基于MDTimeGAN模型的时间序列生成方法、设备及存储介质

本发明涉及电力负荷预测，具体而言，涉及一种基于mdtimegan模型的时间序列生成方法、设备及存储介质。

背景技术：

1、近年来，随着经济发展和城市化进程加快，电力需求频繁变化。准确的预测能优化电网运行，合理安排发电计划，确保供电可靠和经济，并促进新能源接入和电力市场运行。非侵入式负荷分解是通过分析电器的负荷数据来了解用户的用电行为。然而，由于用户对各个电器的使用情况不同，导致用于训练分解模型的数据集存在数据不平衡问题。举例来说，冰箱和微波炉的使用频次不同。冰箱通常全天候处于开启状态，而微波炉的使用频次较低，每次使用时间也较短。因此，当对这两种电器的数据按照固定大小的时间窗口进行提取时，微波炉的负荷数据中存在大量数值为0，仅有少量开启时的数据。直接将这样的数据用于训练负荷分解模型可能会导致过拟合问题。

2、传统的一些方法虽然能够对时间序列的时间依赖性进行学习，从而实现多种类型时间序列的生成，但仍有不足之处，一是在开始进行模型训练时，生成数据质量较差，容易出现梯度消失；二是时间序列具有多种特征，如周期性、相关性等，而传统的模型大多采用单一的判别器对时间序列进行判别，对多种特征的针对性有待提高。

3、综上所述，如何生成高质量的时间序列是电力负荷预测技术领域急需解决的问题。

技术实现思路

1、本发明的主要目的在于提供一种基于mdtimegan模型的时间序列生成方法、设备及存储介质，以解决在传统技术中难以生成高质量的时间序列问题，从而达到提升时间序列的质量的效果。

2、为了实现上述目的，本发明提供了一种基于mdtimegan模型的时间序列生成方法，用以解决时间序列不平衡和数据量少的问题，从而达到提升时间序列的质量的效果。

3、第一方面，本发明提供了一种基于mdtimegan模型的时间序列生成方法，其特征在于，应用于电力负荷预测系统，所述方法包括：

4、获取电力负荷数据和随机噪声向量，通过负荷分类和数据筛选对所述电力负荷数据处理后获得真实负荷序列数据，其中，所述电力负荷数据包括：电器功率特性数据，电器有效区段运行数据；

5、构建mdtimegan模型，所述mdtimegan模型包括：判别器、生成器、嵌入网络、恢复器、监督网络，其中，判别器包括时域判别器；

6、根据所述随机噪声向量和所述真实负荷序列数据，通过所述生成器、所述嵌入网络、所述监督网络、所述时域判别器和所述恢复器获取嵌入表示、时域损失和恢复器输出数据，其中，所述嵌入表示包括第一嵌入表示和第二嵌入表示，所述时域损失包括第一时域损失和第二时域损失；

7、根据所述恢复器输出数据获得频域损失、时频域损失和自相关损失，根据所述时域损失、所述频域损失、所述时频域损失和所述自相关损失更新所述mdtimegan模型得到更新后mdtimegan模型；

8、将所述电力负荷数据输入到所述更新后mdtimegan模型中生成时间序列数据。

9、可选地，所述获取电力负荷数据和随机噪声向量，通过负荷分类和数据筛选对所述电力负荷数据处理后获得真实负荷序列数据，包括：

10、根据所述电器功率特性数据对所述电力负荷数据进行负荷分类，获得电力负荷分类数据；

11、根据所述电器有效区段运行数据对所述电力负荷分类数据进行数据筛选获得真实负荷序列数据。

12、可选地，所述构建mdtimegan模型，所述mdtimegan模型包括：判别器、生成器、嵌入网络、恢复器、监督网络，包括：

13、构建mdtimegan模型，所述判别器、生成器、嵌入网络、恢复器、监督网络均采用门控循环单元网络且均由多层所述门控循环单元网络和全连接层组成，其中，所述门控循环单元网络的激活函数为tanh。

14、可选地，所述根据所述随机噪声向量和所述真实负荷序列数据，通过所述生成器、所述嵌入网络、所述监督网络、所述时域判别器和所述恢复器获取嵌入表示、时域损失和恢复器输出数据，包括：

15、根据所述随机噪声向量和所述真实负荷序列数据，通过所述生成器、所述嵌入网络和所述监督网络获得嵌入表示；

16、将所述嵌入表示输入到所述时域判别器获得所述时域损失；

17、将所述嵌入表示输入到所述恢复器获得所述恢复器输出数据。

18、可选地，所述根据所述随机噪声向量和所述真实负荷序列数据，通过所述生成器、所述嵌入网络和所述监督网络获得嵌入表示，包括：

19、将所述随机噪声向量输入到所述生成器，通过所述监督网络获得所述第一嵌入表示；

20、将所述真实负荷序列数据输入到所述嵌入网络，通过所述监督网络获得所述第二嵌入表示，其中，所述第一嵌入表示和所述第二嵌入表示通过所述监督网络输出获得所述嵌入表示。

21、可选地，所述将所述嵌入表示输入到所述时域判别器获得所述时域损失，包括：

22、将所述第一嵌入表示输入到所述时域判别器获得所述第一时域损失；

23、将所述第二嵌入表示输入到所述时域判别器获得所述第二时域损失，其中，所述第一时域损失和所述第二时域损失通过所述时域判别器输出获得述时域损失。

24、可选地，所述将所述嵌入表示输入到所述恢复器获得所述恢复器输出数据，包括：

25、将所述第二嵌入表示输入到所述恢复器获得所述恢复器输出数据。

26、可选地，所述根据所述恢复器输出数据获得频域损失、时频域损失和自相关损失，根据所述时域损失、所述频域损失、所述时频域损失和所述自相关损失更新所述mdtimegan模型得到更新后mdtimegan模型，包括：

27、对所述恢复器输出数据进行多维特征提取获得多维特征数据，其中，所述多维特征数据包括：频域数据、时频域数据和自相关数据；

28、根据所述多维特征数据通过所述时域判别器、频域判别器、时频域判别器、自相关判别器得出所述时域损失、所述频域损失、所述时频域损失和所述自相关损失，并更新所述mdtimegan模型得到更新后mdtimegan模型。

29、第二方面，本发明提供一种基于mdtimegan模型的时间序列生成设备，其特征在于，包括：

30、存储器；

31、处理器；

32、其中，所述存储器存储计算机执行指令；

33、所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面提供的一种基于mdtimegan模型的时间序列生成方法。

34、第三方面，本发明提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面提供的一种基于mdtimegan模型的时间序列生成方法。

35、本技术提供的基于mdtimegan模型的时间序列生成方法、设备及存储介质，该方法提出了一种mdtimegan模型，该模型在timegan模型基础上增加了数据处理以及多判别器模块，对原始数据进行多维特征提取，并对提取得到的各个特征分别进行判别，令生成器快速生成较高质量的时间序列数据，该方法解决了在传统技术中难以生成高质量的时间序列数据问题，从而达到提升时间序列数据质量的效果。

技术特征：

1.一种基于mdtimegan模型的时间序列生成方法，其特征在于，应用于电力负荷预测系统，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取电力负荷数据和随机噪声向量，通过负荷分类和数据筛选对所述电力负荷数据处理后获得真实负荷序列数据，包括：

3.根据权利要求1所述的方法，其特征在于，所述判别器、生成器、嵌入网络、恢复器、监督网络均采用门控循环单元网络且均由多层所述门控循环单元网络和全连接层组成，其中，所述门控循环单元网络的激活函数为tanh。

4.根据权利要求1所述的方法，其特征在于，所述根据所述随机噪声向量和所述真实负荷序列数据，通过所述生成器、所述嵌入网络、所述监督网络、所述时域判别器和所述恢复器获取嵌入表示、时域损失和恢复器输出数据，包括：

5.根据权利要求4所述的方法，其特征在于，所述嵌入表示包括第一嵌入表示和第二嵌入表示，所述时域损失包括第一时域损失和第二时域损失；所述根据所述随机噪声向量和所述真实负荷序列数据，通过所述生成器、所述嵌入网络和所述监督网络获得嵌入表示，包括：

6.根据权利要求5所述的方法，其特征在于，所述将所述嵌入表示输入到所述时域判别器获得所述时域损失，包括：

7.根据权利要求5所述的方法，其特征在于，所述将所述嵌入表示输入到所述恢复器获得所述恢复器输出数据，包括：

8.根据权利要求1所述的方法，其特征在于，所述判别器还包括：频域判别器、时频域判别器、自相关判别器；所述根据所述恢复器输出数据获得频域损失、时频域损失和自相关损失，根据所述时域损失、所述频域损失、所述时频域损失和所述自相关损失更新所述mdtimegan模型得到更新后mdtimegan模型，包括：

9.一种基于mdtimegan模型的时间序列生成设备，其特征在于，包括：

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-8中任一项所述的基于mdtimegan模型的时间序列生成方法。

技术总结
本申请提供的基于MDTimeGAN模型的时间序列生成方法、设备及存储介质，具体涉及电力负荷预测技术领域，该方法提出了一种MDTimeGAN模型，该模型在TimeGAN模型基础上增加了数据处理以及多判别器模块，对原始数据进行多维特征提取，并对提取得到的各个特征分别进行判别，以便MDTimeGAN模型快速生成较高质量的时间序列数据，该方法解决了在传统技术中难以生成高质量的时间序列数据问题，从而达到提升时间序列数据质量的效果。

技术研发人员：朱莉,徐婉茹,朱春强,王婧,赵凯航,陈婉莹,孙喆,薛晶,井刚,杜国维,党晔
受保护的技术使用者：西安科技大学
技术研发日：
技术公布日：2024/12/5