CN115688982B - 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 - Google Patents
基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 Download PDFInfo
- Publication number
- CN115688982B CN115688982B CN202211249097.0A CN202211249097A CN115688982B CN 115688982 B CN115688982 B CN 115688982B CN 202211249097 A CN202211249097 A CN 202211249097A CN 115688982 B CN115688982 B CN 115688982B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- representing
- optimization algorithm
- photovoltaic
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000295 complement effect Effects 0.000 title claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims description 2
- 230000002411 adverse Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法包括:获取楼宇屋顶历史光伏出力数据并对数据进行预处理,利用CNN卷积神经网络搭建GAN生成对抗网络;利用二值掩码矩阵来描述预处理后的数据的缺失值位置,设置Wasserstein距离来定义GAN生成器和判别器的损失函数;将损失函数作为适应度函数,通过鲸鱼优化算法优化GAN生成器的输入并获取最佳备选样本;通过融合最佳的备选样本和经过二值掩码矩阵处理过的光伏数据,得到补全重构后的样本;本发明通过对光伏负荷数据进行数据预处理、特征学习以及算法优化这三方面的处理,可以更有效地提高补全精度,优化随机噪声,去除不利影响成分,更准确的为楼宇屋顶光伏数据补全提供服务。
Description
技术领域
本发明涉及深度学习光伏数据补全技术领域,具体为基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法。
背景技术
近年来,基于我国“碳达峰”和“碳中和”政策的落实,新能源相关产业特别是光伏产业得到进一步发展,截止2021年底我国光伏装机容量超过3亿千瓦,同比增长20.9%,展现出巨大的发展前景,随着大规模的光伏设备并入电网,关于光伏预测以及其它与光伏并网相关的各项技术的研究也不断深入。
在进行光伏预测的过程中,完整且优质的历史光伏数据至关重要,历史光伏数据的质量极大的影响了光伏预测的结果,因此间接影响着光伏并网;但是在实际情况中,可能由于设备故障、人为疏忽和气候干扰等各种因素导致数据缺失的情况,使得监测到的光伏数据并不能满足光伏预测的要求,因此对光伏数据缺失进行补全的相关技术对于光伏大规模入网具有重要意义。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有光伏数据缺失补全技术,计算复杂度高、补全准确率低、适用光伏数据普适性低的问题。
为解决上述技术问题,本发明提供如下技术方案:基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,包括:获取楼宇屋顶历史光伏出力数据并对所述数据进行预处理,利用CNN卷积神经网络搭建GAN生成对抗网络;利用二值掩码矩阵来描述所述预处理后的数据的缺失值位置,设置Wasserstein距离来定义GAN生成器和判别器的损失函数;将所述损失函数作为适应度函数,通过鲸鱼优化算法优化所述GAN生成器的输入并获取最佳备选样本;通过融合所述最佳备选样本和经过所述二值掩码矩阵处理过的光伏数据,得到补全重构后的样本。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述楼宇屋顶历史光伏出力数据包括以30min为采样频率以一年为时间长度的时间序列。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述预处理的过程包括,
将长时间序列切割,分离出日负荷时间序列;
利用分离出来的日负荷时间序列形成1*T*n张量,T表示时间步长,n表示特征数量;
对所述日负荷时间序列进行归一化处理。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述CNN卷积神经网络的构建包括,
将所述预处理后的屋顶光伏数据输入到卷积层进行特征提取;
通过sigmoid激活函数对所述卷积层的输出进行非线性映射,将输入映射到[0,1]之间;
将所述激活函数的输出输入到池化层并对特征数据进行降维处理。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述GAN生成对抗网络的搭建包括,
生成器和判别器的损失的计算包括,
其中,G表示生成器,D表示判别器,V(D,G)表示生成样本分布和真实样本分布的差异程度,E(·)表示分布函数数学期望,G(·)表示生成器输出,z表示符合正态分布的随机噪声,Pf表示生成样本分布,D(·)表示判别器输出,x表示真实样本,Pr表示真实样本分布;
将所述GAN生成对抗网络的训练过程转化为数学模型,即损失函数的计算包括,
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述二值掩码矩阵的构建包括,
所述二值掩码矩阵由0和1组成,0表示位置有缺失值,1表示位置完整;
通过将构建好的二值掩码矩阵和完整的测试样本进行Hadamard运算,来描述缺失位置,从而得到包含缺失值的样本x′。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述GAN生成器和判别器的损失函数的计算包括,
其中,LossG表示生成器损失函数,LossD表示判别器损失函数,k和p表示惩罚项参数,表示真假样本的随机插值,Pu表示/>的样本分布。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述鲸鱼优化算法包括包围猎物、泡网攻击和搜索猎物;
所述包围猎物的计算包括,
其中,t表示迭代次数,和/>表示系数向量,/>表示随机向量,/>表示当前位置最优解的位置向量,/>表示猎物当前位置;
所述泡网攻击的计算包括,
其中,表示鲸鱼和猎物之间的距离,b表示螺旋常数,l表示[0,1]区间内的一个随机数;
所述搜索猎物的计算包括,
其中,表示鲸群中头鲸的位置向量。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:所述最佳备选样本的获取包括,
定义备选样本和重构样本的真实性损失;
通过欧式距离定义所述备选样本和缺失值样本未缺失部分的相似程度,从而得到总损失;
通过所述鲸鱼优化算法优化所述GAN生成器的输入并获取最佳备选样本。
作为本发明所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的一种优选方案,其中:还包括,
将所述最佳备选样本与1减去二值掩码矩阵的值进行Hadamard运算,得到的结果与经过所述二值掩码矩阵处理过的光伏数据相加,从而获得补全重构后的样本。
本发明的有益效果:本发明针对电力负荷的影响因素,利用生成对抗网络对历史光伏数据的时序特征以及时序内部变化规律进行学习,而且利用鲸鱼优化算法对输入噪声进行优化,实现对备选样本的最佳处理,通过对光伏负荷数据进行数据预处理、特征学习以及算法优化这三方面的处理,可以更有效地提高补全精度,优化随机噪声,去除不利影响成分,更准确的为楼宇屋顶光伏数据补全提供服务。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的整体流程图;
图2为本发明一个实施例提供的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法中鲸鱼优化算法的寻优过程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~2为本发明的一个实施例,提供了基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,包括:
S1:获取楼宇屋顶历史光伏出力数据并对数据进行预处理,利用CNN卷积神经网络搭建GAN生成对抗网络。需要说明的是:
采集的楼宇屋顶历史光伏出力数据包括以30min为采样频率以一年为时间长度的时间序列;
进一步的,对楼宇屋顶历史光伏出力数据进行预处理的过程包括,
将长时间序列切割,分离出日负荷时间序列;
利用分离出来的日负荷时间序列形成1*T*n张量,T表示时间步长,n表示特征数量;
对日负荷时间序列进行归一化处理,归一化处理的计算包括,
其中,Xn表示归一化后数据,X表示数据集原始数据,Xmin表示数据集中数据最小值,Xmax表示数据集中数据最大值;
应说明的,线性归一化方法对原始数据进行线性变化,将原始数据映射到0到1之间的范围,实现了数据的等比缩放,这样就可以得到处理后的楼宇屋顶光伏设备对应的预测时间段的要素数据,并且通过前置处理后的数据更干净;
再进一步的,CNN卷积神经网络的构建包括,
将预处理后的屋顶光伏数据输入到卷积层进行特征提取;
通过sigmoid激活函数对卷积层的输出进行非线性映射,将输入映射到[0,1]之间,激活函数的计算包括,
其中,h(x)表示激活函数的输出,x表示激活函数的输入;
将激活函数的输出输入到池化层并对特征数据进行降维处理;
应说明的,特征数据的降维处理是将输入到池化层的数据划分为若干矩形区域,对每个矩形区域输出最大值,通过减小参数数量和计算量,实现降维;
更进一步的,搭建GAN生成对抗网络包括,
生成器和判别器的损失的计算包括,
其中,G表示生成器,D表示判别器,V(D,G)表示生成样本分布和真实样本分布的差异程度,E(·)表示分布函数数学期望,G(·)表示生成器输出,z表示符合正态分布的随机噪声,Pf表示生成样本分布,D(·)表示判别器输出,x表示真实样本,Pr表示真实样本分布;
将GAN生成对抗网络的训练过程转化为数学模型,即损失函数的计算包括,
应说明的,生成器包含1个全连接层、1个反卷积层和2个卷积层,判别器包括全连接层和3个卷积层,生成器的输入为噪声z输出为生成样本,判别器的输入为生成样本和真实样本,输出为1维的判别结果。
S2:利用二值掩码矩阵来描述预处理后的数据的缺失值位置,设置Wasserstein距离来定义GAN生成器和判别器的损失函数。需要说明的是:
构建由0和1组成的二值掩码矩阵,0表示位置有缺失值,1表示位置完整,通过将构建好的二值掩码矩阵和完整的测试样本进行Hadamard运算,来描述缺失位置,从而得到包含缺失值的样本x′;
进一步的,设置Wasserstein距离来定义GAN生成器和判别器的损失函数,损失函数的计算包括,
其中,LossG表示生成器损失函数,LossD表示判别器损失函数,k和p表示惩罚项参数,此处设置k=2,p=6,表示真假样本的随机插值,表示为/>a∈[0,1],Pu表示/>的样本分布。
S3:将损失函数作为适应度函数,通过鲸鱼优化算法优化GAN生成器的输入并获取最佳备选样本。需要说明的是:
鲸鱼优化算法模拟了取食策略达到优化目的,参照图2鲸鱼优化算法的步骤包括,
包围猎物的计算包括,
其中,t表示迭代次数,和/>表示系数向量,/>表示随机向量,/>表示当前位置最优解的位置向量,/>表示猎物当前位置;
和/>的计算包括,
其中,表示系数向量,/>的值线性地从2逐渐下降到0,/>和/>表示[0,1]区间内的一个随机向量,Tmαx表示最大迭代次数;
泡网攻击的计算包括,
其中,表示鲸鱼和猎物之间的距离,b表示螺旋常数,l表示[0,1]区间内的一个随机数;
假定以pi的概率进行收缩包围,1-pi的概率进行螺旋靠近,此处pi设为0.5,则最优解的位置向量的计算包括,
搜索猎物的计算包括,
其中,表示鲸群中头鲸的位置向量;
进一步的,最佳备选样本的获取包括,
定义备选样本和重构样本的真实性损失,公式如下,
L1=D(G(z))
Y=x′+(1-M)⊙G(z)
L2=D(Y)
其中,L1表示备选样本真实性损失,G(z)表示重构备选样本,Y表示用备选样本补充缺失值的重构样本,x′表示经过二值掩码矩阵处理过得包含缺失值的样本,M表示二值掩码矩阵,L2表示重构样本真实性损失;
通过欧式距离定义备选样本和缺失值样本未缺失部分的相似程度,从而得到总损失,总损失的计算包括,
Ls=||x′,M⊙G(z)||2
Ltotal=Ls+λ1L1+λ2L2
其中,Ls表示用来衡量备选样本和缺失值样本未缺失部分相似程度的损失,||·||2表示取欧氏距离,Ltotal表示定义的总损失,λ1表示自定义的参数用来平衡L1,λ2表示自定义的参数用来平衡L2;
通过鲸鱼优化算法优化GAN生成器的输入并获取最佳备选样本G′(z),得到优化后的重构样本Y′=x′+(1-M)⊙G′(z)。
S4:通过融合最佳备选样本和经过二值掩码矩阵处理过的光伏数据,得到补全重构后的样本。需要说明的是:
将最佳备选样本与1减去二值掩码矩阵的值进行Hadamard运算,得到的结果与经过二值掩码矩阵处理过的光伏数据相加,从而获得补全重构的样本。
本发明针对电力负荷的影响因素,利用生成对抗网络对历史光伏数据的时序特征以及时序内部变化规律进行学习,而且利用鲸鱼优化算法对输入噪声进行优化,实现对备选样本的最佳处理,通过对光伏负荷数据进行数据预处理、特征学习以及算法优化这三方面的处理,可以更有效地提高补全精度,优化随机噪声,去除不利影响成分,更准确的为楼宇屋顶光伏数据补全提供服务。
实施例2
该实施例不同于第一个实施例的是,提供了基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的验证测试,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
选取南京市江宁区楼宇屋顶光伏短期功率预测,包含三家用户屋顶共365天数据,取30min为一个间隔,每日包含数据点数为48;根据实际选用的数据集,输入序列为0:00-11:59采样频率为30min的1*48*4光伏出力功率,其中1为通道数,48为时间步长,4为特征数量。
表1为基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法与传统PSO粒子群算法补全的性能对比示意图,可以看出本发明提供的方法所测试出的预测值更接近楼宇屋顶光伏短期功率的真实值,可以达到精准预测的目的。
表1:预测性能指标。
从表1可以看出本发明所提出的WGAN+鲸鱼优化算法的混合模型在均方根误差、平均绝对误差和拟合优度三个评估指标上都有着优异表现,说明基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法的补全结果更加准确、计算复杂度更低。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于,包括:
获取楼宇屋顶历史光伏出力数据并对所述数据进行预处理,利用CNN卷积神经网络搭建GAN生成对抗网络;
利用二值掩码矩阵来描述所述预处理后的数据的缺失值位置,设置Wasserstein距离来定义GAN生成器和判别器的损失函数;
将所述损失函数作为适应度函数,通过鲸鱼优化算法优化所述GAN生成器的输入并获取最佳备选样本;
通过融合所述最佳备选样本和经过所述二值掩码矩阵处理过的光伏数据,得到补全重构后的样本;
所述二值掩码矩阵由0和1组成,0表示位置有缺失值,1表示位置完整;
通过将构建好的二值掩码矩阵和完整的测试样本进行Hadamard运算,来描述缺失位置,从而得到包含缺失值的样本x';
所述GAN生成器和判别器的损失函数的计算包括,
其中,LossG表示生成器损失函数,LossD表示判别器损失函数,k和p表示惩罚项参数,表示真假样本的随机插值,Pu表示/>的样本分布;
所述鲸鱼优化算法包括包围猎物、泡网攻击和搜索猎物;
所述包围猎物的计算包括,
其中,t表示迭代次数,和/>表示系数向量,/>表示随机向量,/>表示当前位置最优解的位置向量,/>表示猎物当前位置;
所述泡网攻击的计算包括,
其中,表示鲸鱼和猎物之间的距离,b表示螺旋常数,l表示[0,1]区间内的一个随机数;
所述搜索猎物的计算包括,
其中,表示鲸群中头鲸的位置向量。
2.如权利要求1所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于:所述楼宇屋顶历史光伏出力数据包括以30min为采样频率以一年为时间长度的时间序列。
3.如权利要求2所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于:所述预处理的过程包括,
将长时间序列切割,分离出日负荷时间序列;
利用分离出来的日负荷时间序列形成1*T*n张量,T表示时间步长,n表示特征数量;
对所述日负荷时间序列进行归一化处理。
4.如权利要求3所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于:所述CNN卷积神经网络的构建包括,
将所述预处理后的屋顶光伏数据输入到卷积层进行特征提取;
通过sigmoid激活函数对所述卷积层的输出进行非线性映射,将输入映射到[0,1]之间;
将所述激活函数的输出输入到池化层并对特征数据进行降维处理。
5.如权利要求1~4任一所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于:所述GAN生成对抗网络的搭建包括,
生成器和判别器的损失的计算包括,
其中,G表示生成器,D表示判别器,V(D,G)表示生成样本分布和真实样本分布的差异程度,E(·)表示分布函数数学期望,G(·)表示生成器输出,z表示符合正态分布的随机噪声,Pf表示生成样本分布,D(·)表示判别器输出,x表示真实样本,Pr表示真实样本分布;
将所述GAN生成对抗网络的训练过程转化为数学模型,即损失函数的计算包括,
6.如权利要求1所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于:所述最佳备选样本的获取包括,
定义备选样本和重构样本的真实性损失;
通过欧式距离定义所述备选样本和缺失值样本未缺失部分的相似程度,从而得到总损失;
通过所述鲸鱼优化算法优化所述GAN生成器的输入并获取最佳备选样本。
7.如权利要求1所述的基于WGAN和鲸鱼优化算法的楼宇光伏数据补全方法,其特征在于:还包括,
将所述最佳备选样本与1减去二值掩码矩阵的值进行Hadamard运算,得到的结果与经过所述二值掩码矩阵处理过的光伏数据相加,从而获得补全重构后的样本。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211249097.0A CN115688982B (zh) | 2022-10-11 | 2022-10-11 | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 |
US18/146,346 US20240135138A1 (en) | 2022-10-11 | 2022-12-23 | Building photovoltaic data interpolation method based on wgan and whale optimization algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211249097.0A CN115688982B (zh) | 2022-10-11 | 2022-10-11 | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688982A CN115688982A (zh) | 2023-02-03 |
CN115688982B true CN115688982B (zh) | 2024-01-30 |
Family
ID=85064014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211249097.0A Active CN115688982B (zh) | 2022-10-11 | 2022-10-11 | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240135138A1 (zh) |
CN (1) | CN115688982B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933022B (zh) * | 2023-09-14 | 2024-01-23 | 国网江苏省电力有限公司苏州供电分公司 | 多源负载设备数据智能同步对齐预处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581262A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN114036861A (zh) * | 2021-10-25 | 2022-02-11 | 中国石油化工股份有限公司 | 基于infoGAN的三维温度场预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653142B (zh) * | 2020-12-18 | 2022-09-02 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
-
2022
- 2022-10-11 CN CN202211249097.0A patent/CN115688982B/zh active Active
- 2022-12-23 US US18/146,346 patent/US20240135138A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581262A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN114036861A (zh) * | 2021-10-25 | 2022-02-11 | 中国石油化工股份有限公司 | 基于infoGAN的三维温度场预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115688982A (zh) | 2023-02-03 |
US20240135138A1 (en) | 2024-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN113077097B (zh) | 一种基于深度时空相似性的空气质量预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
CN109784473A (zh) | 一种基于双时序特征学习的短期风功率预测方法 | |
CN115688982B (zh) | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN117117859B (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
CN112949895A (zh) | 一种基于动态可扩展神经网络模型的风速预测方法 | |
CN111539482B (zh) | 基于rbf核函数的空间多维风电功率数据降维及重构方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN115659191A (zh) | 基于集成聚类和频繁项集树的光-荷典型场景集生成方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN117056874A (zh) | 一种基于深度孪生自回归网络的无监督窃电检测方法 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN115660032B (zh) | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
Ma et al. | Anomaly Detection of Mountain Photovoltaic Power Plant Based on Spectral Clustering | |
CN116632842B (zh) | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 | |
CN111626468B (zh) | 一种基于有偏凸损失函数的光伏区间预测方法 | |
Li et al. | Research on Daily Load Curve Classification Based on Improved Fuzzy C-means Clustering Algorithm |
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 |