[發明專利]基于C-GAN遷移學習的IES不完備數據負荷預測方法及系統

有效

• 申請號: 201911372296.9
• 申請日: 2019-12-27
• 公開（公告）號: CN111191835B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 陳剛;王印;單錦寧;白雪;王琛淇;李成偉;王雷;蘇夢夢;黃博南
• 申請（專利權）人: 國網遼寧省電力有限公司阜新供電公司;國家電網有限公司;國網遼寧省電力有限公司;東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/0455;G06N3/084;G06N3/0475;G06N3/096;G06N3/048;G06F18/214
• 代理公司: 錦州遼西專利事務所(普通合伙) 21225
• 代理人: 李輝

本發明提供一種基于C?GAN遷移學習的IES不完備數據負荷預測方法及系統。首先采集原始樣本數據并進行歸一化處理，然后將歸一化處理后的樣本數據采用深度變分自編碼網絡提取樣本特征，再將提取的樣本特征輸入到構建的第一個C?GAN的生成器中，當生成器和判別器博弈達到納什均衡時對不完備樣本數據進行擴展，將擴展后的樣本數據集輸入到構建的第二個條件C?GAN的生成器中，當生成器和判別器博弈達到納什均衡時并行預測電、氣、熱負荷，基于C?GAN的判別器對預測精度進行判斷，并且在生成器和判別器博弈達到納什均衡過程不斷修正和提高綜合能源負荷預測的預測精度，通過本發明提供的預測系統進行負荷預測，減少了網絡訓練所需的參數，同時縮短了預測時間。

技術領域

本發明涉及綜合能源負荷預測和人工智能技術領域，尤其涉及一種基于C-GAN遷移學習的IES不完備數據負荷預測方法及系統。

背景技術

目前，我國的綜合能源系統(簡稱IES)規模不斷擴大，綜合能源系統的實時調度成為了重中之重。而提升綜合能源系統負荷預測速度與精度對實現綜合能源系統的實時調度與優化運行都具至關重要的作用。但在實際應用中，樣本采集在綜合能源負荷預測方面起到十分重要的作用，由于停電、樣本采集器不工作等原因造成綜合能源系統數據采集不完備，這種不完備數據對綜合能源負荷預測產生不可忽略的影響。

已有的綜合能源系統負荷預測方法中，以預測精度為優點的算法在速度上存在不足，而計算速度和精度較好的基于能量函數的直接法無法應用在復雜系統中。而且，目前存在的綜合能源負荷預測沒有考慮不完備數據情況。近年來，機器學習法被應用到負荷預測問題中，例如人工神經網絡、支持向量機等方法，取得了較大的進展，但是它們由于特征學習能力弱的特性，預測準確率難以保證。深度學習方法也被引入到該領域，例如深度置信網絡和長短時間記憶等，但是在對于樣本的處理和深度學習網絡的精確應用還存在著不足。目前存在的綜合能源系統負荷沒有防止局部極小值點，保證網絡解唯一性。

發明內容

針對現有技術的不足，本發明提出一種基于C-GAN遷移學習的IES不完備數據負荷預測方法及系統，具體表述為基于不完備數據的C-GAN(條件生成對抗網絡)與多任務學習結合的綜合能源負荷預測方法及系統，本發明針對綜合能源系統的實際狀況進行了樣本的處理和擴展，使得負荷預測更加精確和快速。

為實現上述技術效果，本發明提出了一種基于C-GAN遷移學習的IES不完備數據負荷預測方法，包括以下步驟：

步驟1：采集原始樣本數據集，所述原始樣本數據集包括綜合能源系統的歷史樣本數據集以及實際負荷特征數據的歷史樣本數據集，所述綜合能源系統的歷史樣本數據集包括四個樣本數據集，分別為綜合能源系統的溫度樣本數據集、濕度樣本數據集、日期樣本數據集和經濟樣本數據集，所述實際負荷特征數據的歷史樣本數據集包括三個樣本數據集，分別為電負荷樣本數據集、氣負荷樣本數據集和熱負荷樣本數據集；

步驟2：利用公式(1)歸一化處理綜合能源系統的歷史樣本數據集中的所有樣本數據，得到歸一化處理后的樣本數據集：

式中，x表示綜合能源系統的歷史樣本數據集中的每個樣本數據值，x_max表示每個樣本數據集中絕對值最大的樣本數據值，x_min表示每個樣本數據集中絕對值最小的樣本數據值，x_std表示歸一化處理后的樣本數據集中的樣本數據值；

步驟3：采用深度變分自編碼網絡提取歸一化處理后的樣本數據集，用提取出的特征樣本數據集作為真實樣本數據集來代替綜合能源系統的歷史樣本數據集，具體步驟如下：

3.1)構建自編碼器個數為N的深度變分自編碼網絡；

3.2)采用梯度下降法訓練深度變分自編碼網絡，進行網絡參數的微調，所述網絡參數包括神經元的偏置和權重、網絡層數、神經元個數；