[发明专利]基于生成对抗网络的智能电网深度学习训练样本生成方法

权利要求书

1.基于生成对抗网络的智能电网深度学习训练样本生成方法，其特征在于，该方法基于TensorFlow平台进行实现，该方法包括以下步骤：

步骤1：获取电力系统中的采样数据，并进行初步处理作为真实样本；

步骤2：搭建判别网络模型和生成网络模型；

步骤3：判别模型读取真实样本数据，并输出真实样本的判别结果；

步骤4：计算真实样本判别结果的训练误差，并保存；

步骤5：生成模型获取随机噪声z，并产生生成样本；

步骤6：判别模型读取生成样本数据，并输出生成样本的判别结果；

步骤7：计算生成样本判别结果的训练误差，并保存；

步骤8：判断判别模型损失值和生成模型损失值是否达到最小化，并分别反馈给判别模型和生成模型，以调整模型内部权重；若已达到最小化，跳到步骤9；否则跳到步骤3；

步骤9：保存当前判别模型和生成模型。

2.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法，其特征在于，所述判别网络模型由改进后的卷积神经网络构成，生成网络模型由反卷积网络构成。

3.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法，其特征在于，所述真实样本判别结果的训练误差为真实样本的判别结果与对应的预期结果1之间的交叉熵d_loss_real。

4.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法，其特征在于，所述生成样本判别结果的训练误差有两个，分别为生成样本的判别结果与对应的预期结果0之间的交叉熵d_loss_fake和生成样本的判别结果与对应的预期结果1之间的交叉熵g_loss。

5.根据权利要求1所述的基于生成对抗网络的智能电网深度学习训练样本生成方法，其特征在于，所述判别模型损失值d_loss为d_loss_real和d_loss_fake之和，生成模型损失值为g_loss；通过反向传播算法反向微调神经网络参数，实现模型损失值最小化，使得对抗网络达到平衡状态。