[发明专利]一种基于改进SeqGAN的数据生成方法及系统

说明书

本申请公开了一种基于改进SeqGAN的数据生成方法及系统。其中，该方法包括：基于生成器模型G_θ的数据，获得Roll‑out生成器模型G_β，根据所述Roll‑out生成器模型G_β，获得判别器模型D；根据所述判别器模型D，对生成器模型G_θ进行调整，确定最大期望奖励；基于所述最大期望奖励，训练所述生成器模型G_θ，确定更新后的生成器模型G_θ；从潜在空间获得所述更新后的生成器模型G_θ，并根据所述更新后的生成器模型G_θ以及真实数据，重新训练判别器模型D。

技术领域

本申请涉及生成对抗网络技术领域，特别是涉及一种基于改进SeqGAN的数据生成方法及系统。

背景技术

随着世界能源的快速发展，国家电网公司正在加快建设成为世界一流能源互联网企业，逐步加强其竞争力，并对支撑营销业务发展的客户侧能源计量提出新的要求。目前，电能计量正在向着综合能源计量进行转变。我国各能源计量行业未实现计量系统仿真的规模化验证，仿真方法较为单一，实验室测试与现场试验验证结果、规模化应用效果差异较大，无法满足对各类新业务、新方法、新技术推广可行性的验证需求。

针对上述的现有技术中存在的我国各能源计量行业未实现计量系统仿真的规模化验证，仿真方法较为单一，实验室测试与现场试验验证结果、规模化应用效果差异较大，无法满足对各类新业务、新方法、新技术推广可行性的验证需求的技术问题，目前尚未提出有效的解决方案。

发明内容

本公开的实施例提供了一种基于改进SeqGAN的数据生成方法及系统，以至少解决现有技术中存在的我国各能源计量行业未实现计量系统仿真的规模化验证，仿真方法较为单一，实验室测试与现场试验验证结果、规模化应用效果差异较大，无法满足对各类新业务、新方法、新技术推广可行性的验证需求的技术问题。

根据本公开实施例的一个方面，提供了一种基于改进SeqGAN的数据生成方法，包括：基于生成器模型G_θ的数据，获得Roll-out生成器模型G_β，根据所述Roll-out生成器模型G_β，获得判别器模型D；根据所述判别器模型D，对生成器模型G_θ进行调整，确定最大期望奖励；基于所述最大期望奖励，训练所述生成器模型G_θ，确定更新后的生成器模型G_θ；从潜在空间获得所述更新后的生成器模型G_θ，并根据所述更新后的生成器模型G_θ以及真实数据，重新训练判别器模型D。

根据本公开实施例的另一方面，还提供了一种基于改进SeqGAN的数据生成系统，包括：获得判别器模块，用于基于生成器模型G_θ的数据，获得Roll-out生成器模型G_β，根据所述Roll-out生成器模型G_β，获得判别器模型D；确定奖励模块，用于根据所述判别器模型D，对生成器模型G_θ进行调整，确定最大期望奖励；训练生成器模块，用于基于所述最大期望奖励，训练所述生成器模型G_θ，确定更新后的生成器模型G_θ；训练判别器模块，用于从潜在空间获得所述更新后的生成器模型G_θ，并根据所述更新后的生成器模型G_θ以及真实数据，重新训练判别器模型D。

在本发明中，提供了Rollout模块。Rollout模块能够解决长序列进行强化学习时需要等到序列生成完整后才能计算奖励值总和的问题。此模块能够将生成器的生成样本序列从不同位置断开，多次重复模拟余下的数据补全，通过判别器和奖励值计算机制得到每个模拟序列的奖励值之和并且求其平均值。原始SeqGAN中使用的Rollout模块是生成器的完全副本，而本文提出的改进SeqGAN中使用了滞后于生成器的模型参数更新，从而起到增加长序列强化学习稳定性的作用。另外，Rollout模块并不直接参与梯度下降，而是手动更新模型参数。