[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

说明书

本发明提供一种基于C‑GAN迁移学习的IES不完备数据负荷预测方法及系统。首先采集原始样本数据并进行归一化处理，然后将归一化处理后的样本数据采用深度变分自编码网络提取样本特征，再将提取的样本特征输入到构建的第一个C‑GAN的生成器中，当生成器和判别器博弈达到纳什均衡时对不完备样本数据进行扩展，将扩展后的样本数据集输入到构建的第二个条件C‑GAN的生成器中，当生成器和判别器博弈达到纳什均衡时并行预测电、气、热负荷，基于C‑GAN的判别器对预测精度进行判断，并且在生成器和判别器博弈达到纳什均衡过程不断修正和提高综合能源负荷预测的预测精度，通过本发明提供的预测系统进行负荷预测，减少了网络训练所需的参数，同时缩短了预测时间。

技术领域

本发明涉及综合能源负荷预测和人工智能技术领域，尤其涉及一种基于C-GAN迁移学习的IES不完备数据负荷预测方法及系统。

背景技术

目前，我国的综合能源系统(简称IES)规模不断扩大，综合能源系统的实时调度成为了重中之重。而提升综合能源系统负荷预测速度与精度对实现综合能源系统的实时调度与优化运行都具至关重要的作用。但在实际应用中，样本采集在综合能源负荷预测方面起到十分重要的作用，由于停电、样本采集器不工作等原因造成综合能源系统数据采集不完备，这种不完备数据对综合能源负荷预测产生不可忽略的影响。

已有的综合能源系统负荷预测方法中，以预测精度为优点的算法在速度上存在不足，而计算速度和精度较好的基于能量函数的直接法无法应用在复杂系统中。而且，目前存在的综合能源负荷预测没有考虑不完备数据情况。近年来，机器学习法被应用到负荷预测问题中，例如人工神经网络、支持向量机等方法，取得了较大的进展，但是它们由于特征学习能力弱的特性，预测准确率难以保证。深度学习方法也被引入到该领域，例如深度置信网络和长短时间记忆等，但是在对于样本的处理和深度学习网络的精确应用还存在着不足。目前存在的综合能源系统负荷没有防止局部极小值点，保证网络解唯一性。

发明内容

针对现有技术的不足，本发明提出一种基于C-GAN迁移学习的IES不完备数据负荷预测方法及系统，具体表述为基于不完备数据的C-GAN(条件生成对抗网络)与多任务学习结合的综合能源负荷预测方法及系统，本发明针对综合能源系统的实际状况进行了样本的处理和扩展，使得负荷预测更加精确和快速。

为实现上述技术效果，本发明提出了一种基于C-GAN迁移学习的IES不完备数据负荷预测方法，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综合能源系统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，所述综合能源系统的历史样本数据集包括四个样本数据集，分别为综合能源系统的温度样本数据集、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)归一化处理综合能源系统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表示综合能源系统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综合能源系统的历史样本数据集，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；