一种基于对抗-扩散混合模型的能源系统样本生成方法

本发明涉及数据分析和系统决策问题，主要涉及一种基于对抗-扩散混合模型的能源系统样本生成方法。

背景技术：

1、在现代能源系统中，数据是实施决策与问题诊断的基础，其直接影响着建模、预测和优化的准确性与可靠性。但由于当前大部分能源系统都存在工况样本空间不均衡的问题，即极端工况样本缺失。而样本生成方法通过生成对应工况样本，从而平衡工况样本空间。高质量的样本生成可以有效反映能源系统的复杂动态特征，支持后续的数据驱动决策。然而，目前的样本生成方法存在一些显著的不足，限制了其在能源系统中的应用。

2、近年来，对抗生成网络(gan)和扩散模型(ddpm)作为先进的生成模型，展现出了强大的样本生成能力。gan通过生成器和判别器的对抗训练，能够生成高质量的样本，但其训练过程容易出现模式崩溃和不稳定的问题。扩散模型通过逐步添加噪声并反向去噪的过程生成数据，具有较高的生成质量和稳定性，但生成效率相对较低。

3、针对现有技术的不足和能源系统对高质量样本生成的迫切需求，亟需一种新的能源系统样本生成方法。

技术实现思路

1、为解决能源系统中运行工况样本空间不均衡的难题，本发明提供了一种基于对抗-扩散混合模型的能源系统样本生成方法，该方法结合了gan和扩散模型的优点，不仅能生成高质量和均匀分布的样本，还能有效捕捉能源系统数据中的复杂模式和非线性特征。这一创新方法为能源系统的建模、预测和优化提供了更加可靠和精确的数据支持，有望显著提升能源管理和调度的智能化水平。该方法能够依据现有的工况样本关联特征，生成准确的能源系统工况样本，从而扩充能源系统运行工况样本库，提升能源系统运行、调度、预测过程面对极端工况的应对能力。

2、本发明采用以下技术方案实现：

3、一种基于对抗-扩散混合模型的能源系统样本生成方法，所述对抗-扩散混合模型的获取方法，包括如下步骤：

4、步骤s1：构建能源系统工况库以及与能源系统工况相关的特征库。具体而言：

5、s11工况库的构建：收集并整理能源系统的历史运行数据，提取关键工况参数，构建工况库。工况库中的样本可以表示为一个矩阵x，具体形式为式(1)：

6、x＝[x1,x2,x3,…,xi]                        (1)

7、其中，xi表示样本x中的第i个时序向量。以锅炉系统为例，x1,x2,x3可分别表示一次风量、二次风量、炉膛温度。

8、s12特征库的构建：寻找和样本x有关的特征，构建特征库。特征库可以表示为一个矩阵f，具体形式为式(2)：

9、f＝[f1,f2,f3,…,fj]                        (2)

10、其中，fj表示特征矩阵中f的第j个时序向量。以锅炉系统为例，f1,f2,f3可分别表示燃料种类、炉膛结构、空气量。

11、s13数据预处理：对样本矩阵和特征矩阵中的数据进行预处理，包括缺失值填补、数据标准化和异常值检测等。预处理后的样本矩阵x`和特征矩阵f`分别表示为式(3)-(4)。

12、x`＝[x`1,x`2,x`3,…,x`i]                       (3)

13、f`＝[f`1,f`2,f`3,…,f`j]                        (4)

14、其形式与原矩阵相同，但数值经过处理，以便后续建模使用。

15、步骤s2：对步骤s1所构建的能源系统工况库中的样本进行扩散处理。该步骤旨在通过向样本中逐步添加噪声数据，从而使样本最后趋近于高斯噪声，以便后续从随机噪声数据中间还原加噪过程，生成对应样本。具体而言：

16、将预处理后的样本x进行扩散处理，构建扩散处理的核心是逐步添加噪声，得到不同噪声水平下的样本分布。

17、s21构造噪声矩阵n，其形式为式(5)。

18、n＝[n1,n2,n3,…,ni]                       (5)

19、其中，ni表示于样本矩阵x`中x`i对应的噪声数据。

20、s22噪声添加：通过将噪声矩阵n加入到预处理后的样本矩阵x`中，得到带噪声的样本矩阵x``，计算过程可表示为式(6)。

21、x``＝x`+αn                  (6)

22、其中，α表示噪声强度系数，同于控制每一次加噪过程的强弱。

23、s23扩散过程：通过多次迭代扩散过程，逐步增加噪声水平，每次迭代后的样本矩阵可以表示为式(7)。

24、x``t＝x``t-1+αtn                 (7)

25、其中，t表示迭代次数，通常根据经验选择即可；αt表示第t次迭代的噪声强度系数，其选取通常采用cos曲线。

26、s24扩散结果：在完成多次迭代后，得到最终的扩散样本矩阵x``t。且扩散的中间过程样本库i被用于构建gan的训练材料，过程样本库i如式(8)所示。

27、i＝[x``1,x``2,x``3,…,x``t,…,x``t]              (8)

28、步骤s3构建用于特征提取的对抗生成网络模型，并利用步骤s1与步骤s2所得结果作为训练数据集训练对抗生成网络模型。该步骤旨在构建一个以步骤s13中提到的特征矩阵f`为输入，以步骤s24中提到过程样本库i为目标输出带有特征信息的样本i`的对抗生成网络。同时由于以特征矩阵f`为输入，所生成的样本i`包含特征矩阵f`的特征。具体而言：

29、s31构建对抗生成网络模型：对抗生成网络模型主要由生成器(g)和判别器(d)组成。生成器负责从输入中提取有用信息，建立输入与目标特征g(z)之间的映射关系，其中z为输入的外部条件。判别器通过训练来判断带有标签的输入目标特征的真实性，并提供0～1之间的分数d(g(z))或d(x)来衡量真实性，其中x为真实的目标特征。对抗生成网络模型的损失函数可以表示为式(9)-式(10)

30、l(g)＝ex～i(x)[1-d(x)]               (9)

31、

32、其中，l(g)和l(d)分别为生成器损失和判别器损失；ex～i(x)[1-d(x)]表示计算随机变量[1-d(x)]数学期望，其中x遵循i(x)分布；d(x)和g(z)分别表示判别器的输出和生成器的输出，pz(z)表示随机高斯噪声的数学分布。

33、s32训练对抗生成网络模型：通过梯度下降算法对构建的对抗生成网络进行训练；生成器以特征矩阵f`为输入，以过程样本库i为目标输出带有特征信息的样本i`；判别器以生成器输出的带有特征信息的样本i`和过程样本库i为输入，输出为对于过程样本库i的真实性评判。

34、通过向生成器输入特征矩阵f`从而生成带有特征信息的样本i`，可表示为式(11)。

35、i`＝g(f`)        (11)

36、步骤s4：构建预测噪声的神经网络，并以随机高斯噪声作为训练数据集训练预测噪声的神经网络。所述预测噪声的神经网络用于预测在扩散过程中添加的噪声数据，以便从任意随机噪声中重构工况样本。通过神经网络预测扩散过程中的每一步加入噪声数据，从随机高斯噪声中重构样本。预测噪声的神经网络的输入为扩散过程中的样本x``t，输出为根据样本x``t获得的重构样本。具体而言：

37、所述预测噪声的神经网络的损失函数表示如下：

38、l(θ)＝e[||∈-∈θ(x``t,t)||2]      (12)

39、其中，l(θ)表示预测噪声损失，e[||∈-∈θ(x``t,t)||2]表示对||∈-∈θ(x``t,t)||2计算期望，∈θ表示预测噪声的神经网络，∈表示噪声数据，t表示第t次迭代；

40、利用所述预测噪声的神经网络生成重构样本，计算过程见下式：

41、

42、其中，x```t表示初始重构样本，为随机噪声；x```t-1表示第t-1次迭代获得的重构样本。

43、进一步地，利用所述对抗-扩散混合模型生成能源系统样本，具体步骤为：

44、利用训练好的对抗生成网络模型生成带有特征信息的样本i`，利用训练好的预测噪声的神经网络生成重构样本x```1，将二者加权平均生成样本，具体计算公式见下式：

45、i``＝βi`+(1-β)x```1                             (14)

46、其中，i``表示最终获得的样本，β为加权权重，通常按照经验选取。

47、本发明的有益效果为：

48、本发明提供了一种基于对抗-扩散混合模型的能源系统样本生成方法，通过对gan和ddpm网络与模型结构的深度融合，有效整合了两种模型的优点，获取了兼顾准确性、鲁棒性、有效性的对抗-扩散混合模型。通过该模型可以生成高质量、均匀分布的工况样本，特别是稀缺的极端工况样本，从而平衡样本空间，对能源系统运行、调度、预测提供数据支撑。本发明方法为能源系统的建模、预测和优化提供了更加可靠和精确的数据支持，有望显著提升能源管理和调度的智能化水平。