本技術(shù)涉及區(qū)域電力數(shù)據(jù)傳輸，特別是涉及一種基于生成式對抗網(wǎng)絡(luò)的新能源數(shù)據(jù)升頻重建方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、隨著新能源電力系統(tǒng)規(guī)模的日益增大，電網(wǎng)時(shí)刻產(chǎn)生大量的高頻新能源數(shù)據(jù)和低頻新能源數(shù)據(jù)。相比于低頻新能源數(shù)據(jù)，高頻新能源數(shù)據(jù)具有更豐富的多源異構(gòu)的特征，能夠更清晰地反映用戶用電行為，形成更準(zhǔn)確的用戶畫像和標(biāo)簽體系。但由于通信和儲存技術(shù)的限制，高頻新能源數(shù)據(jù)在轉(zhuǎn)化為低頻新能源數(shù)據(jù)之前往往需要進(jìn)行升頻重建來還原數(shù)據(jù)細(xì)節(jié)。

2、傳統(tǒng)技術(shù)中，電氣領(lǐng)域常用插值方法對一維時(shí)序電氣數(shù)據(jù)進(jìn)行升頻重建，但存在重建精度不高，且缺乏高頻細(xì)節(jié)的問題。因此，如何設(shè)計(jì)一種新能源數(shù)據(jù)升頻重建方法，合理考慮多種影響因素，實(shí)現(xiàn)新能源數(shù)據(jù)的高精度重建，是當(dāng)前電力系統(tǒng)亟需解決的一個(gè)重要問題。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種基于生成式對抗網(wǎng)絡(luò)的新能源數(shù)據(jù)升頻重建方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種基于生成式對抗網(wǎng)絡(luò)的新能源數(shù)據(jù)升頻重建方法，包括：

3、獲取待處理的新能源數(shù)據(jù)，對所述新能源數(shù)據(jù)進(jìn)行歸一化處理以及格式轉(zhuǎn)換，得到符合像素點(diǎn)條件的新能源圖像；

4、利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取，得到新能源圖像特征，并根據(jù)所述新能源圖像特征，得到訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

5、將所述訓(xùn)練數(shù)據(jù)集輸入所述生成式對抗網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行調(diào)整，得到目標(biāo)生成式對抗網(wǎng)絡(luò)模型；

6、將所述新能源數(shù)據(jù)輸入所述目標(biāo)生成式對抗網(wǎng)絡(luò)模型進(jìn)行升頻重建，得到高分辨率的目標(biāo)新能源數(shù)據(jù)。

7、在其中一個(gè)實(shí)施例中，所述利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取之前，還包括：

8、將深度殘差神經(jīng)網(wǎng)絡(luò)作為初始生成器，識別出所述深度殘差神經(jīng)網(wǎng)絡(luò)中的殘差塊；對所述殘差塊中的批歸一化層進(jìn)行去除處理，得到目標(biāo)殘差塊結(jié)構(gòu)，并基于所述目標(biāo)殘差塊結(jié)構(gòu)，得到所述生成器。

9、在其中一個(gè)實(shí)施例中，所述生成式對抗網(wǎng)絡(luò)模型包括所述生成器和判別器；所述生成器的結(jié)構(gòu)為：1個(gè)第一卷積層、1個(gè)第一激活層、16個(gè)參數(shù)相同的殘差塊、1個(gè)第二卷積層、2個(gè)組合上采樣層和1個(gè)第三卷積層依次開環(huán)連接，且16個(gè)殘差塊和第二卷積層組成1個(gè)組合殘差塊；其中，每個(gè)參數(shù)相同的殘差塊包括2個(gè)空洞卷積層、2個(gè)批歸一化層和2個(gè)第二激活層，其結(jié)構(gòu)為：1個(gè)空洞卷積層、1個(gè)批歸一化層、1個(gè)第二激活層、1個(gè)空洞卷積層、1個(gè)批歸一化層和1個(gè)第二激活層依次開環(huán)連接；每個(gè)組合上采樣層包括1個(gè)第四卷積層、1個(gè)2倍上采樣的亞像素層和1個(gè)第三激活層，其結(jié)構(gòu)為：1個(gè)第四卷積層、1個(gè)2倍上采樣的亞像素層和1個(gè)第三激活層依次開環(huán)連接；所述判別器的結(jié)構(gòu)為：1個(gè)第五卷積層、1個(gè)第四激活層、7個(gè)組合層、1個(gè)全連接層、1個(gè)第五激活層、1個(gè)全連接層和1個(gè)第五激活層依次開環(huán)連接；其中，每個(gè)組合層的結(jié)構(gòu)為：1個(gè)第六卷積層、1個(gè)批歸一化層和1個(gè)第六激活層依次開環(huán)連接。

10、在其中一個(gè)實(shí)施例中，所述生成器的損失函數(shù)為：

11、式中：、、為加權(quán)系數(shù)，取、、，的計(jì)算公式為：，的計(jì)算公式為：以及的計(jì)算公式為：。

12、在其中一個(gè)實(shí)施例中，判別器的損失函數(shù)為：

13、

14、每個(gè)判別器通過神經(jīng)網(wǎng)絡(luò)擬合，由級聯(lián)的8個(gè)基本單元、線性回歸單元、激活單元、線性回歸單元組成，每個(gè)基本單元內(nèi)由級聯(lián)的卷積層、批標(biāo)準(zhǔn)化單元和激活單元組成。

15、在其中一個(gè)實(shí)施例中，所述將所述訓(xùn)練數(shù)據(jù)集輸入所述生成式對抗網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行調(diào)整，包括：

16、將所述訓(xùn)練數(shù)據(jù)集分成若干個(gè)批次的訓(xùn)練樣本，將所述訓(xùn)練樣本按照批次順序輸入所述生成式對抗網(wǎng)絡(luò)模型中，使用小批量梯度下降的方法對所述生成式對抗網(wǎng)絡(luò)模型進(jìn)行分批次訓(xùn)練；在所述生成式對抗網(wǎng)絡(luò)模型訓(xùn)練完成的情況下，利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的所述超參數(shù)進(jìn)行調(diào)整直至達(dá)到收斂。

17、第二方面，本技術(shù)還提供了一種基于生成式對抗網(wǎng)絡(luò)的新能源數(shù)據(jù)升頻重建裝置，包括：

18、數(shù)據(jù)處理模塊，用于獲取待處理的新能源數(shù)據(jù)，對所述新能源數(shù)據(jù)進(jìn)行歸一化處理以及格式轉(zhuǎn)換，得到符合像素點(diǎn)條件的新能源圖像；

19、特征提取模塊，用于利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取，得到新能源圖像特征，并根據(jù)所述新能源圖像特征，得到訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

20、參數(shù)調(diào)整模塊，用于將所述訓(xùn)練數(shù)據(jù)集輸入所述生成式對抗網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行調(diào)整，得到目標(biāo)生成式對抗網(wǎng)絡(luò)模型；

21、升頻重建模塊，用于將所述新能源數(shù)據(jù)輸入所述目標(biāo)生成式對抗網(wǎng)絡(luò)模型進(jìn)行升頻重建，得到高分辨率的目標(biāo)新能源數(shù)據(jù)。

22、第三方面，本技術(shù)還提供了一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

23、獲取待處理的新能源數(shù)據(jù)，對所述新能源數(shù)據(jù)進(jìn)行歸一化處理以及格式轉(zhuǎn)換，得到符合像素點(diǎn)條件的新能源圖像；利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取，得到新能源圖像特征，并根據(jù)所述新能源圖像特征，得到訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；將所述訓(xùn)練數(shù)據(jù)集輸入所述生成式對抗網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行調(diào)整，得到目標(biāo)生成式對抗網(wǎng)絡(luò)模型；將所述新能源數(shù)據(jù)輸入所述目標(biāo)生成式對抗網(wǎng)絡(luò)模型進(jìn)行升頻重建，得到高分辨率的目標(biāo)新能源數(shù)據(jù)。

24、第四方面，本技術(shù)還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

25、獲取待處理的新能源數(shù)據(jù)，對所述新能源數(shù)據(jù)進(jìn)行歸一化處理以及格式轉(zhuǎn)換，得到符合像素點(diǎn)條件的新能源圖像；利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取，得到新能源圖像特征，并根據(jù)所述新能源圖像特征，得到訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；將所述訓(xùn)練數(shù)據(jù)集輸入所述生成式對抗網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行調(diào)整，得到目標(biāo)生成式對抗網(wǎng)絡(luò)模型；將所述新能源數(shù)據(jù)輸入所述目標(biāo)生成式對抗網(wǎng)絡(luò)模型進(jìn)行升頻重建，得到高分辨率的目標(biāo)新能源數(shù)據(jù)。

26、第五方面，本技術(shù)還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

27、獲取待處理的新能源數(shù)據(jù)，對所述新能源數(shù)據(jù)進(jìn)行歸一化處理以及格式轉(zhuǎn)換，得到符合像素點(diǎn)條件的新能源圖像；利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取，得到新能源圖像特征，并根據(jù)所述新能源圖像特征，得到訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；將所述訓(xùn)練數(shù)據(jù)集輸入所述生成式對抗網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用所述驗(yàn)證數(shù)據(jù)集對所述生成式對抗網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行調(diào)整，得到目標(biāo)生成式對抗網(wǎng)絡(luò)模型；將所述新能源數(shù)據(jù)輸入所述目標(biāo)生成式對抗網(wǎng)絡(luò)模型進(jìn)行升頻重建，得到高分辨率的目標(biāo)新能源數(shù)據(jù)。

28、上述基于生成式對抗網(wǎng)絡(luò)的新能源數(shù)據(jù)升頻重建方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，通過將時(shí)序新能源數(shù)據(jù)轉(zhuǎn)化為新能源圖像，并利用生成式對抗網(wǎng)絡(luò)模型中的生成器對所述新能源圖像進(jìn)行特征提取，得到新能源圖像特征。同時(shí)，利用基于深層殘差網(wǎng)絡(luò)的生成器和改進(jìn)的殘差塊結(jié)構(gòu)，提高生成器的特征學(xué)習(xí)能力，以深度卷積神經(jīng)網(wǎng)絡(luò)作為判別器進(jìn)行二者的對抗博弈，實(shí)現(xiàn)更高的重建精度，最后將訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本分成若干個(gè)批次并按批次送入生成式對抗神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并利用驗(yàn)證數(shù)據(jù)集對超參數(shù)進(jìn)行調(diào)整。與傳統(tǒng)的重建方法相比，本方案的方法具有更高的重建精度與更豐富的重建細(xì)節(jié)，在相同的模型參數(shù)下能夠?qū)Σ煌臄?shù)據(jù)集實(shí)現(xiàn)高精度升頻重建，且訓(xùn)練好的重建模型在同一個(gè)地理位置的不同數(shù)據(jù)集具有可泛化性，為電網(wǎng)數(shù)據(jù)升頻重建提供了良好的技術(shù)支撐。