买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利基于数据时序特性和电器间状态关联性的数据生成方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114091323B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111215373.7，技术领域涉及：G06N3/0475；该发明授权基于数据时序特性和电器间状态关联性的数据生成方法是由罗平;邓晋宇;樊星驰;孙博宇;孔亚广设计研发完成，并于2021-10-19向国家知识产权局提交的专利申请。

本基于数据时序特性和电器间状态关联性的数据生成方法在说明书摘要公布了：本发明公开了一种基于数据时序特性和电器间状态关联性的数据生成方法。本发明为减少数据采集过程存在的噪声问题，结合电力负荷数据的特性利用负荷数据的均值和格拉布斯检测法对噪声数据进行清洗。从以下两个改进对抗生成网络：1.增加生成器的学习任务。2.创建降维和复原网络辅助改进后的对抗生成网络工作。其次修改网络输入数据的格式，使对抗生成网络纵向学习各电器间的相关联工作状态。最后对生成器中超参数进行优化，进一步提升生成器的性能，从而提升生成数据的质量。

本发明授权基于数据时序特性和电器间状态关联性的数据生成方法在权利要求书中公布了：1.基于数据时序特性和电器间状态关联性的数据生成方法，其特征在于，包括以下步骤： 步骤一：首先搭建平台对电器进行低频采样，获取有功功率数据，并对有功功率数据进行预处理； 步骤二：建立电器模型； 对预处理后的功率数据进行归一化处理，使其值缩放至[0,1]；因此为充分捕捉电器间隐藏的相关性，创建一个滚动窗口；电器i给定时间长度为T的有功功率序列为Pi，i∈[1，m]，其中m为电器的数量；将所有电器的Pi拼成一个m×T的矩阵P，矩阵P如下式所示： 步骤三：构建对抗生成网络模型； 最小化真实数据和生成数据概率分布间的差异；最小化以下两个条件概率分布间的差异：1当前时刻之前真实数据已知的条件下，当前时刻真实数据服从的条件概率分布；2当前时刻之前生成数据已知的条件下，当前时刻生成数据服从的条件概率分布；因此定义如下两个表达式： 其中xdata为真实数据概率分布，为生成器生成数据的概率分布,P1:T表示1-T时间内电器的有功功率序列，J·为计算J-S散度，J-S散度用于衡量两个概率分布的相似度；整个GAN由四个子网络构成，分别如下： 降维网络e·：输入为高维的真实数据序列P1:T＝[P1,P2,…,PT]，其中Pt～xdataP1:T；输出为降维后的数据h1：T＝[h1，h2，…，hT]；降维网络将原本的高维数据输出到隐空间进行后续运算,其中h1:T＝eP1:T，在考虑时序特性的情况下ht＝eht-1,Pt；降维网络包含各一个输入、输出层和三个隐藏层，考虑RNN过去在处理时序数据中优异表现，区别于一般GAN网络中使用的多层感知器模型，将每个隐藏层替换成24个GRU单元，激活函数为leaky-Relu，优化器选择Adam； 复原网络r·：输入为h1：T＝[h1，h2，…，hT],输出为其中该运算在隐空间内进行，运算完毕将输出到原本的高维数据空间；复原网络的结构、激活函数和优化器选择与降维网络相同，并与降维网络共用一个损失函数即重构损失函数LR； 其中表示分布函数xdataP的期望；LR用于计算真实数据经过降维和复原后的损失，目标使得LR接近于0； 生成器g·：输入为随机噪声zt～xnoisez1:T，其中生成器直接在隐空间中实现运算，输出低维生成数据其中生成器的结构、激活函数和优化器与降维网络相同；改进后的生成器区别于一般的生成器，在考虑时序特性的前提下，生成器不仅学习真实数据的概率分布即xdataP，且学习当前时刻之前的真实数据已知时，当前时刻的真实数据服从的条件分布xdataPt|P1:t-1，因此各时刻对生成器单独建立一个时序信息损失函数LT，通过LT的数值反馈来监督生成器对数据时序特性的学习情况； 其中LT用于计算真实数据所服从的条件概率分布xdataPt|P1:t-1和生成器学习的条件概率分布之间的差异； 对抗器d·：对抗器的本质为0-1鉴别器，将上述生成器的输出和降维网络的输出h1:T同时输入对抗器进行0-1博弈；对抗器的输出为其中当对抗器判定本次读取的数据为真实数据时接近于1，否则接近于0；对抗器的结构、激活函数和优化器选择与降维网络相同；对生成器和对抗器共同建立一个生成对抗损失函数LV； 对抗损失函数LV需同时衡量对抗器和生成器的性能，因此最优的结果为生成器生成对抗器无法区别于真实数据的生成数据；此时LV逐渐收敛于0.5； 步骤四：优化生成器超参数 对已经训练完毕的生成器中超参数进行优化；对其他三个子网络手动调整超参数即可； 构造一个关于超参数的向量v＝R,Ir，且超参数优化的目标函数为： 其中fv＝y为需最小化的目标，为生成器网络输出的生成数据和真实数据的归一化均方根误差；v*为最佳超参数组合，χ为超参数的搜索空间；选用树结构Parzen算法对超参数Ir和R进行优化；其他超参数则根据模型损失值的变化情况手动调参；树结构Parzen算法并非直接对式6进行求解，而是最大化预期改进指标，即EI指标的定义为： 式中y*是根据D＝{v1,y1,v2,y2,…,vQ,yQ}中y的中位数来确定，其中vQ表示第Q组超参数，yQ表示fvQ；Fy|v是未知的，但 其中，Fv|y为给定归一化均方根误差下v的概率；lv和gv是服从高斯混合模型的概率密度函数； 令γ＝Fyy*，由式7和Fv＝Fv|yFy贝叶斯公式可得： Fv＝γlv+1-γgv9 将式8和9代入式7有： 式10表明lvgv越大也越大；因此在每次迭代的过程中，寻找具有最大的v*；将v*和对应的y加入D并重新拟合lv和gv，不断更新max[lvgv]和v*，直到完成最大迭代次数； 步骤五：基于数据时序特性和电器相关性的电力数据生成 当四个子网络训练完毕和生成器超参数优化完毕后；此时仅需生成器和复原网络即可完成数据生成的过程；因此为降低模型的复杂度，从现有的模型中去掉降维网络和对抗器模块，最终GAN中仅包含生成器和复原网络；随机噪声分布z～xnoisez输入生成器，生成器输出中间变量并将输入复原网络，最终输出生成数据；此时结合时序特性和电器相关性的电力负荷数据生成算法中止；最终获得生成数据构成的矩阵

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。