电力系统运行与规划中需重点关注到楼宇空调负荷的不确定性,可将楼宇空调负荷变化的不确性场景转化为多个确定性场景的场景生成问题。提出了楼宇空调负荷场景生成问题的基本分析框架,深入分析了楼宇空调负荷的用能特征,挖掘了楼宇空调...电力系统运行与规划中需重点关注到楼宇空调负荷的不确定性,可将楼宇空调负荷变化的不确性场景转化为多个确定性场景的场景生成问题。提出了楼宇空调负荷场景生成问题的基本分析框架,深入分析了楼宇空调负荷的用能特征,挖掘了楼宇空调负荷用能时序序列数据所蕴含的动静态特征。将楼宇空调负荷数据的动静态特征作为条件监督项,将无监督对抗训练与监督训练相结合,设计了联合训练损失函数与全局优化损失函数,并在此基础上提出了一种基于条件时序生成对抗网络(time series generative adversarial nets,TimeGAN)的楼宇空调负荷场景生成方法。最后,通过算例验证了所提方法的可行性与有效性。研究成果对提高楼宇空调负荷主动参与电力系统的运行规划有积极的意义。展开更多
应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN...应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。展开更多
针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成...针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。展开更多
文摘电力系统运行与规划中需重点关注到楼宇空调负荷的不确定性,可将楼宇空调负荷变化的不确性场景转化为多个确定性场景的场景生成问题。提出了楼宇空调负荷场景生成问题的基本分析框架,深入分析了楼宇空调负荷的用能特征,挖掘了楼宇空调负荷用能时序序列数据所蕴含的动静态特征。将楼宇空调负荷数据的动静态特征作为条件监督项,将无监督对抗训练与监督训练相结合,设计了联合训练损失函数与全局优化损失函数,并在此基础上提出了一种基于条件时序生成对抗网络(time series generative adversarial nets,TimeGAN)的楼宇空调负荷场景生成方法。最后,通过算例验证了所提方法的可行性与有效性。研究成果对提高楼宇空调负荷主动参与电力系统的运行规划有积极的意义。
文摘应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。
文摘针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。
