【技术实现步骤摘要】
本申请涉及区域电力数据传输，特别是涉及一种基于生成式对抗网络的新能源数据升频重建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、随着新能源电力系统规模的日益增大，电网时刻产生大量的高频新能源数据和低频新能源数据。相比于低频新能源数据，高频新能源数据具有更丰富的多源异构的特征，能够更清晰地反映用户用电行为，形成更准确的用户画像和标签体系。但由于通信和储存技术的限制，高频新能源数据在转化为低频新能源数据之前往往需要进行升频重建来还原数据细节。
2、传统技术中，电气领域常用插值方法对一维时序电气数据进行升频重建，但存在重建精度不高，且缺乏高频细节的问题。因此，如何设计一种新能源数据升频重建方法，合理考虑多种影响因素，实现新能源数据的高精度重建，是当前电力系统亟需解决的一个重要问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于生成式对抗网络的新能源数据升频重建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种基于生成式对抗网络的新能源数据升频重建方法，包括：
3、获取待处理的新能源数据，对所述新能源数据进行归一化处理以及格式转换，得到符合像素点条件的新能源图像；
4、利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取，得到新能源图像特征，并根据所述新能源图像特征，得到训练数据集和验证数据集；
5、将所述训练数据集输入所述生成式对抗网
6、将所述新能源数据输入所述目标生成式对抗网络模型进行升频重建，得到高分辨率的目标新能源数据。
7、在其中一个实施例中，所述利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取之前，还包括：
8、将深度残差神经网络作为初始生成器，识别出所述深度残差神经网络中的残差块；对所述残差块中的批归一化层进行去除处理，得到目标残差块结构，并基于所述目标残差块结构，得到所述生成器。
9、在其中一个实施例中，所述生成式对抗网络模型包括所述生成器和判别器；所述生成器的结构为：1个第一卷积层、1个第一激活层、16个参数相同的残差块、1个第二卷积层、2个组合上采样层和1个第三卷积层依次开环连接，且16个残差块和第二卷积层组成1个组合残差块；其中，每个参数相同的残差块包括2个空洞卷积层、2个批归一化层和2个第二激活层，其结构为：1个空洞卷积层、1个批归一化层、1个第二激活层、1个空洞卷积层、1个批归一化层和1个第二激活层依次开环连接；每个组合上采样层包括1个第四卷积层、1个2倍上采样的亚像素层和1个第三激活层，其结构为：1个第四卷积层、1个2倍上采样的亚像素层和1个第三激活层依次开环连接；所述判别器的结构为：1个第五卷积层、1个第四激活层、7个组合层、1个全连接层、1个第五激活层、1个全连接层和1个第五激活层依次开环连接；其中，每个组合层的结构为：1个第六卷积层、1个批归一化层和1个第六激活层依次开环连接。
10、在其中一个实施例中，所述生成器的损失函数为：
11、式中：、、为加权系数，取、、，的计算公式为：，的计算公式为：以及的计算公式为：。
12、在其中一个实施例中，判别器的损失函数为：
13、
14、每个判别器通过神经网络拟合，由级联的8个基本单元、线性回归单元、激活单元、线性回归单元组成，每个基本单元内由级联的卷积层、批标准化单元和激活单元组成。
15、在其中一个实施例中，所述将所述训练数据集输入所述生成式对抗网络模型中进行训练，并利用所述验证数据集对所述生成式对抗网络模型的超参数进行调整，包括：
16、将所述训练数据集分成若干个批次的训练样本，将所述训练样本按照批次顺序输入所述生成式对抗网络模型中，使用小批量梯度下降的方法对所述生成式对抗网络模型进行分批次训练；在所述生成式对抗网络模型训练完成的情况下，利用所述验证数据集对所述生成式对抗网络模型的所述超参数进行调整直至达到收敛。
17、第二方面，本申请还提供了一种基于生成式对抗网络的新能源数据升频重建装置，包括：
18、数据处理模块，用于获取待处理的新能源数据，对所述新能源数据进行归一化处理以及格式转换，得到符合像素点条件的新能源图像；
19、特征提取模块，用于利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取，得到新能源图像特征，并根据所述新能源图像特征，得到训练数据集和验证数据集；
20、参数调整模块，用于将所述训练数据集输入所述生成式对抗网络模型中进行训练，并利用所述验证数据集对所述生成式对抗网络模型的超参数进行调整，得到目标生成式对抗网络模型；
21、升频重建模块，用于将所述新能源数据输入所述目标生成式对抗网络模型进行升频重建，得到高分辨率的目标新能源数据。
22、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
23、获取待处理的新能源数据，对所述新能源数据进行归一化处理以及格式转换，得到符合像素点条件的新能源图像；利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取，得到新能源图像特征，并根据所述新能源图像特征，得到训练数据集和验证数据集；将所述训练数据集输入所述生成式对抗网络模型中进行训练，并利用所述验证数据集对所述生成式对抗网络模型的超参数进行调整，得到目标生成式对抗网络模型；将所述新能源数据输入所述目标生成式对抗网络模型进行升频重建，得到高分辨率的目标新能源数据。
24、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
25、获取待处理的新能源数据，对所述新能源数据进行归一化处理以及格式转换，得到符合像素点条件的新能源图像；利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取，得到新能源图像特征，并根据所述新能源图像特征，得到训练数据集和验证数据集；将所述训练数据集输入所述生成式对抗网络模型中进行训练，并利用所述验证数据集对所述生成式对抗网络模型的超参数进行调整，得到目标生成式对抗网络模型；将所述新能源数据输入所述目标生成式对抗网络模型进行升频重建，得到高分辨率的目标新能源数据。
26、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
27、获取待处理的新能源数据，对所述新能源数据进行归一化处理以及格式转换，得到符合像素点条件的新能源图像；利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取，得到新能源图像特征，并根据所述新能源图像特征，得到训练数据集和验证数据集；将所述训练本文档来自技高网...
【技术保护点】
1.一种基于生成式对抗网络的新能源数据升频重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取之前，还包括：
3.根据权利要求2所述的方法，其特征在于，所述生成式对抗网络模型包括所述生成器和判别器；
4.根据权利要求3所述的方法，其特征在于，所述生成器的损失函数为：
5.根据权利要求3所述的方法，其特征在于，判别器的损失函数为：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述将所述训练数据集输入所述生成式对抗网络模型中进行训练，并利用所述验证数据集对所述生成式对抗网络模型的超参数进行调整，包括：
7.一种基于生成式对抗网络的新能源数据升频重建装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于生成式对抗网络的新能源数据升频重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述利用生成式对抗网络模型中的生成器对所述新能源图像进行特征提取之前，还包括：
3.根据权利要求2所述的方法，其特征在于，所述生成式对抗网络模型包括所述生成器和判别器；
4.根据权利要求3所述的方法，其特征在于，所述生成器的损失函数为：
5.根据权利要求3所述的方法，其特征在于，判别器的损失函数为：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述将所述训练数据集输入所述生成式对抗网络模型中进行训练，并利用所述验...
【专利技术属性】
技术研发人员：何润泉，张一新，胡子侯，许建远，黎志瑞，李慰明，梁劲海，何东桥，陈志强，杨东灿，
申请(专利权)人：广东电网有限责任公司茂名供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。