基于C-GAN迁移学习的IES不完备数据负荷预测方法及系统技术方案

本发明专利技术提供一种基于C‑GAN迁移学习的IES不完备数据负荷预测方法及系统。首先采集原始样本数据并进行归一化处理，然后将归一化处理后的样本数据采用深度变分自编码网络提取样本特征，再将提取的样本特征输入到构建的第一个C‑GAN的生成器中，当生成器和判别器博弈达到纳什均衡时对不完备样本数据进行扩展，将扩展后的样本数据集输入到构建的第二个条件C‑GAN的生成器中，当生成器和判别器博弈达到纳什均衡时并行预测电、气、热负荷，基于C‑GAN的判别器对预测精度进行判断，并且在生成器和判别器博弈达到纳什均衡过程不断修正和提高综合能源负荷预测的预测精度，通过本发明专利技术提供的预测系统进行负荷预测，减少了网络训练所需的参数，同时缩短了预测时间。

Load forecasting method and system of ies incomplete data based on c-gan transfer learning

【技术实现步骤摘要】
基于C-GAN迁移学习的IES不完备数据负荷预测方法及系统
本专利技术涉及综合能源负荷预测和人工智能
，尤其涉及一种基于C-GAN迁移学习的IES不完备数据负荷预测方法及系统。
技术介绍
目前，我国的综合能源系统(简称IES)规模不断扩大，综合能源系统的实时调度成为了重中之重。而提升综合能源系统负荷预测速度与精度对实现综合能源系统的实时调度与优化运行都具至关重要的作用。但在实际应用中，样本采集在综合能源负荷预测方面起到十分重要的作用，由于停电、样本采集器不工作等原因造成综合能源系统数据采集不完备，这种不完备数据对综合能源负荷预测产生不可忽略的影响。已有的综合能源系统负荷预测方法中，以预测精度为优点的算法在速度上存在不足，而计算速度和精度较好的基于能量函数的直接法无法应用在复杂系统中。而且，目前存在的综合能源负荷预测没有考虑不完备数据情况。近年来，机器学习法被应用到负荷预测问题中，例如人工神经网络、支持向量机等方法，取得了较大的进展，但是它们由于特征学习能力弱的特性，预测准确率难以保证。深度学习方法也被引入到该领域，例如深度置信网络本文档来自技高网...

【技术保护点】
1.一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，包括以下步骤：/n步骤1：采集原始样本数据集，所述原始样本数据集包括综合能源系统的历史样本数据集以及实际负荷特征数据的历史样本数据集，所述综合能源系统的历史样本数据集包括四个样本数据集，分别为综合能源系统的温度样本数据集、湿度样本数据集、日期样本数据集和经济样本数据集，所述实际负荷特征数据的历史样本数据集包括三个样本数据集，分别为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集；/n步骤2：利用公式(1)归一化处理综合能源系统的历史样本数据集中的所有样本数据，得到归一化处理后的样本数据集：/n

【技术特征摘要】
1.一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，包括以下步骤：
步骤1：采集原始样本数据集，所述原始样本数据集包括综合能源系统的历史样本数据集以及实际负荷特征数据的历史样本数据集，所述综合能源系统的历史样本数据集包括四个样本数据集，分别为综合能源系统的温度样本数据集、湿度样本数据集、日期样本数据集和经济样本数据集，所述实际负荷特征数据的历史样本数据集包括三个样本数据集，分别为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集；
步骤2：利用公式(1)归一化处理综合能源系统的历史样本数据集中的所有样本数据，得到归一化处理后的样本数据集：



式中，x表示综合能源系统的历史样本数据集中的每个样本数据值，xmax表示每个样本数据集中绝对值最大的样本数据值，xmin表示每个样本数据集中绝对值最小的样本数据值，xstd表示归一化处理后的样本数据集中的样本数据值；
步骤3：采用深度变分自编码网络提取归一化处理后的样本数据集，用提取出的特征样本数据集作为真实样本数据集来代替综合能源系统的历史样本数据集，具体步骤如下：
3.1)构建自编码器个数为N的深度变分自编码网络；
3.2)采用梯度下降法训练深度变分自编码网络，进行网络参数的微调，所述网络参数包括神经元的偏置和权重、网络层数、神经元个数；
3.3)将深度变分自编码网络输出的维数为的特征样本数据集作为真实样本数据集来代替综合能源系统的历史样本数据集；
步骤4：任意选取个数为个的随机数构成一个随机样本数据集；
步骤5：构建第一个C-GAN用于扩展样本数据集，具体步骤如下：
步骤5.1：利用C-GAN构建一个隐藏层为n个全连接层的生成器模型，输入层的输入为随机样本数据集，输出层的输出为伪样本数据集；
步骤5.2：利用C-GAN构建一个隐藏层为m个全连接层，且输出层为Softmax分类器的判别器模型，将真实样本数据集与伪样本数据集共同作为输入，通过Softmax分类器输出的预测判断结果来判断输出的每个样本是伪样本数据集中的样本还是真实样本数据集中的样本；
步骤5.3：依据判别器输出的预测判断结果，采用小波激活函数调整生成器中的参数，使得生成器生成的伪样本数据集与真实样本数据集具有相同的分布概型，所述参数包括神经元的权值和偏重、网络层数、神经元个数；
步骤5.4：根据激活函数不断调整生成器和判别器的参数，使得生成器和判别器的博弈达到纳什平衡；
步骤5.5：当C-GAN的生成器与判别器的博弈达到纳什均衡时，利用权值共享并行训练并输出维数为的样本集作为伪样本数据集；
步骤5.6：利用生成器生成的与真实样本数据集具有相同分布概型的伪样本数据集对真实样本数据集中的不完备数据进行扩展，得到扩展样本数据集；
步骤6：构建第二个C-GAN用来预测综合能源系统中的电负荷、气负荷和热负荷，具体表述为：
步骤6.1：利用C-GAN构建一个隐藏层为n1个全连接层的生成器模型，输入层为扩展样本数据集，输出层输出维数为3的样本集作为预测样本数据集，所述预测样本数据集为电负荷的预测样本数据集、气负荷的预测样本数据集、热负荷的预测样本数据集；
步骤6.2：利用C-GAN构建一个隐藏层为m1个全连接层，且输出层为Softmax分类器的判别器模型，将实际负荷特征数据的历史样本数据集和预测样本数据集共同作为输入，通过Softmax分类器输出的预测判断结果来判断输出的每个样本是实际负荷特征数据的历史样本数据集中的样本还是预测样本数据集中的样本；
步骤6.3：依据判别器输出的预测判断结果，采用小波激活函数调整生成器中的参数，使得生成器生成的预测样本数据集和实际负荷特征数据的历史样本数据集具有相同的分布概型，所述参数包括神经元的权值和偏重、网络层数、神经元个数；
步骤6.4：根据激活函数不断调整生成器和判别器的参数，使得生成器和判别器的博弈达到纳什平衡；
步骤6.5：当C-GAN的生成器与判别器的博弈达到纳什均衡时，利用权值共享并行训练并输出预测样本数据集。


2.根据权利要求1所述的一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，所述的步骤3.1)具体步骤为：
3.1.1)利用深度网络构建第一个自编码器，输入为归一化处理得到的所有样本数据值，所述第一个自编码器的输入节点数为归一化处理得到的样本数据集的维数a，隐藏层节点数为其中表示向上取整，输出层节点数与隐含层节点数相同；
3.1.2)利用深度网络构建第二个自编码器，输入为第一个自编码器的输出，所述第二个自编码器的输入节点数为隐含层节点数为输出层节点数与隐含层节点数相同；
3.1.3)利用深度网络构建第l个自编码器，输入为第l-1个自编码器的输出，所述第l-1个自编码器的输入节点数为隐含层节点数为输出层节点数与隐含层节点数相同，其中l满足l＝1,2,3,…,N；
3.1.4)将N个自编码器依次顺序连接构成深度变分自编码网络，第N个自编码器的输出为深度变分自编码网络的输出。


3.根据权利要求1所述的一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，所述的C-GAN中的生成器模型的构建具体步骤为：
S1.1)利用C-GAN构建神经元个数为M1的第一层隐藏层，所有激活函数为任意选取的小波激活函数，所述第一层隐藏层的输入为输入层的输出；
S1.2)利用C-GAN构建神经元个数为M2的第二层隐藏层，所有激活函数为任意选取的小波激活函数，所述第二层隐藏层的输入为第一层隐藏层的输出；
S1.3)利用C-GAN构建神经元个数为Mn的第n层隐藏层，所有激活函数为任意选取的小波激活函数，所述第n层隐藏层的输入为第n-1层隐藏层的输出，第n层隐藏层的输出为输出层的输入，n为生成器中隐藏层的总层数；
所述的C-GAN中的判别器模型的构建具体步骤为：
S2.1)利用C-GAN构建神经元个数为H1的第一层隐藏层，所有激活函数为任意选取的小波激活函数，所述第一层隐藏层的输入为输入层的输出；
S2.2)利用C-GAN构建神经元个数为H2的第二层隐藏层，所有激活函数为任意选取的小波激活函数，所述第二层隐藏层的输入为第一层隐藏层的输出；
S2.3)利用C-GAN构建神经元个数为Hm的第m层隐藏层，所有激活函数为任意选取的小波激活函数，所述第m层隐藏层的输入为第m-1层隐藏层的输出，第m层隐藏层的输出为输出层的输入，m为判别器中隐藏层的总层数。


4.根据权利要求3所述的一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，每层隐藏层后面使用狼群算法防止过拟合，增加收敛速度。


5.根据权利要求1所述的一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，所述权值共享为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集三个样本数据集使用相同的神经元权值和偏重、网络层数、神经元个数，所述步骤6.5中的并行训练的输出为电负荷的预测样本数据集、气负荷的预测样本数据集和热负荷的预测样本数据集。


6.根据权利要求1所述的一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，所述的步骤5.5当C-GAN的生成器与判别器的博弈达到纳什均衡时，利用权值共享并行训练并输出维数为的样本集作为伪样本数据集，具体表述为：
5.5.1)将真实样本数据集以及与真实样本数据集具有相同分布概型的伪样本数据集共同输入到判别器中，采用梯度下降法训练生成器和判别器的博弈达到纳什平衡时的C-GAN，直到第一个C-GAN的预测精度δ1大于等于第一个C-GAN的给定阈值s1或者达到第一个C-GAN的最大迭代次数t'max终止，并通过生成器输出伪样本数据集，所述第一个C-GAN的预测精度δ1表示为：


<...

【专利技术属性】
技术研发人员：陈刚，王印，单锦宁，白雪，王琛淇，李成伟，王雷，苏梦梦，黄博南，
申请(专利权)人：国网辽宁省电力有限公司阜新供电公司，国网辽宁省电力有限公司，东北大学，
类型：发明
国别省市：辽宁;21