CN116737793A - 碳排放流生成方法、模型训练方法、装置和计算机设备 - Google Patents
碳排放流生成方法、模型训练方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116737793A CN116737793A CN202310623197.3A CN202310623197A CN116737793A CN 116737793 A CN116737793 A CN 116737793A CN 202310623197 A CN202310623197 A CN 202310623197A CN 116737793 A CN116737793 A CN 116737793A
- Authority
- CN
- China
- Prior art keywords
- model
- carbon emission
- training
- carbon
- sample set
- 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
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 314
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 311
- 238000012549 training Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000010168 coupling process Methods 0.000 claims abstract description 114
- 230000008878 coupling Effects 0.000 claims abstract description 113
- 238000005859 coupling reaction Methods 0.000 claims abstract description 113
- 238000007781 pre-processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种碳排放流生成方法、模型训练方法、装置和计算机设备。碳排放流生成方法包括：获取电碳耦合数据；将电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；碳排放流生成模型包括预处理模型和生成对抗模型，预处理模型用于根据电碳耦合数据进行预处理得到中间参数，生成对抗模型用于根据电碳耦合数据和中间参数输出碳排放流数据。采用本方法能够基于现有的电碳耦合数据进行扩增，提高数据质量。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种碳排放流生成方法、模型训练方法、装置和计算机设备。
背景技术
电力系统的碳排放流的评估方法是基于电力潮流和碳排放强度表征供电区域碳排放分布的有效方法，是作为支撑高质量、高精度以及高时效电碳耦合技术的重要基础，对促进电、碳、绿证、绿电等多市场体系之间的协同发展至关重要。
传统技术中对碳排放量的研究大多集中于单方面，例如对电力数据建模或是对碳排放监测模型进行优化。
然而，单方面研究导致对电碳耦合数据质量较为割裂，缺少电碳的耦合数据，限制了电碳耦合技术的发展。
发明内容
基于此，有必要针对上述技术问题，提供一种能够基于现有电碳耦合数据生成新的电碳耦合数据的碳排放流生成方法、模型训练方法、装置和计算机设备。
第一方面，本申请提供一种碳排放流生成方法。该方法包括：
获取电碳耦合数据；
将电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；碳排放流生成模型包括预处理模型和生成对抗模型，预处理模型用于根据电碳耦合数据进行预处理得到中间参数，生成对抗模型用于根据电碳耦合数据和中间参数输出碳排放流数据。
在其中一个实施例中，获取电碳耦合数据，包括：
获取电力的时序潮流断面信息和发电机组的碳排放强度；
将时序潮流断面信息和碳排放强度进行耦合，得到电碳耦合数据。
在其中一个实施例中，训练完成的碳排放流生成模型是根据以下方法训练得到的：
获取电碳耦合样本集；电碳耦合样本集包括第一样本集和第二样本集；
将第一样本集输入至预处理模型中进行训练，得到中间训练参数；
将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
在其中一个实施例中，生成对抗模型包括生成器和判别器；将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型，包括：
通过生成器根据随机噪声生成扩容样本；
通过判别器，基于中间训练参数对第二样本集和生成扩容样本进行迭代训练，直至生成对抗模型收敛，得到训练完成的碳排放流生成模型。
第二方面，本申请还提供一种碳排放流生成模型的训练方法。碳排放流生成模型包括预处理模型和生成对抗模型；该方法包括：
获取电碳耦合样本集；电碳耦合样本集包括第一样本集和第二样本集；
将第一样本集输入至预处理模型中进行训练，得到中间训练参数；
将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
在其中一个实施例中，生成对抗模型包括生成器和判别器；将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型，包括：
通过生成器根据随机噪声生成扩容样本；
通过判别器，基于中间训练参数对第二样本集和生成扩容样本进行迭代训练，直至生成对抗模型收敛，得到训练完成的碳排放流生成模型。
第三方面，本申请还提供一种碳排放流生成装置。该装置包括：
耦合数据获取模块，用于获取电碳耦合数据；
碳排放流获取模块，用于将电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；碳排放流生成模型包括预处理模型和生成对抗模型，预处理模型用于根据电碳耦合数据进行预处理得到中间参数，生成对抗模型用于根据电碳耦合数据和中间参数输出碳排放流数据。
第四方面，本申请还提供一种碳排放流生成模型的训练装置。碳排放流生成模型包括预处理模型和生成对抗模型；该装置包括：
样本集获取模块，用于获取电碳耦合样本集；电碳耦合样本集包括第一样本集和第二样本集；
预处理模型训练模块，用于将第一样本集输入至预处理模型中进行训练，得到中间训练参数；
生成对抗模型训练模块，用于将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
第五方面，本申请还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现碳排放流生成方法的步骤，或碳排放流生成模型的训练方法的步骤。
第六方面，本申请还提供了一种计算机可读存储介质。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碳排放流生成方法的步骤，或碳排放流生成模型的训练方法的步骤。
第七方面，本申请还提供了一种计算机程序产品。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碳排放流生成方法的步骤，或碳排放流生成模型的训练方法的步骤。
上述碳排放流生成方法、模型训练方法、装置和计算机设备，碳排放流生成模型包括预处理模型和生成对抗模型，获取电碳耦合数据后，将电碳耦合数据同时输入至预处理模型和生成对抗模型中。先由预处理模型对电碳耦合数据进行预处理，得到中间参数，再由生成对抗模型基于中间参数，根据电碳耦合数据生成新的碳排放流数据，从而实现对电碳耦合数据的扩增。通过对生成对抗模型增加预处理模型，将生成对抗模型中的参数进行预处理，优化生成对抗模型的收敛曲线，提高适用性，同时能够基于现有的电碳耦合数据进行扩增，提高数据质量。
附图说明
图1为一个实施例中碳排放流生成方法和碳排放流生成模型的训练方法的应用环境图；
图2为一个实施例中碳排放流生成方法的流程示意图；
图3为一个实施例中碳排放流生成模型的组成框图；
图4为另一个实施例中碳排放流生成方法的流程示意图；
图5为一个实施例中碳排放流生成模型的训练方法的流程示意图；
图6为一个实施例中碳排放流生成装置的结构框图；
图7为一个实施例中碳排放流生成模型的训练装置的结构框图；
图8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碳排放流生成方法和碳排放流生成模型的训练方法可以应用于如图1所示的应用环境中。其中，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。服务器104接收到碳排放流的生成请求后，生成碳排放流数据。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、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，提供了一种碳排放流生成方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤S202至S204：
S202，获取电碳耦合数据。
电碳耦合数据是将具有时序信息的电力潮流和碳排放强度经过耦合得到的，也称为电力-碳流耦合数据。
电碳耦合数据是一种用来描述电力系统和碳排放之间关系的数据。它反映了电力系统中的电力产生、输送和使用等过程对碳排放的影响。示意性地，电碳耦合数据可以包括电力系统发电能力和运行状况、电力系统负荷需求和使用情况以及碳排放强度和排放量等。
S204，将电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；碳排放流生成模型包括预处理模型和生成对抗模型，预处理模型用于根据电碳耦合数据进行预处理得到中间参数，生成对抗模型用于根据电碳耦合数据和中间参数输出碳排放流数据。
碳排放流生成模型包括预处理模型和生成对抗模型，用于根据电碳耦合数据输出碳排放流数据。电碳耦合数据可以同时输入至预处理模型和生成对抗模型中，预处理模型对电碳耦合数据进行预处理，输出中间参数，并将中间参数输入至生成对抗模型中。生成对抗模型根据中间参数对自身进行修正，并根据电碳耦合数据输出碳排放流数据。碳排放流数据可以与电碳耦合数据同类型，均是电力-碳流的耦合数据。
一般地，单一生成对抗模型在计算过程中容易出现模型坍缩、梯度消失的情况，影响输出结果。加入预处理模型后，预先对生成对抗模型中的部分参数进行预处理，再将训练好的参数输入至生成对抗模型中，优化生成对抗模型的收敛曲线和学习效能。
示意性地，预处理模型可以是TL(Transfer Learning，迁移学习)模块，生成对抗模型可以是GAN(Generative Adversarial Networks，生成对抗网络)模块，此时，碳排放流生成模型可表示为GAN-TL模型。
上述碳排放流生成方法中，碳排放流生成模型包括预处理模型和生成对抗模型，获取电碳耦合数据后，将电碳耦合数据同时输入至预处理模型和生成对抗模型中。先由预处理模型对电碳耦合数据进行预处理，得到中间参数，再由生成对抗模型基于中间参数，根据电碳耦合数据生成新的碳排放流数据，从而实现对电碳耦合数据的扩增。通过对生成对抗模型增加预处理模型，将生成对抗模型中的参数进行预处理，优化生成对抗模型的收敛曲线，提高适用性。同时，通过本实施例提供的方法能够基于现有的电碳耦合数据进行扩增，提高数据质量。
在一个实施例中，获取电碳耦合数据，包括：获取电力的时序潮流断面信息和发电机组的碳排放强度；将时序潮流断面信息和碳排放强度进行耦合，得到电碳耦合数据。
电力的潮流断面信息是指在电力系统中，将某条电力输电线路或者某个电力设备(如变压器、发电机等)的电学参数进行快照式的潮流计算，以获取该电力设备或该电力输电线路上各个节点的电压、电流、有功功率、无功功率等参数的分布情况，从而得到电力系统的支路潮流分布、机组注入有功功率、负荷分布和节点有功通量等。电力的时序潮流断面是指同时包括有时序信息和潮流断面信息。
发电机组的碳排放强度是指在发电过程中单位发电量所排放的二氧化碳的重量。发电机组运行时需要燃烧一定数量的燃料，如煤、油、天然气等，这些燃料中含有碳元素，在燃烧的过程中会产生大量的二氧化碳。获取碳排放强度后，可以进一步确定电力系统中发电机组碳排放强度向量、节点碳势向量和支路碳流率。
获取电力的时序潮流断面信息和发电机组的碳排放强度后，即可将两者进行耦合，得到电碳耦合数据。示意性地，耦合方法可以是依据时序潮流断面信息建立支路潮流分布矩阵、机组注入有功功率矩阵、负荷分布矩阵和节点有功通量矩阵，依据碳排放强度建立发电机组碳排放强度向量、节点碳势向量和支路碳流率矩阵，通过矩阵运算进行耦合。
本实施例中，先获取电力的时序潮流断面信息和发电机组的碳排放强度，将两者耦合计算得到电碳耦合数据。通过这样的方式获取真实的电碳耦合数据，即可输入至碳排放流生成模型中生成新的碳排放流。
在一个实施例中，训练完成的碳排放流生成模型是根据以下方法训练得到的：获取电碳耦合样本集；电碳耦合样本集包括第一样本集和第二样本集；将第一样本集输入至预处理模型中进行训练，得到中间训练参数；将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
碳排放流生成模型需要使用样本数据进行训练。在训练过程中，首先获取训练样本，也即现有的电碳耦合样本集X。可选地，电碳耦合样本集通过获取的电力时序潮流断面信息和发电机组的碳排放强度耦合计算得到。
在一种可行的耦合计算方式中，先采集、解析电力时序潮流断面数据，包括支路有功潮流分布，系统母线节点信息，发电机组信息，负荷分布信息，数据集合记为PF。之后根据电力系统机组信息收集各机组的碳排放强度数据，并通过电力系统碳排放流的矩阵计算方法计算时序电碳耦合数据，并进行预处理后获得用于训练的电碳耦合样本集X。时序电力-碳流特征的计算模型如公式(1)所示：
D＝[CS,t,CB,t,CL,t,CG,t]＝M(EG,t,PFS,G,L,B,t) (1)
其中，S为系统节点参数集合，B为系统支路参数集合，L为系统负荷参数集合，G为系统机组参数集合，T表示时序参数集合，t∈T，C表示碳流相关特征向量。例如，CS,t表示时序表t时刻的节点碳势。由此，CB,t、CL,t以及CG,t分别表示在t时刻的支路碳流、负荷碳流以及机组注入碳流。EG,t为t时刻机组碳排放强度。等式右侧PF为电力潮流断面数据集合，M(·)为时序电力碳流计算框架；对生成的训练样本X可以选择min-max缩放、均值-方差法等数据归一化处理方法实现数据预处理。
电碳耦合样本集包括第一样本集Xmin和第二样本集Xmax，其中X＝Xmin∪Xmax，表明总的样本集是第一样本集Xmin和第二样本集Xmax的并集。第一样本集Xmin用于训练预处理模型，第二样本集Xmax用于训练生成对抗模型，示意性地，第一样本集Xmin的数量可以小于第二样本集Xmax的数量，下标min和max仅表示样本集中样本数量的多少。
将电碳耦合样本集输入至待训练的碳排放流生成模型中，其中，第一样本集Xmin输入至预处理模型中，第二样本集Xmax输入至生成对抗模型中。
设置预处理模型的学习步长、训练世代和训练批次，并将完成训练后的中间训练参数导入生成对抗模型中。设置生成对抗模型的学习步长、训练世代和训练批次。完成训练后，即可获得能够生成碳排放流数据的碳排放流生成模型。
本实施例中，先获取电碳耦合样本集，将电碳耦合样本集分为第一样本集和第二样本集，第一样本集用于训练预处理模型，第二样本集用于训练对抗生成模型。预处理模型根据第一样本集输出中间训练参数后，对抗生成模型根据中间训练参数和第二样本集进行训练，得到完整的训练完成的碳排放流生成模型。
在一个实施例中，生成对抗模型包括生成器和判别器；将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型，包括：通过生成器根据随机噪声生成扩容样本；通过判别器，基于中间训练参数对第二样本集和生成扩容样本进行迭代训练，直至生成对抗模型收敛，得到训练完成的碳排放流生成模型。
生成对抗模型包括生成器(G)和判别器(D)，生成器用于生成“虚拟”数据，也即扩容样本，判别器通过对输入的训练数据和“虚拟”数据进行判别学习，不断提高其分辨能力。生成器和判别器通过零和博弈形式进行竞争，并将其中一个的损失作为另一个的收益，最终通过训练迭代实现损失和收益平衡。此时，判别器将无法区分的“虚拟”数据和输入的训练数据，即可认为完成对生成对抗模型的训练。示意性地，生成器和判别器均可以是神经网络，例如DNN(Deep Neural Networks，深度神经网络)。
如图3所示，电碳耦合样本集输入至待训练的碳排放流生成模型中，其中，第一样本集Xmin输入至预处理模型中，第二样本集Xmax输入至生成对抗模型中。预处理模型训练得到的中间训练参数也输入至生成对抗模型中。
在一种可行的训练方式中，预处理模型的训练方法步骤如下：
(1)选取定义训练世代epochsmin；
(2)对于世代epochsmin中的每个e，依次循环进行如下第(3)步骤-第(4)步骤的操作；
(3)通过公式获取gθT的值；
(4)将θT-αgθT的结果赋值给新的θT；
(5)结束第(3)步骤-第(4)步骤的循环。
其中，mc表示训练的批次，α为学习步长，用来控制每一次梯度更新的程度。gθT表示对中间训练参数θT进行更新的计算过程。训练世代也称为迭代次数或轮数，是指在机器学习模型的训练过程中，对于给定的训练数据集，在模型参数进行一次更新后所完成的一次完整训练循环。
上述步骤的(3)-(4)为经典的机器学习框架，通过SGD(Stochastic GradientDescent，随机梯度下降)方法在每次训练中实现对参数θT的更新。完成训练后，将训练好的中间训练参数传递至生成对抗模型的判别器(D)的参数模型/>中，并对继续对判别器和生成器持续进行优化。具体地，生成对抗模型的训练方法步骤如下：
(1)训练好的中间训练参数传递至生成对抗模型的判别器(D)的参数模型/>中；
(2)选取定义训练世代epochsmax；
(3)对于时代epochsmax中的每个e，依次循环进行如下第(4)步骤-第(5)步骤的操作；
(4)通过zi＝random(Rn)生成随机噪声zi；
(5)通过公式
获取和/>的值；
(6)结束第(4)步骤-第(5)步骤的循环；
(7)将最终确定的生成器的参数G*返回至生成器。
其中，生成对抗模型的判别器的参数模型接收预处理模型输出的中间训练参数mn表示一次训练的批次大小；噪声序列zi由随机噪声生成器random(·)生成；/>和分别表示通过SGD对判别器参数θD和生成器参数θG进行更新的计算过程，xi max表示在第二样本集中的第i个样本。
当模型训练完成时，生成对抗模型有最优解。θG是生成器中训练样本的参数，/>是生成器中“虚拟”样本经训练迭代得到的参数，θD是判别器中训练样本的参数，/>是判别器中“虚拟”样本经训练迭代得到的参数。此时返回/>即可获得具备生成碳排放流的生成模型。
求解生成对抗模型博弈问题的本质是求解生成器和判别器的价值函数，如公式(2)所示：
上式中极小极大问题求解可等效为对判别器和生成器的参数θD和θG进行训练。Vminmax(G,D)是价值函数，E表示样本的分布期望值；y是进行训练的样本，pf是训练样本集。训练样本y满足分布y～pf，pf由真实电碳耦合数据的训练样本集组成；生成器G(z；θG)是参数为θG的MLP(Multilayer perceptron，多层感知机)组成的DNN，MLP作为一种通用的函数近似方法可以将噪声z映射到新的分布PG。类似地，判别器D(G(z；θG)；θD)由参数为θG的MLP组成。判别器可以将生成器的输出xfake映射到[0,1]区间，形成概率输出，从而表征xfake是满足pf分布或是PG分布。
通过求解生成器和判别器的损失函数，判断碳排放流生成模型是否收敛，如果未收敛，则继续调节学习率，训练批次等参数；如果损失函数收敛即可判断为训练完成，即输出生成器此时碳排放流生成模型即可生成符合条件的碳排放流数据。
本实施例中，生成对抗模型包括生成器和判别器，预处理模型输出的中间训练参数作为生成对抗模型的输入。通过生成器生成扩容样本后，通过判别器基于中间训练参数，将扩容样本和第二样本集进行迭代训练，直至生成对抗模型收敛。经过训练后的生成器能够生成与第二样本集一致的碳排放流数据，从而得到训练完成的生成对抗模型。通过这样的方式训练生成对抗模型，使得其能够输出满足条件的碳排放流数据。
如图4所示，本申请提供了一种碳排放流生成方法，包括以下步骤：
S402，获取电力的时序潮流断面信息和发电机组的碳排放强度。
S404，将时序潮流断面信息和碳排放强度进行耦合，得到电碳耦合数据。
S406，将电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；碳排放流生成模型包括预处理模型和生成对抗模型，预处理模型用于根据电碳耦合数据进行预处理得到中间参数，生成对抗模型用于根据电碳耦合数据和中间参数输出碳排放流数据。
本实施例中，先获取电力的时序潮流断面信息和发电机组的碳排放强度，并对两个耦合得到电碳耦合数据。将电碳耦合数据输入至碳排放流生成模型中，即可基于电碳耦合数据生成碳排放流数据。碳排放流生成模型中包括预处理模型和生成对抗模型，由预处理模型先对生成对抗模型中的部分参数进行训练，训练完成后再输入至生成对抗模型中进行训练，优化了生成对抗模型的学习效能。
如图5所示，本申请还提供一种碳排放流生成模型的训练方法。碳排放流生成模型包括预处理模型和生成对抗模型，训练方法包括以下步骤：
S502，获取电碳耦合样本集；电碳耦合样本集包括第一样本集和第二样本集。
在一种可行的耦合计算方式中，先采集、解析电力时序潮流断面数据，包括支路有功潮流分布，系统母线节点信息，发电机组信息，负荷分布信息，数据集合记为PF。之后根据电力系统机组信息收集各机组的碳排放强度数据，并通过电力系统碳排放流的矩阵计算方法计算时序电碳耦合数据，并进行预处理后获得用于训练的电碳耦合样本集X。
电碳耦合样本集包括第一样本集Xmin和第二样本集Xmax，其中X＝Xmin∪Xmax，表明总的样本集是第一样本集Xmin和第二样本集Xmax的并集。第一样本集Xmin用于训练预处理模型，第二样本集Xmax用于训练生成对抗模型，示意性地，第一样本集Xmin的数量可以小于第二样本集Xmax的数量，下标min和max仅表示样本集中样本数量的多少。
S504，将第一样本集输入至预处理模型中进行训练，得到中间训练参数。
将电碳耦合样本集输入至待训练的碳排放流生成模型中，其中，第一样本集Xmin输入至预处理模型中，第二样本集Xmax输入至生成对抗模型中。
设置预处理模型的学习步长、训练世代和训练批次，并将完成训练后的中间训练参数导入生成对抗模型中。
S506，将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
设置生成对抗模型的学习步长、训练世代和训练批次，完成训练后，即可获得能够生成碳排放流数据的碳排放流生成模型。
本实施例中，先获取电碳耦合样本集，将电碳耦合样本集分为第一样本集和第二样本集，第一样本集用于训练预处理模型，第二样本集用于训练对抗生成模型。预处理模型根据第一样本集输出中间训练参数后，对抗生成模型根据中间训练参数和第二样本集进行训练，得到完整的训练完成的碳排放流生成模型。
在一个实施例中，生成对抗模型包括生成器和判别器；将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型，包括：通过生成器根据随机噪声生成扩容样本；通过判别器，基于中间训练参数对第二样本集和生成扩容样本进行迭代训练，直至生成对抗模型收敛，得到训练完成的碳排放流生成模型。
与前文所述生成对抗模型相似的，生成对抗模型包括生成器(G)和判别器(D)，生成器用于生成“虚拟”数据，也即扩容样本，判别器通过对输入的训练数据和“虚拟”数据进行判别学习，不断提高其分辨能力。生成器和判别器通过零和博弈形式进行竞争，并将其中一个的损失作为另一个的收益，最终通过训练迭代实现损失和收益平衡。此时，判别器将无法区分的“虚拟”数据和输入的训练数据，即可认为完成对生成对抗模型的训练。
通过求解生成器和判别器的损失函数，判断碳排放流生成模型是否收敛，如果未收敛，则继续调节学习率，训练批次等参数；如果损失函数收敛即可判断为训练完成，即输出生成器此时碳排放流生成模型即可生成符合条件的碳排放流数据。
本实施例中，生成对抗模型包括生成器和判别器，预处理模型输出的中间训练参数作为生成对抗模型的输入。通过生成器生成扩容样本后，通过判别器基于中间训练参数，将扩容样本和第二样本集进行迭代训练，直至生成对抗模型收敛。经过训练后的生成器能够生成与第二样本集一致的碳排放流数据，从而得到训练完成的生成对抗模型。通过这样的方式训练生成对抗模型，使得其能够输出满足条件的碳排放流数据。
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指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。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碳排放流生成方法的碳排放流生成装置。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碳排放流生成装置实施例中的具体限定可以参见上文中对于碳排放流生成方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种碳排放流生成装置600，包括：耦合数据获取模块602和碳排放流获取模块604，其中：
耦合数据获取模块602，用于获取电碳耦合数据。
碳排放流获取模块604，用于将电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；碳排放流生成模型包括预处理模型和生成对抗模型，预处理模型用于根据电碳耦合数据进行预处理得到中间参数，生成对抗模型用于根据电碳耦合数据和中间参数输出碳排放流数据。
在一个实施例中，耦合数据获取模块602具体用于：获取电力潮流的时序断面信息和发电机组的碳排放强度；将时序断面信息和碳排放强度进行耦合，得到电碳耦合数据。
上述碳排放流生成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。
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碳排放流生成模型的训练方法的碳排放流生成模型的训练装置。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碳排放流生成模型的训练装置实施例中的具体限定可以参见上文中对于碳排放流生成模型的训练方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种碳排放流生成模型的训练装置700，碳排放流生成模型包括预处理模型和生成对抗模型，训练装置包括：样本集获取模块702、预处理模型训练模块704和生成对抗模型训练模块706，其中：
样本集获取模块702，用于获取电碳耦合样本集；电碳耦合样本集包括第一样本集和第二样本集；
预处理模型训练模块704，用于将第一样本集输入至预处理模型中进行训练，得到中间训练参数；
生成对抗模型训练模块706，用于将第二样本集和中间训练参数输入至生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
上述碳排放流生成模型的训练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8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，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电碳耦合数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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碳排放流生成方法，或碳排放流生成模型的训练方法。
本领域技术人员可以理解，图8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碳排放流生成方法的步骤，或碳排放流生成模型的训练方法的步骤。
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碳排放流生成方法的步骤，或碳排放流生成模型的训练方法的步骤。
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碳排放流生成方法的步骤，或碳排放流生成模型的训练方法的步骤。
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。其中，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-OnlyMemory，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(Ferroelectric Random 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(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess 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)
1.一种碳排放流生成方法，其特征在于，所述方法包括：
获取电碳耦合数据；
将所述电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；所述碳排放流生成模型包括预处理模型和生成对抗模型，所述预处理模型用于根据所述电碳耦合数据进行预处理得到中间参数，所述生成对抗模型用于根据所述电碳耦合数据和所述中间参数输出所述碳排放流数据。
2.根据权利要求1所述的方法，其特征在于，所述获取电碳耦合数据，包括：
获取电力的时序潮流断面信息和发电机组的碳排放强度；
将所述时序潮流断面信息和所述碳排放强度进行耦合，得到电碳耦合数据。
3.根据权利要求1所述的方法，其特征在于，所述训练完成的碳排放流生成模型是根据以下方法训练得到的：
获取电碳耦合样本集；所述电碳耦合样本集包括第一样本集和第二样本集；
将所述第一样本集输入至所述预处理模型中进行训练，得到中间训练参数；
将所述第二样本集和所述中间训练参数输入至所述生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
4.根据权利要求3所述的方法，其特征在于，所述生成对抗模型包括生成器和判别器；所述将所述第二样本集和所述中间训练参数输入至所述生成对抗模型中进行训练，得到训练完成的碳排放流生成模型，包括：
通过所述生成器根据随机噪声生成扩容样本；
通过所述判别器，基于所述中间训练参数对所述第二样本集和所述生成扩容样本进行迭代训练，直至所述生成对抗模型收敛，得到训练完成的碳排放流生成模型。
5.一种碳排放流生成模型的训练方法，其特征在于，碳排放流生成模型包括预处理模型和生成对抗模型；所述方法包括：
获取电碳耦合样本集；所述电碳耦合样本集包括第一样本集和第二样本集；
将所述第一样本集输入至所述预处理模型中进行训练，得到中间训练参数；
将所述第二样本集和所述中间训练参数输入至所述生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
6.根据权利要求5所述的方法，其特征在于，所述生成对抗模型包括生成器和判别器；所述将所述第二样本集和所述中间训练参数输入至所述生成对抗模型中进行训练，得到训练完成的碳排放流生成模型，包括：
通过所述生成器根据随机噪声生成扩容样本；
通过所述判别器，基于所述中间训练参数对所述第二样本集和所述生成扩容样本进行迭代训练，直至所述生成对抗模型收敛，得到训练完成的碳排放流生成模型。
7.一种碳排放流生成装置，其特征在于，所述装置包括：
耦合数据获取模块，用于获取电碳耦合数据；
碳排放流获取模块，用于将所述电碳耦合数据输入至训练完成的碳排放流生成模型中，得到碳排放流数据；所述碳排放流生成模型包括预处理模型和生成对抗模型，所述预处理模型用于根据所述电碳耦合数据进行预处理得到中间参数，所述生成对抗模型用于根据所述电碳耦合数据和所述中间参数输出所述碳排放流数据。
8.一种碳排放流生成模型的训练装置，其特征在于，所述碳排放流生成模型包括预处理模型和生成对抗模型；所述装置包括：
样本集获取模块，用于获取电碳耦合样本集；所述电碳耦合样本集包括第一样本集和第二样本集；
预处理模型训练模块，用于将所述第一样本集输入至所述预处理模型中进行训练，得到中间训练参数；
生成对抗模型训练模块，用于将所述第二样本集和所述中间训练参数输入至所述生成对抗模型中进行训练，得到训练完成的碳排放流生成模型。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310623197.3A CN116737793A (zh) | 2023-05-29 | 2023-05-29 | 碳排放流生成方法、模型训练方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310623197.3A CN116737793A (zh) | 2023-05-29 | 2023-05-29 | 碳排放流生成方法、模型训练方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116737793A true CN116737793A (zh) | 2023-09-12 |
Family
ID=87912547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310623197.3A Pending CN116737793A (zh) | 2023-05-29 | 2023-05-29 | 碳排放流生成方法、模型训练方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116737793A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109639479A (zh) * | 2018-12-07 | 2019-04-16 | 北京邮电大学 | 基于生成对抗网络的网络流量数据增强方法及装置 |
| CN112884075A (zh) * | 2021-03-23 | 2021-06-01 | 北京天融信网络安全技术有限公司 | 一种流量数据增强方法、流量数据分类方法及相关装置 |
| CN113361566A (zh) * | 2021-05-17 | 2021-09-07 | 长春工业大学 | 用对抗性学习和判别性学习来迁移生成式对抗网络的方法 |
| CN113673680A (zh) * | 2021-08-20 | 2021-11-19 | 上海大学 | 通过对抗网络自动生成验证性质的模型验证方法和系统 |
| CN113673564A (zh) * | 2021-07-16 | 2021-11-19 | 深圳供电局有限公司 | 窃电样本生成方法、装置、计算机设备和存储介质 |
| CN114022740A (zh) * | 2021-11-18 | 2022-02-08 | 贵州大学 | 人脸对抗样本生成模型的构建方法、装置及设备 |
| CN114092827A (zh) * | 2021-11-12 | 2022-02-25 | 黑龙江工程学院 | 一种图像数据集生成方法 |
| CN115018191A (zh) * | 2022-06-29 | 2022-09-06 | 同济大学 | 一种基于小样本数据的碳排放量预测方法 |
| CN115375183A (zh) * | 2022-09-19 | 2022-11-22 | 浙江大学 | 考虑能流-碳流耦合约束的电力系统配网优化调度方法 |
-
2023
- 2023-05-29 CN CN202310623197.3A patent/CN116737793A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109639479A (zh) * | 2018-12-07 | 2019-04-16 | 北京邮电大学 | 基于生成对抗网络的网络流量数据增强方法及装置 |
| CN112884075A (zh) * | 2021-03-23 | 2021-06-01 | 北京天融信网络安全技术有限公司 | 一种流量数据增强方法、流量数据分类方法及相关装置 |
| CN113361566A (zh) * | 2021-05-17 | 2021-09-07 | 长春工业大学 | 用对抗性学习和判别性学习来迁移生成式对抗网络的方法 |
| CN113673564A (zh) * | 2021-07-16 | 2021-11-19 | 深圳供电局有限公司 | 窃电样本生成方法、装置、计算机设备和存储介质 |
| CN113673680A (zh) * | 2021-08-20 | 2021-11-19 | 上海大学 | 通过对抗网络自动生成验证性质的模型验证方法和系统 |
| CN114092827A (zh) * | 2021-11-12 | 2022-02-25 | 黑龙江工程学院 | 一种图像数据集生成方法 |
| CN114022740A (zh) * | 2021-11-18 | 2022-02-08 | 贵州大学 | 人脸对抗样本生成模型的构建方法、装置及设备 |
| CN115018191A (zh) * | 2022-06-29 | 2022-09-06 | 同济大学 | 一种基于小样本数据的碳排放量预测方法 |
| CN115375183A (zh) * | 2022-09-19 | 2022-11-22 | 浙江大学 | 考虑能流-碳流耦合约束的电力系统配网优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Forecasting energy consumption and wind power generation using deep echo state network | |
| Liang et al. | Multiobjective evolutionary multitasking with two-stage adaptive knowledge transfer based on population distribution | |
| Zou et al. | Mobile device training strategies in federated learning: An evolutionary game approach | |
| Zhao et al. | [Retracted] An Improved SPEA2 Algorithm with Adaptive Selection of Evolutionary Operators Scheme for Multiobjective Optimization Problems | |
| Xu et al. | Value of model enhancements: quantifying the benefit of improved transmission planning models | |
| CN113962358A (zh) | 一种基于时序超图注意力神经网络的信息扩散预测方法 | |
| CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
| Tian et al. | Synergetic focal loss for imbalanced classification in federated xgboost | |
| CN116737793A (zh) | 碳排放流生成方法、模型训练方法、装置和计算机设备 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| CN114549147A (zh) | 碳排放处理方法、装置、电子设备及存储介质 | |
| CN111340281B (zh) | 预测模型训练方法及装置 | |
| Huang et al. | MG-GCN: Fast and effective learning with mix-grained aggregators for training large graph convolutional networks | |
| Xiao et al. | Mrhn: Hypergraph convolutional network for web api recommendation | |
| Li et al. | Equipment maintenance support effectiveness evaluation based on improved generative adversarial network and radial basis function network | |
| CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
| CN116451960B (zh) | 基于电力调度的碳排放权配额调度方法、装置和设备 | |
| Sun et al. | Electricity Consumption Prediction via WaveNet+ t | |
| Wang et al. | ScoringNet: A Neural Network Based Pruning Criteria for Structured Pruning | |
| CN117312579B (zh) | 一种数据模型搜索分析文本的生成方法及系统 | |
| CN116109053A (zh) | 多风电场风险约束随机经济调度方法、装置及计算机设备 | |
| CN116667356A (zh) | 发电主体行为控制方法、装置、设备、介质和产品 | |
| Wang et al. | Applying an auction optimization algorithm to mobile edge computing for security | |
| Zhang et al. | A Graph Convolution Neural Network‐Based Framework for Communication Network K‐Terminal Reliability Estimation | |
| CN116451549A (zh) | 锅炉烟气含氧量的预测方法及装置 |
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 |