基于渐进式增长生成对抗网络的月度源荷场景生成

月度场景生成是月度时序生产模拟、制定电量计划以及细化场景分析的基础。针对月度源荷场景建模通常面临的多元高维变量拟合困难、源-荷不确定性加剧等问题,提出一种基于渐进式增长生成对抗网络的月度源荷场景生成新方法。对月度时序功率序列进行均值拆分处理,以得到多时间尺度功率序列,将源荷序列纵向拼接并结合多时间尺度特性设计相应的二维卷积结构;采用平滑渐进式增长方式及特殊训练策略,逐步生成多颗粒度的源荷场景;生成网络解构低维与高维特征,首先学习月、周下的日尺度特性,再逐渐拟合高维非线性特征,以生成小时级别的720月度场景。最后,基于实际风-光-荷数据集进行算例分析。结果表明所提算法在月度源荷场景生成的有效性,可为月度调度规划提供参考。

一种渐进式增长条件生成对抗网络模型

渐进式增长生成对抗网络(PGGAN)是一种能够生成高分辨图像的网络模型,但是当样本间的类别不平衡或者样本类别过于相似或不相似时,容易出现模式崩溃现象而导致生成效果不佳。提出一种渐进式增长条件生成对抗网络(PGCGAN)模型,将条件生成对抗网络的思想引入PGGAN,在PGGAN的基础上加入类别信息作为条件,在网络结构和小批量标准差两个方面对PGGAN进行了改进,缓解图像生成过程中的模式崩溃现象。在对3个数据集的实验中,相比于PGGAN,PGCGAN在起始分数(IS)和Fréchet距离(FID)两个评价图像生成的指标方面都有较大程度的提升,生成的图像具有更高的多样性和真实性;且PGCGAN可以同时训练多个无关联的数据集而不崩溃,在类别不平衡或数据过于相似和不相似的数据集中均能产生高质量的图像。

基于改进PGGAN的口腔图像数据增强算法

为解决口腔图像数据量小与图像高质量、高细节需求间的矛盾,研究一种传统数据增强和渐进增长式生成对抗网络(progressive growing of generative adversarial networks,PGGAN)算法相结合的数据增强方法。利用渐进式增长的网络结构和网络平滑机制,实现病灶图像的扩增,解决传统数据增强算法对图像多样性提升的局限性问题。针对PGGAN算法生成病灶细节存在缺陷的问题,结合轻量化的注意力机制,优化PGGAN算法,提升图像的质量。实验结果表明,针对口腔白斑和口腔扁平苔藓数据集,改进PGGAN算法生成图像的质量和多样性均有所提升。通过与其它典型网络的对比实验,进一步验证了算法的有效性。