[发明专利]基于C-GAN迁移学习的IES不完备数据负荷预测方法及系统

权利要求书

1.一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，其特征在于，包括以下步骤：

步骤1：采集原始样本数据集，所述原始样本数据集包括IES的历史样本数据集以及实际负荷特征数据的历史样本数据集，所述IES的历史样本数据集包括四个样本数据集，分别为IES的温度样本数据集、湿度样本数据集、日期样本数据集和经济样本数据集，所述实际负荷特征数据的历史样本数据集包括三个样本数据集，分别为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集；

步骤2：利用公式(1)归一化处理IES的历史样本数据集中的所有样本数据，得到归一化处理后的样本数据集：

式中，x表示IES的历史样本数据集中的每个样本数据值，x_max表示每个样本数据集中绝对值最大的样本数据值，x_min表示每个样本数据集中绝对值最小的样本数据值，x_std表示归一化处理后的样本数据集中的样本数据值；

步骤3：采用深度变分自编码网络提取归一化处理后的样本数据集，用提取出的特征样本数据集作为真实样本数据集来代替IES的历史样本数据集，具体步骤如下：

3.1)构建自编码器个数为N的深度变分自编码网络；

3.2)采用梯度下降法训练深度变分自编码网络，进行网络参数的微调，所述网络参数包括神经元的偏置和权重、网络层数、神经元个数；

3.3)将深度变分自编码网络输出的维数为的特征样本数据集作为真实样本数据集来代替IES的历史样本数据集；

步骤4：任意选取个数为个的随机数构成一个随机样本数据集；

步骤5：构建第一个C-GAN用于扩展样本数据集，具体步骤如下：

步骤5.1：利用C-GAN构建一个隐藏层为n个全连接层的生成器模型，输入层的输入为随机样本数据集，输出层的输出为伪样本数据集；

步骤5.2：利用C-GAN构建一个隐藏层为m个全连接层，且输出层为Softmax分类器的判别器模型，将真实样本数据集与伪样本数据集共同作为输入，通过Softmax分类器输出的预测判断结果来判断输出的每个样本是伪样本数据集中的样本还是真实样本数据集中的样本；

步骤5.3：依据判别器输出的预测判断结果，采用小波激活函数调整生成器中的参数，使得生成器生成的伪样本数据集与真实样本数据集具有相同的分布概型，所述参数包括神经元的权值和偏重、网络层数、神经元个数；

步骤5.4：根据激活函数不断调整生成器和判别器的参数，使得生成器和判别器的博弈达到纳什平衡；

步骤5.5：当C-GAN的生成器与判别器的博弈达到纳什均衡时，利用权值共享并行训练并输出维数为的样本集作为伪样本数据集；

步骤5.6：利用生成器生成的与真实样本数据集具有相同分布概型的伪样本数据集对真实样本数据集中的不完备数据进行扩展，得到扩展样本数据集；

步骤6：构建第二个C-GAN用来预测IES中的电负荷、气负荷和热负荷，具体表述为：

步骤6.1：利用C-GAN构建一个隐藏层为n₁个全连接层的生成器模型，输入层为扩展样本数据集，输出层输出维数为3的样本集作为预测样本数据集，所述预测样本数据集为电负荷的预测样本数据集、气负荷的预测样本数据集、热负荷的预测样本数据集；

步骤6.2：利用C-GAN构建一个隐藏层为m₁个全连接层，且输出层为Softmax分类器的判别器模型，将实际负荷特征数据的历史样本数据集和预测样本数据集共同作为输入，通过Softmax分类器输出的预测判断结果来判断输出的每个样本是实际负荷特征数据的历史样本数据集中的样本还是预测样本数据集中的样本；

步骤6.3：依据判别器输出的预测判断结果，采用小波激活函数调整生成器中的参数，使得生成器生成的预测样本数据集和实际负荷特征数据的历史样本数据集具有相同的分布概型，所述参数包括神经元的权值和偏重、网络层数、神经元个数；

步骤6.4：根据激活函数不断调整生成器和判别器的参数，使得生成器和判别器的博弈达到纳什平衡；

步骤6.5：当C-GAN的生成器与判别器的博弈达到纳什均衡时，利用权值共享并行训练并输出预测样本数据集。