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出 或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常 显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发 明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在 此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将 本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方 面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添 加和子组合。

Claims (12)

1.一种综合能源计量仿真数据生成方法，其特征在于，包括：
通过变分自编码器对预先构建的综合能源计量样本数据库中的综合能源计量数据进行特征提取，得到编码后的数据特征；
将数据特征输入生成对抗网络，进行所述生成对抗网络的生成器与判别器的对抗训练，直至所述生成对抗网络生成的数据满足真实性约束与相似性约束；
在所述生成对抗网络生成的数据满足真实性约束与相似性约束时，将生成对抗网络生成的数据确定为综合能源计量仿真数据，根据所述综合能源计量仿真数据得到生成的综合能源计量仿真数据库。
2.根据权利要求1所述的方法，其特征在于，由变分自编码器、生成对抗网络的生成器与判别器构成综合能源计量仿真数据的数据生成模型。
3.根据权利要求2所述的方法，其特征在于，所述数据生成模型中网络隐藏层的输出以高斯方式不同，并且网络隐藏层的输出式为：
Figure FDA0003372751390000014
式中，Disl(x)为网络第l个隐含层，E为单位矩阵，
Figure FDA0003372751390000015
为生成器的输出数据，p(Disl(x)|z)为在隐变量z的条件下第l个隐含层的输出概率，N(·,·)表示二项分布；
最大化期望Eq(z|x)[logp(x|z)]等价于最大似然估计，用Eq(z|x)[logp(Disl(x)|z)]替代，故数据生成模型中变分自编码器的目标函数为：
max[γ1·Eq(z|x)[logp(Disl(x)|z)]-DKL(q(z|x)|p(z))]
式中，γ1为权重参数，DKL(q(z|x)|p(z))表示近似的后验概率分布和先验分布之间的KL散度；
数据生成模型中生成对抗网络的生成器的目标函数为：
Figure FDA0003372751390000011
式中，γ2为权重参数，
Figure FDA0003372751390000012
为经编码器重构后的数据；
Figure FDA0003372751390000032
为生成器的输出数据；D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure FDA0003372751390000021
式中，
Figure FDA0003372751390000022
为经编码器重构后的数据，
Figure FDA0003372751390000015
为生成器的输出数据，D(·)为判别器判别为真的概率，E为单位矩阵。
4.根据权利要求1所述的方法，其特征在于，通过以下步骤训练生成对抗网络的生成器和判别器：
通过生成器生成样本集，该样本为假标签，与输入的真实样本一起作为判别器A的训练集；
将训练好的判别器A参数迁移到反方的判别器B，利用生成的样本集与训练集中真实样本构建的混合样本对判别器B进行训练，更新网络参数，使判别器A无法分辨是真实样本还是生成样本；
重复上述两个过程，直至判别器A与判别器B都无法分辨样本的真假，得到生成的综合能源计量仿真数据。
5.根据权利要求1所述的方法，其特征在于，用于判断生成对抗网络生成的数据是否满足真实性约束与相似性约束的约束条件为：
真实性损失Lr定义为：
Lr＝W(G(z；θ(G))；θ(D))
式中，θ(G)表示生成参数，θ(D)表示判别参数，G(z；θ(G))表示生成器的生成样本，W(～；θ(D))表示生成样本与判别样本之间的Wasserstein距离；
相似性损失Ls定义为：
Ls＝||G(z；θ(G))-I||2
式中，I表示真实样本，||·||2表示矩阵的2范数，G(z；θ(G))表示生成器的生成样本。
6.一种综合能源计量仿真数据生成装置，其特征在于，包括：
特征提取模块，用于通过变分自编码器的编码器对预先构建的综合能源计量样本数据库中的综合能源计量数据进行特征提取，得到编码后的数据特征；
对抗训练模块，用于将数据特征输入生成对抗网络，进行所述生成对抗网络的生成器与判别器的对抗训练，直至所述生成对抗网络生成的数据满足真实性约束与相似性约束；
仿真数据生成模块，用于在所述生成对抗网络生成的数据满足真实性约束与相似性约束时，将所述生成对抗网络生成的数据确定为综合能源计量仿真数据，根据所述综合能源计量仿真数据得到生成的综合能源计量仿真数据库。
7.根据权利要求6所述的装置，其特征在于，由变分自编码器、生成对抗网络的生成器与判别器构成综合能源计量仿真数据的数据生成模型。
8.根据权利要求7所述的装置，其特征在于，所述数据生成模型中网络隐藏层的输出以高斯方式不同，并且网络隐藏层的输出式为：
Figure FDA0003372751390000031
式中，Disl(x)为网络第l个隐含层，E为单位矩阵，
Figure FDA0003372751390000032
为生成器的输出数据，p(Disl(x)|z)为在隐变量z的条件下第l个隐含层的输出概率，N(·,·)表示二项分布；
最大化期望Eq(z|x)[logp(x|z)]等价于最大似然估计，用Eq(z|x)[logp(Disl(x)|z)]替代，故数据生成模型中变分自编码器的目标函数为：
max[γ1·Eq(z|x)[logp(Disl(x)|z)]-DKL(q(z|x)|p(z))]
式中，γ1为权重参数，DKL(q(z|x)|p(z))表示近似的后验概率分布和先验分布之间的KL散度；
数据生成模型中生成对抗网络的生成器的目标函数为：
Figure FDA0003372751390000033
式中，γ2为权重参数，
Figure FDA0003372751390000034
为经编码器重构后的数据；
Figure FDA0003372751390000032
为生成器的输出数据；D(·)为判别器判别为真的概率；
数据生成模型中生成对抗网络的判别器的目标函数为：
Figure FDA0003372751390000036
式中，
Figure FDA0003372751390000037
为经编码器重构后的数据，
Figure FDA0003372751390000038
为生成器的输出数据，D(·)为判别器判别为真的概率，E为单位矩阵。
9.根据权利要求6所述的装置，其特征在于，所述对抗训练模块具体用于：
通过生成器生成样本集，该样本为假标签，与输入的真实样本一起作为判别器A的训练集；
将训练好的判别器A参数迁移到反方的判别器B，利用生成的样本集与训练集中真实样本构建的混合样本对判别器B进行训练，更新网络参数，使判别器A无法分辨是真实样本还是生成样本；
重复上述两个过程，直至判别器A与判别器B都无法分辨样本的真假，得到生成的综合能源计量仿真数据。
10.根据权利要求6所述的装置，其特征在于，所述仿真数据生成模块具体用于判断所述生成对抗网络生成的数据是否满足真实性约束与相似性约束的约束条件为：
真实性损失Lr定义为：
Lr＝W(G(z；θ(G))；θ(D))
式中，θ(G)表示生成参数，θ(D)表示判别参数，G(z；θ(G))表示生成器的生成样本，W(～；θ(D))表示生成样本与判别样本之间的Wasserstein距离；
相似性损失Ls定义为：
Ls＝||G(z；θ(G))-I||2
式中，I表示真实样本，||·||2表示矩阵的2范数，G(z；θ(G))表示生成器的生成样本。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5任一所述的方法。
12.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-5任一所述的方法。
CN202111405692.4A 2021-11-24 2021-11-24 综合能源计量仿真数据生成方法、装置和存储介质 Active CN114880915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111405692.4A CN114880915B (zh) 2021-11-24 2021-11-24 综合能源计量仿真数据生成方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111405692.4A CN114880915B (zh) 2021-11-24 2021-11-24 综合能源计量仿真数据生成方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN114880915A true CN114880915A (zh) 2022-08-09
CN114880915B CN114880915B (zh) 2024-09-27

Family

ID=82667560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111405692.4A Active CN114880915B (zh) 2021-11-24 2021-11-24 综合能源计量仿真数据生成方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN114880915B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409694A (zh) * 2022-11-03 2022-11-29 季华实验室 语义引导的缺陷图像生成方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145080A (zh) * 2019-12-02 2020-05-12 北京达佳互联信息技术有限公司 一种图像生成模型的训练方法、图像生成方法及装置
CN111950868A (zh) * 2020-07-28 2020-11-17 国网电力科学研究院有限公司 一种基于生成对抗网络的综合能源系统负荷场景生成方法
WO2020239208A1 (en) * 2019-05-28 2020-12-03 Toyota Motor Europe Method and system for training a model for image generation
CN112489168A (zh) * 2020-12-16 2021-03-12 中国科学院长春光学精密机械与物理研究所 一种图像数据集生成制作方法、装置、设备及存储介质
DE102021109501A1 (de) * 2020-04-15 2021-10-21 Nvidia Corporation Durch erzeugendes gegnerisches neuronales netzwerk unterstützte videorekonstruktion
CN113569928A (zh) * 2021-07-13 2021-10-29 湖南工业大学 一种列车运行状态检测数据缺失处理模型及重建的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020239208A1 (en) * 2019-05-28 2020-12-03 Toyota Motor Europe Method and system for training a model for image generation
CN111145080A (zh) * 2019-12-02 2020-05-12 北京达佳互联信息技术有限公司 一种图像生成模型的训练方法、图像生成方法及装置
DE102021109501A1 (de) * 2020-04-15 2021-10-21 Nvidia Corporation Durch erzeugendes gegnerisches neuronales netzwerk unterstützte videorekonstruktion
CN111950868A (zh) * 2020-07-28 2020-11-17 国网电力科学研究院有限公司 一种基于生成对抗网络的综合能源系统负荷场景生成方法
CN112489168A (zh) * 2020-12-16 2021-03-12 中国科学院长春光学精密机械与物理研究所 一种图像数据集生成制作方法、装置、设备及存储介质
CN113569928A (zh) * 2021-07-13 2021-10-29 湖南工业大学 一种列车运行状态检测数据缺失处理模型及重建的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈文兵;管正雄;陈允杰;: "基于条件生成式对抗网络的数据增强方法", 计算机应用, no. 11, 10 November 2018 (2018-11-10) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409694A (zh) * 2022-11-03 2022-11-29 季华实验室 语义引导的缺陷图像生成方法、装置、设备及存储介质
CN115409694B (zh) * 2022-11-03 2023-01-13 季华实验室 语义引导的缺陷图像生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114880915B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN111523677B (zh) 实现对机器学习模型的预测结果进行解释的方法及装置
CN113011889B (zh) 账号异常识别方法、系统、装置、设备及介质
CN104574192A (zh) 在多个社交网络中识别同一用户的方法及装置
CN112070545B (zh) 用于优化信息触达的方法、装置、介质和电子设备
JP7430816B2 (ja) 異常行為検出方法、装置、電子機器及びコンピュータプログラム
CN112256879B (zh) 信息处理方法和装置、电子设备和计算机可读存储介质
Han et al. Accurate differentially private deep learning on the edge
CN114880915A (zh) 综合能源计量仿真数据生成方法、装置和存储介质
CN111190967A (zh) 用户多维度数据处理方法、装置及电子设备
CN113010791B (zh) 搜索结果展示处理方法、装置及计算机可读存储介质
CN112887371B (zh) 边缘计算方法、装置、计算机设备及存储介质
CN113379124A (zh) 基于预测模型的人员稳定性预测方法及装置
CN117892156A (zh) 一种风险检测方法、装置、电子设备及存储介质
CN112116159A (zh) 信息交互方法、装置、计算机可读存储介质及电子设备
CN117217684A (zh) 指标数据的处理方法、装置、计算机设备及存储介质
CN113568739B (zh) 用户资源额度分配方法、装置及电子设备
CN115578170A (zh) 一种财务批量制证方法、装置、设备及存储介质
US20210182710A1 (en) Method and system of user identification by a sequence of opened user interface windows
CN110851655B (zh) 一种用于简化复杂网络的方法和系统
CN112348661A (zh) 基于用户行为轨迹的服务策略分配方法、装置及电子设备
CN112950003A (zh) 用户资源配额调整方法、装置及电子设备
CN112801226A (zh) 数据筛选方法和装置、计算机可读存储介质、电子设备
KR20210024748A (ko) Gan을 이용한 문서형 악성코드 탐지 장치 및 방법
CN112347371B (zh) 基于社交文本信息的资源归还增比方法、装置和电子设备
Yu et al. The Technical Design and Implementation of Cross-Platform Industrial Product Order System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant