[發(fā)明專利]一種基于改進對抗網(wǎng)絡(luò)的負荷數(shù)據(jù)修補方法

在審

• 申請?zhí)枺?/td>: 202011605285.3
• 申請日: 2020-12-30
• 公開（公告）號: CN112686821A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計）人: 卞海紅;徐國政
• 申請（專利權(quán)）人: 南京工程學(xué)院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08;G06T7/90
• 代理公司: 南京源古知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32300
• 代理人: 馬曉輝

本發(fā)明屬于圖像識別和圖像預(yù)測領(lǐng)域，涉及到一種基于改進對抗網(wǎng)絡(luò)的負荷數(shù)據(jù)修補方法。在現(xiàn)階段采集到的實際負荷數(shù)據(jù)中，由于監(jiān)測系統(tǒng)的故障或者人為原因，負荷數(shù)據(jù)集中有可能有缺失數(shù)據(jù)，會影響負荷模型的可靠性。本發(fā)明提供的方法將由歷史電力負荷數(shù)據(jù)形成高光譜圖片先通過圖片軟件降低分辨率；代入訓(xùn)練樣本圖片對DCGAN網(wǎng)絡(luò)進行訓(xùn)練；將測試樣本圖片上隨機去除30個數(shù)據(jù)點后代入訓(xùn)練完成的DCGAN網(wǎng)絡(luò)，得出修補后的圖片；將修補后的圖片使用HSV色彩空間方法轉(zhuǎn)化為數(shù)據(jù)；使用相對誤差（RE）和均方根誤差（RMSE）兩種誤差指標對修補數(shù)據(jù)進行誤差評價。本發(fā)明提供的方法負荷數(shù)據(jù)集中不缺失數(shù)據(jù)，負荷模型的可靠性高。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識別和圖像預(yù)測領(lǐng)域，涉及到一種基于改進對抗網(wǎng)絡(luò)的負荷數(shù)據(jù)修補方法。

背景技術(shù)

隨著圖像識別和圖像預(yù)測技術(shù)快速發(fā)展，基于深度學(xué)習的圖像識別和圖像預(yù)測技術(shù)高效地應(yīng)用在更多的場景當中，例如數(shù)據(jù)處理，模式識別等。在基于深度學(xué)習的圖像預(yù)測相關(guān)的相關(guān)領(lǐng)域當中，深度卷積神經(jīng)網(wǎng)絡(luò)的使用范圍更廣，使用效果更好。在本世紀前十年，因計算機運算性能不足，深度卷積神經(jīng)網(wǎng)絡(luò)并未快速發(fā)展。在2012年以后，相關(guān)的研究者借助愈發(fā)成熟的計算機技術(shù)提出了ResNet等多種優(yōu)化的卷積網(wǎng)絡(luò)，快速推動了圖像預(yù)測技術(shù)和圖像修補技術(shù)的發(fā)展。

在現(xiàn)階段采集到的實際負荷數(shù)據(jù)中，由于監(jiān)測系統(tǒng)的故障或者人為原因，負荷數(shù)據(jù)集中有可能有缺失數(shù)據(jù)，會影響負荷模型的可靠性。常用的方法一般采用擬合函數(shù)（例如樣條函數(shù)）對缺失數(shù)據(jù)進行修補，缺點是在負荷值翻轉(zhuǎn)處往往誤差較大。相關(guān)研究人員采用人工神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行修補，但計算速度較慢。還有的研究人員從垂直（相似日方面）和水平（時間序列方面）兩個方面，采用擬合函數(shù)綜合修補缺失數(shù)據(jù)。

圖像修復(fù)是圖像生成算法的一個應(yīng)用，其目的在于填充圖像的缺失區(qū)域來彌補整體圖像的缺失信息。由于人的大腦會自動抹除一部分視覺上的不一致性，因此圖像修復(fù)中的填充內(nèi)容可以不夠精細但必須合理。使用GAN的圖像修復(fù)算法通常先針對目標數(shù)據(jù)集訓(xùn)練一個正常的生成對抗網(wǎng)絡(luò)，再用這個網(wǎng)絡(luò)對殘缺遮擋過的圖像進行填充。為了讓生成的效果最佳，需要通過定義損失函數(shù)，讓模型更好地對圖像特征向量進行編碼，這是關(guān)乎結(jié)果是否有效的重要一環(huán)。

發(fā)明內(nèi)容

1、所要解決的技術(shù)問題：

在現(xiàn)階段采集到的實際負荷數(shù)據(jù)中，由于監(jiān)測系統(tǒng)的故障或者人為原因，負荷數(shù)據(jù)集中有可能有缺失數(shù)據(jù)，會影響負荷模型的可靠性。

2、技術(shù)方案：

為了解決以上問題，本發(fā)明提供了一種基于改進對抗網(wǎng)絡(luò)的負荷數(shù)據(jù)修補方法，包括以下方法，步驟1：使用全部歷史負荷數(shù)據(jù)生成高光譜圖片：步驟2：使用opencv將高光譜圖片預(yù)處理為64*64*3的圖片；步驟3：將高光譜圖片劃分成訓(xùn)練樣本圖片和測試樣本圖片；步驟4：建立DCGAN網(wǎng)絡(luò)，使用訓(xùn)練樣本圖片進行訓(xùn)練；步驟5：在測試樣本中的高光譜圖片上隨機去除30個數(shù)據(jù)點，輸入訓(xùn)練好的DCGAN網(wǎng)絡(luò)進行測試；步驟6：將修補出的高光譜圖片使用HSV色彩模型轉(zhuǎn)化為數(shù)據(jù)，與歷史負荷數(shù)據(jù)進行對比；步驟7：選用相對誤差和均方根誤差兩種誤差指標對修補數(shù)據(jù)進行評價。

3、有益效果：

本發(fā)明提供的方法由歷史電力負荷數(shù)據(jù)形成高光譜圖片先通過圖片軟件降低分辨率；代入訓(xùn)練樣本圖片對DCGAN網(wǎng)絡(luò)進行訓(xùn)練；將測試樣本圖片上隨機去除30個數(shù)據(jù)點后代入訓(xùn)練完成的DCGAN網(wǎng)絡(luò)，得出修補后的圖片；將修補后的圖片使用HSV色彩空間方法轉(zhuǎn)化為數(shù)據(jù)；使用相對誤差（RE）和均方根誤差（RMSE）兩種誤差指標對修補數(shù)據(jù)進行誤差評價。本發(fā)明提供的方法負荷數(shù)據(jù)集中不缺失數(shù)據(jù)，負荷模型的可靠性高。

附圖說明

圖1為本發(fā)明的流程圖。

圖2為步驟4的具體流程圖。

圖3為生成器模型示意圖。

圖4為判別器模型示意圖。

具體實施方式