10.16628/j.cnki.2095-8188.2022.03.004
基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法
采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡.传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容易产生梯度消失等问题.在原始ACGAN的模型基础上,在其判别真假损失函数上添加梯度惩罚函数,使得判别器和生成器在相互优化过程中梯度下降更快,更容易达到纳什均衡,从而使原始样本的不均衡情况得到有效改善.通过公共数据集PLAID进行测试分析,并验证了所提方法的有效性.
生成对抗网络、辅助分类器、负荷识别、样本不均衡、样本扩充
TM933
深圳供电局有限公司科技项目090000KK52190185
2022-05-05(万方平台首次上网日期,不代表论文的发表时间)
共8页
23-29,38