(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111029723.0 (22)申请日 2021.09.0 3 (71)申请人 国网甘肃省电力公司电力科 学研究 院 地址 730070 甘肃省兰州市安宁区万 新路 249号 申请人 国网甘肃省电力公司 　 中国人民大 学 (72)发明人 马彦宏　吕清泉　周强　王定美　 高鹏飞　张珍珍　张睿骁　张健美　 张彦琪　张孝　赵昊　 (74)专利代理 机构 湖南楚墨知识产权代理有限 公司 43268 代理人 麦振声(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向新能源数据采集的模拟生成方法 (57)摘要 一种面向新能源 数据采集的模拟生成方法， 包括语义解析模块、 数据生 成模块和数据转换模 块， 本发明引入生成对抗网络来提高仿真数据的 效用和隐私保护， 并建立正则表达式规则用于数 据模式生 成。 利用生成对抗网络的无需广泛注释 训练数据就能学习深层表示， 通过一对网络的竞 争过程来获得反向传播信号的特点， 实现对复杂 信号例如风电/光伏等新能源并网监测数据的发 电功率预测。 权利要求书3页 说明书7页 附图5页 CN 114201909 A 2022.03.18 CN 114201909 A 1.一种面向新能源数据采集的模拟生成方法， 其特征在于： 包括语义解析模块、 数据生 成模块和数据转换模块。 2.根据权利要求1所述的一种面向新 能源数据采集的模拟生成方法， 其特征在于： 所述 语义解析模块包括非正则解析和正则解析。 3.根据权利要求1所述的一种面向新 能源数据采集的模拟生成方法， 其特征在于： 所述 数据生成模块包括 规则库模块和Smar t模块。 4.根据权利要求1所述的一种面向新 能源数据采集的模拟生成方法， 其特征在于： 所述 数据转换模块采用GAN训练算法生成场景生成方法， GAN训练算法如下 所示： 算法:VTRAI N(m, αd, αg,T) 输入:m:批量大小； α d:鉴别器D的学习率； α g:生成器G的学习率； T: 训练迭代次数 输出:生成器G； 鉴别器D； a.分别对G和D初始参数 和 b.for t＝1,2,3, ……,T do c./*训练鉴别器D d.从噪声pz(z)中采样生成噪声样本 并从中取样本m e.从样本pdata(t)中采样生成样本 并从中取样本m f. g. h./*训练生成器G i.从噪声pz(z)中采样生成噪声样本 并从中取样本m j. k. l.返回G,D 其中m是每批的大小和αd( αg)是鉴别器D(生成器G)的学习速率,在每次迭代中， 交替训 练D和G， 首先,固定G然后使用噪声样本 和真实样本 训练D， 使用 Adam优化 参数， 接下来， 固定D， 通过另一组噪声样本来更新 生成器的参数θg。 5.根据权利要求3、 4所述的一种面向新能源数据采集的模拟生成方法， 其特征在于： 所 述Smart模块采用基于 GAN的合成框架， 它以一个 关系表T作为输入， 分三个阶段生 成一个合 成数据表T`： 第一阶段 ——数据转换 这个阶段的目的是为后续的GAN模型训练准备输入数据， 具体来说， 它将具有混合属性 类型(连续、 离散、 分类)的每个记录t∈T,变换成数值t∈Rd的样本， 在 转换的过程中还要考 虑不同神经网络对输入的不同要求， 如卷积神经网络是矩阵， 全连通神经网络是向量， 并将 数值规范化为适当的范围， 然后将 样本t∈Rd输入到GAN神经网络中；权　利　要　求　书 1/3 页 2 CN 114201909 A 2第二阶段 ——GAN模型训练 本阶段的目标是训练一个深度生成模型G， 具体来说， G将随机噪声作为输入， 生成合成 样本， 同时， 采样 器从上一阶段准备的数据中提取样 本， 然后， 结合真实样 本和合成样 本， 我 们的鉴别器D决定给定样 本是真实样 本的概率， 通过迭代应用minibath随机梯度下降法， 对 G和D的参数进行优化， 从而提高G的性能， 生成欺骗D的难以分辨的样本； 将使用全连接神经网络(MLP)来实现生成器G和鉴别器D， 它使用神经层来将随机噪声z 转换为样 本t， 具体来说， G取一个先验噪声z作为输入， 也记作， 利用L个全连通层， 其中每一 层由计算： Wl是权重， bl是偏差,φ是激活函数ReLu和BN是批标准化， BN作用是使模型在深度神经 网络训练过程每一层神经网络的输入保持相同分布， 激活函数Relu 可以缩小做和不做非监 督与训练的差距， 使模型能更 快学习特征， 使得学习周期大 大缩短， 效率 提升； 模型中采用one ‑hot和GMM ‑based数据转换方式， 因此采用如下的计算方式在输出层中 生成向量： 首先使用 生成vgmm,然后使用 生成一个one ‑hot向量， 表示vgmm属于哪个组件， 将所有属性的tj组合起来， 作为合成样本； 第三阶段 ——合成数据生成 此阶段利用在上一阶段中得到良好训练的G来生成合成表， 它反复向G输入先验噪声z (以及目标标签)， 生 成一组合成样 本{t}， 接下来， 它采用与第一阶段相同的数据转换方案， 将样本转换回组成； 对于电力场景生成来说此阶段利用t分布拟合预测误差分布情况， 对标准t分布进行了 改进使其带有位移和尺度参数， 取 得了好的拟合效果， t分布的分布密度函数f(x)可表示 为： 其中v是自由度Γ( ·)为伽马函数； 改进的t分布在原有的基础上增 加了尺度和位移参数， 如下 所示： 其中 μ是位移参数； σ 是尺度参数。 6.根据权利要求3所述的一种面向新 能源数据采集的模拟生成方法， 其特征在于： 所述 规则库模块内置了很多数据生成小模块， 如Name、 Email、 Phone等等用于生成内置数据类 型， 如Name类可以生 成中文姓名， Email类可以生 成电子邮箱， 还包括以及自定义模块、 任意 概率分布模块， 如： 正则模块、 正态分布模块、 二项分布模块；权　利　要　求　书 2/3 页 3 CN 114201909 A 3