[发明专利]基于改进生成对抗网络的多能计量特征数据生成方法及装置

说明书

本发明涉及一种基于改进生成对抗网络的多能计量特征数据生成方法及装置，其技术特点在于：包括以下步骤：步骤1、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；步骤2、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。本发明能够在准确生成具有多能计量特征的数据、减少对数据特征的依赖的同时提高神经网络训练的速度和稳定性。

技术领域

本发明属于非监督深度学习技术和计量数据处理技术领域，涉及在计量特征数据生成应用中，通过改进型生成对抗网络生成综合能源计量特征数据，尤其是一种基于改进生成对抗网络的多能计量特征数据生成方法及装置。

背景技术

随着泛在电力物联网建设的推进，对支撑营销业务发展的客户侧能源计量提出新的要求，非电计量的种类变的更为多样，电能计量正在向着综合能源计量进行转变。随着各类新兴能源计量业务的不断发展，对系统级模拟仿真建设提出迫切需求，当前缺少大规模、系统级、复杂环境、多信道融合的仿真环境。

为进一步推动我国智慧能源服务体系建设，亟需构建全面高效、准确可靠的综合能源计量仿真系统，实现对各种场景的真实还原，有效支撑各类能源计量新技术的探索研究及推广实施。而构建综合能源计量仿真系统的基础是准确生成具有多能计量特征的数据。

目前，现有的数据生成方法主要为基于规则的数据生成方法和生成对抗网络方法。其中，基于规则的数据生成方法是基于工作人员的经验对需要生成的数据进行定性描述，基于描述的规则生成数据。但基于规则的方法对工作人员的要求较高，且大部分数据规则难以直接描述。

生成对抗网络方法(generative adversarial networks，GAN)应用较多，但是传统的GAN存在训练不稳定的问题，且难以处理离散数据的生成，最近提出的基于瓦瑟斯坦距离的GAN有效提高了训练时的稳定性，但有时仍然只能生成质量较差的数据或在训练时发生梯度消失或梯度爆炸导致无法收敛。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进生成对抗网络的多能计量特征数据生成方法，能够在准确生成具有多能计量特征的数据、减少对数据特征的依赖的同时提高神经网络训练的速度和稳定性。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于改进生成对抗网络的多能计量特征数据生成方法，包括以下步骤：

步骤1、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；

步骤2、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。

而且，在所述步骤1之前还包括对计量数据预处理的步骤，具体方法为：对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络。

而且，所述对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络的具体步骤包括：

(1)对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μ^l：

(2)然后根据如下公式求得标准差σ^l：

(3)最后用输入到第i个神经元的计量值减去μ^l再除以σ^l得到层归一化计量数据并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；

式中，l为某层神经网络，H为每层中隐藏神经元的个数。