一种电力时间序列数据生成方法、装置及存储介质与流程

1.本发明涉及电力系统技术领域，尤其是涉及一种电力时间序列数据生成方法、装置及存储介。


背景技术：

2.短期负荷预测(stlf)是电力系统规划和运行的重要组成部分。在系统级的stlf中，可以获得大量历史数据，因为小的电力负载变化不会显着影响整体负载模式趋势。然而，在家庭层面，stlf可能没有足够的数据让一些家庭捕捉长期依赖关系并正确训练学习网络。事实上，仅使用单个家庭数据进行的预测通常可能没有足够的信息来适应各种模型容量，特别是在深度学习技术中。因此，需要适当的数据增强，可以从单个家庭的历史数据中人为地创建新的训练数据。
3.现有的技术已经开发出基于深度学习的高级数据增强方法来减少过度拟合。这些方法中最流行的是生成对抗网络(gan)，它已在很大程度上应用于计算机视觉应用程序中的成像数据。例如，dcgan使用深度卷积网络来实现gan。sdgan使用d2对抗损失和循环一致性损失来更好地训练gan。aggan采用基于模拟退火的进化训练过程来增加图像数据中的少数类别。acgan使用多数类和少数类训练gan，其中鉴别器有两个输出：一个用于区分真实图像和假图像，另一个用于对特定问题的类标签进行分类。bagan通过限制判别器只有一个输出来扩展acgan，解决了acgan在不平衡数据上的矛盾优化问题。cigan使用带有掩码填充的类条件gan进行数据增强。最近，covid-gan通过将生成器堆叠在鉴别器的顶部来扩展acgan，并应用于平衡胸部x射线。
4.现有的电力时间序列生成方法通常为将生成对抗网络的框架直接应用于序列数据，通过实例化循环网络来充当生成器和鉴别器，导致生成的时间序列数据质量较差。


技术实现要素：

5.本发明提供一种电力时间序列数据生成方法、装置及存储介，以解决现有的电力序列生成方法生成的时间序列数据质量较差的技术问题。
6.本发明的一个实施例提供了一种电力时间序列数据生成方法，包括：
7.基于自回归模型建立一维时间卷积嵌入层，基于所述一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；
8.基于自回归模型建立具有注意力机制的重建层，在所述一维时间卷积嵌入层和所述重建层的组成框架中构建生成器和鉴别器，将所述潜在特征向量空间作为所述生成器和所述鉴别器的输入；
9.利用所述重建层对所述潜在特征向量空间进行重建，并建立所述组成框架的重建损失函数；
10.基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数；
11.基于所述重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向
量空间进行训练，生成电力时间序列数据。
12.进一步的，所述时间序列数据包括动态时间特征和静态特征，所述基于所述一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间，包括：
13.通过一维时间卷积嵌入层的嵌入层函数对所述时间序列数据引入潜在特征变量，确定所述时间序列数据的潜在特征向量空间。
14.进一步的，所述通过一维时间卷积嵌入层的嵌入层函数对所述时间序列数据引入潜在特征变量，确定所述时间序列数据的潜在特征向量空间，包括：
15.设定为静态特征，为静态特征潜在向量空间，为动态时间特征，为动态时间特征的潜在特征向量空间，通过一维时间卷积嵌入层函数将所述静态特征的向量空间和所述动态时间特征的向量空间引入潜入特征变量，确定所述时间序列数据的潜在特征向量空间：
16.所述一维时间卷积嵌入层函数为：
[0017][0018]
潜在变量为：
[0019][0020]
其中，是静态特征的一维时间卷积嵌入网络，是静态特征的一维时间卷积嵌入网络，是动态时间特征的一维时间卷积嵌入网络。
[0021]
进一步的，所述重建层的重建函数为：
[0022][0023]
其中，为静态特征的向量空间的潜在向量空间，为动态时间特征的向量空间的潜在特征向量空间。
[0024]
进一步的，所述在所述一维时间卷积嵌入层和所述重建层的组成框架中构建生成器和鉴别器，包括：
[0025]
所述生成器的生成函数为：
[0026][0027]
其中，表示定义已知分布的静态特征向量空间和动态时间特征向量空间；
[0028]
所述鉴别器的鉴别函数为：
[0029][0030]
进一步的，基于所述重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据，包括：
[0031]
制定训练机制，在训练过程中分别采用jensen-shannon散度及kullback-leibler散度来进行编码、生成和迭代，生成电力时间序列数据。
[0032]
进一步的，在生成电力时间序列数据之后，还包括：
[0033]
利用lstm模型分别建立基于相似性判别分数的定量测量方法和基于平均绝对误
差的预测分数定量评估方法，根据所述定量测量方法和所述定量评估方法评估所述电力时间序列数据的数据质量。
[0034]
本发明的一个实施例提供了一种电力时间序列数据生成装置，包括：
[0035]
潜在特征向量空间计算模块，用于基于自回归模型建立一维时间卷积嵌入层，基于所述一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；
[0036]
生成器和鉴别器构建模块，用于基于自回归模型建立具有注意力机制的重建层，在所述一维时间卷积嵌入层和所述重建层的组成框架中构建生成器和鉴别器，将所述潜在特征向量空间作为所述生成器和所述鉴别器的输入；
[0037]
重建损失函数构建模块，用于利用所述重建层对所述潜在特征向量空间进行重建，并建立所述组成框架的重建损失函数；
[0038]
对抗网络损失函数构建模块，用于基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数；
[0039]
电力时间序列数据生成模块，用于基于所述重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据。
[0040]
本发明的一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的电力时间序列数据生成方法。
[0041]
本发明实施例引入一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维梳理，能够通过一维时间卷积嵌入层来提供特征和潜在特征之间的可逆映射，从而能够有效减少对抗性学习空间的高维性，本发明实施例通过联合训练嵌入网络和生成器网络，能够最大限度减少监督损失，从而能够有效提高参数效率。
[0042]
进一步的，本发明实施例基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数，以生成准确的电力时间序列数据，从而提高电力时间序列数据的生成质量。
附图说明
[0043]
图1是本发明实施例提供的一种电力时间序列数据生成方法的流程示意图；
[0044]
图2是本发明实施例提供的rnn实例化的tdgan示意图；
[0045]
图3是本发明实施例提供的一种电力时间序列数据生成方法的另一流程示意图
[0046]
图4是本发明实施例提供的一种电力时间序列数据生成装置的结构示意图。
具体实施方式
[0047]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0048]
在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第
一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0049]
在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0050]
请参阅图1，本发明的一个实施例提供了一种电力时间序列数据生成方法，包括：
[0051]
s1、基于自回归模型建立一维时间卷积嵌入层，基于一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；
[0052]
在本发明实施例中，利用一维时间卷积嵌入层能够得到原始时间序列数据的潜在特征向量空间。
[0053]
s2、基于自回归模型建立具有注意力机制的重建层，在一维时间卷积嵌入层和重建层的组成框架中构建生成器和鉴别器，将潜在特征向量空间作为生成器和鉴别器的输入；
[0054]
在本发明实施例中一维时间卷积嵌入层和基于注意力机制的重建层组成网络框架，在该组成框架中构建生成器和鉴别器，将降维处理得到的潜在特征向量空间作为生成器和鉴别器的输入，再通过重建层将潜在特征向量空间重建为原始时间序列数据的特征向量空间。
[0055]
s3、利用重建层对潜在特征向量空间进行重建，并建立组成框架的重建损失函数；
[0056]
s4、基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数；
[0057]
s5、基于重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据。
[0058]
本发明实施例引入一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维梳理，能够通过一维时间卷积嵌入层来提供特征和潜在特征之间的可逆映射，从而能够有效减少对抗性学习空间的高维性，本发明实施例通过联合训练嵌入网络和生成器网络，能够最大限度减少监督损失，从而能够有效提高参数效率。
[0059]
进一步的，本发明实施例基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数，以生成准确的电力时间序列数据，从而提高电力时间序列数据的生成质量。
[0060]
在一个实施例中，时间序列数据包括动态时间特征和静态特征，基于一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间，包括：
[0061]
通过一维时间卷积嵌入层的嵌入层函数对时间序列数据引入潜在特征变量，确定时间序列数据的潜在特征向量空间。
[0062]
进一步的，通过一维时间卷积嵌入层的嵌入层函数对时间序列数据引入潜在特征变量，确定时间序列数据的潜在特征向量空间，包括：
[0063]
设定为静态特征，为静态特征潜在向量空间，为动态时间特征，为动态时间特征的潜在特征向量空间，通过一维时间卷积嵌入层函数将静态特征的向量空间和动态时间特征的向量空间引入潜入特征变量，确定时间序列数据的潜在特征向量空间：
[0064]
一维时间卷积嵌入层函数为：
[0065][0066]
潜在变量为：
[0067][0068]
其中，是静态特征的一维时间卷积嵌入网络，是静态特征的一维时间卷积嵌入网络，是动态时间特征的一维时间卷积嵌入网络。
[0069]
在本发明实施例中，允许对抗网络通过低维表示来学习潜在的时间动力学。
[0070]
在一个实施例中，重建层的重建函数为：
[0071][0072]
其中，为静态特征的向量空间的潜在向量空间，为动态时间特征的向量空间的潜在特征向量空间。
[0073]
在本发明实施例中，重建层可以提供特征向量空间和潜在特征向量空间之间的映射。本发明实施例可以基于重建函数将潜在静态特征和动态时间特征进行重建：
[0074][0075]
其中，和是用于潜在静态特征量空间量空间和潜在动态时间特征的重建网络。
[0076]
在一个实施例中，在一维时间卷积嵌入层和重建层的组成框架中构建生成器和鉴别器，包括：
[0077]
生成器的生成函数为：
[0078][0079]
其中，表示定义已知分布的静态特征向量空间和动态时间特征向量空间，从中抽取随机向量作为生成的输入，生成函数将静态随机向量和动态时间向量用于合成潜在变量本发明实施例通过循环网络实现g，即：
[0080][0081]
其中，是静态特征的循环生辰器，是动态时间特征的循环生成器；随机向量可以从选择的分布中采样，并且z
t
遵循随机过程。
[0082]
鉴别器的鉴别函数为：
[0083][0084]
在本发明实施例中，鉴别函数接收静态随机向量和动态时间随机变量，返回分类在本发明实施例中，鉴别函数接收静态随机向量和动态时间随机变量，返回分类符号表示真实(h
*
)或合成嵌入，符号表示真实(y
*
)或合成数据的分类。
[0085]
本发明实施例通过具有前馈输出层的双向循环网络实现鉴别函数d，即：
[0086][0087]
其中，和分别表示前向和后向隐藏状态的序列，是循环函数，ds、d
x
是输出层分类函数。本发明实施例除了生成器是自回归之外，对架构没有任何限制。
[0088]
在本发明实施例中，建立一维时间卷积嵌入层-基于注意力机制的解码器重建层训练的重建损失函数，可以通过重建损失函数来度量潜在表示hs,h
1:t
是否准确重建原始数据即：
[0089][0090]
在一个实施例中，基于时间动力学方法分别建立生成对抗网络的有监督损失函数和无监督损失函数，包括：
[0091]
生成器在训练期间接受两种类型的输入。
[0092]
在纯开环模式下：自回归生成器接收合成嵌入(即它自己以前的输出)以生成下一个合成向量然后根据无监督损失计算梯度，即允许最大化(对于鉴别器)或最小化(对于生成器)，为训练数据h
1:t
以及生成器的合成输出提供正确分类即
[0093][0094]
本发明实施例还可以引入额外的损失以激励生成器捕获数据中的逐步条件分布，以进一步进行学习。
[0095]
以闭环模式进行训练：其中生成器接收实际数据h
1:t-1
的嵌入序列(即由嵌入网络计算)以生成下一个潜在向量，然后可以根据捕获分布和之间差异的损失来计算梯度，即
[0096][0097]
其中用一个样本zt逼近
[0098]
在一个实施例中，基于重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据，包括：
[0099]
制定训练机制，在训练过程中分别采用jensen-shannon散度及kullback-leibler散度来进行编码、生成和迭代，生成电力时间序列数据。
[0100]
在本发明实施例中，训练的目标是使用训练数据d学习最接近p(s,x
1:t
)的密度利用联合分布的自回归分解，学习在任何时
间t最接近p(x
t
∣s,x
1:t-1
)的密度在gan框架的理想鉴别器下，采用jensen-shannon散度的形式，通过最大似然(ml)训练使用原始数据进行监督，后者采用kullback-leibler散度的形式，即令θe、θr、θg、θd分别表示嵌入、重建、生成器和鉴别器网络的参数，其中θe、θr由有监督损失及重建损失训练得出，即
[0101][0102]
其中，λ≥0，是平衡两个损失的超参数，被包含在内，使得嵌入过程不仅能够减少对抗性学习空间的维度，还可以被主动调节以促进生成器从数据中学习时间关系。
[0103]
在本发明实施例中，生成器和鉴别器网络采用最大最小对抗训练法，θg、θd由有监督损失及无监督损失训练计算，即
[0104][0105]
其中，η≥0是另一个平衡两个损失的超参数；通过以这种方式组合目标，tdgan被同时训练为编码(特征向量)、生成(潜在表示)和迭代(跨时间)。
[0106]
在一个实施例中，在生成电力时间序列数据之后，还包括：
[0107]
利用lstm模型分别建立基于相似性判别分数的定量测量方法和基于平均绝对误差的预测分数定量评估方法，根据定量测量方法和定量评估方法评估电力时间序列数据的数据质量。
[0108]
在本发明实施例中，将生成的电力时间序列数据可视化展示，包括：
[0109]
对原始数据集和合成数据集应用t-sne和pca分析，通过可视化生成样本的分布和二维空间中原始样本的分布，判断两者之间的差距，从而能够得到数据质量的定性评估结果。
[0110]
在本发明实施例中，对于相似性的定量测量，训练时间序列分类模型以区分原始数据集和生成数据集的序列，每个原始序列都被标记为真实的，而每个生成的序列都被标记为不真实的，通过训练一个现成的rnn)分类器来区分这两个类作为标准的监督任务，在报告保留测试集的分类错误，得到定量评估结果。
[0111]
在本发明实施例中，为了保证数据有用，生成数据应该继承原始数据的预测特性，本发明实施例可以使用合成数据集训练事后序列预测模型来预测每个输入序列的下一步时间向量，并在原始数据集上评估经过训练的模型，其中性能是根据平均绝对误差(mae)来衡量的，对于基于事件的数据，mae计算为|1-事件发生的估计概率|，从而得到定量评估结果。
[0112]
在一个实施例中，为了更好捕捉时间动力学的监督损失，以及提供低维对抗学习空间的嵌入网络，来自自回归多元高斯模型的序列进行如下实验：x
t
＝φx
t-1
+n，其中系数φ∈[0,1]允许控制跨时间步长的相关性，而σ∈[-1,1]控制跨特征的相关性。
[0113]
请参阅图2，为本发明实施例提供的使用rnn实例化的tdgan示意图。
[0114]
请参阅表1，tdgan在判别分数和预测分数方面始终生成比基准质量更高的合成数据。时间相关性φ的设置越高，tdgan的优势就越大，证明了监督损失机制的动机和好处，且
tdgan的优势对于更高的特征相关性σ设置也更大，能够为嵌入网络的优势提供证明。
[0115]
表1：自回归多元高斯数据的结果
[0116][0117]
在本发明实施例中，在具有各种不同特征的时间序列数据上测试tdgan的性能，包括周期性、离散性、噪声水平、时间步长的规律性以及跨时间和特征的相关性。
[0118]
对于家电能源预测数据，考虑一个以嘈杂的周期性、更高维度和相关特征为特征的数据集，uci appliances能源预测数据集由多变量、连续值测量组成，其中包括以紧密间隔测量的大量时间特征。
[0119]
对于股票预测数据，相比之下，股票价格序列是连续值但非周期性的，本发明实施例使用2004年至2019年的每日谷歌股票历史数据，包括交易量和最高价、最低价、开盘价、收盘价和调整后的收盘价作为特征。
[0120]
请参阅表2，为时间序列数据集的结果对比表。
[0121][0122][0123]
由上述实验结果可知，tdgan是一种用于时间序列数据生成的新型框架，能够将监督gan方法的多功能性与监督自回归模型提供的条件时间动态控制相结合，能够有效提高生成时间序列数据的准确性。
[0124]
请参阅图3，为本发明实施例提供的一种电力时间序列数据生成方法的另一流程示意图。
[0125]
实施本发明实施例，具有以下有益效果：
[0126]
本发明实施例引入一维时间卷积嵌入层对时间序列数据的特征向量空间进行降
维梳理，能够通过一维时间卷积嵌入层来提供特征和潜在特征之间的可逆映射，从而能够有效减少对抗性学习空间的高维性，本发明实施例通过联合训练嵌入网络和生成器网络，能够最大限度减少监督损失，从而能够有效提高参数效率。
[0127]
进一步的，本发明实施例基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数，以生成准确的电力时间序列数据，从而提高电力时间序列数据的生成质量。
[0128]
请参阅图4，基于与上述实施例相同的发明构思，本发明的一个实施例提供了一种电力时间序列数据生成装置，包括：
[0129]
潜在特征向量空间计算模块10，用于基于自回归模型建立一维时间卷积嵌入层，基于一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；
[0130]
生成器和鉴别器构建模块20，用于基于自回归模型建立具有注意力机制的重建层，在一维时间卷积嵌入层和重建层的组成框架中构建生成器和鉴别器，将潜在特征向量空间作为生成器和鉴别器的输入；
[0131]
重建损失函数构建模块30，用于利用重建层对潜在特征向量空间进行重建，并建立组成框架的重建损失函数；
[0132]
对抗网络损失函数构建模块40，用于基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数；
[0133]
电力时间序列数据生成模块50，用于基于重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据。
[0134]
在一个实施例中，潜在特征向量空间计算模块10还用于：
[0135]
通过一维时间卷积嵌入层的嵌入层函数对时间序列数据引入潜在特征变量，确定时间序列数据的潜在特征向量空间。
[0136]
在一个实施例中，潜在特征向量空间计算模块10还用于：
[0137]
设定为静态特征，为静态特征潜在向量空间，为动态时间特征，为动态时间特征的潜在特征向量空间，通过一维时间卷积嵌入层函数将静态特征的向量空间和动态时间特征的向量空间引入潜入特征变量，确定时间序列数据的潜在特征向量空间：
[0138]
一维时间卷积嵌入层函数为：
[0139][0140]
潜在变量为：
[0141][0142]
其中，是静态特征的一维时间卷积嵌入网络，是静态特征的一维时间卷积嵌入网络，是动态时间特征的一维时间卷积嵌入网络。
[0143]
在一个实施例中，重建层的重建函数为：
[0144][0145]
其中，为静态特征的向量空间的潜在向量空间，为动态时间特征的向量空间的潜在特征向量空间。
[0146]
在一个实施例中，在一维时间卷积嵌入层和重建层的组成框架中构建生成器和鉴别器，包括：
[0147]
生成器的生成函数为：
[0148][0149]
其中，表示定义已知分布的静态特征向量空间和动态时间特征向量空间；
[0150]
鉴别器的鉴别函数为：
[0151][0152]
在一个实施例中，电力时间序列数据生成模块50还用于：
[0153]
制定训练机制，在训练过程中分别采用jensen-shannon散度及kullback-leibler散度来进行编码、生成和迭代，生成电力时间序列数据。
[0154]
在一个实施例中，电力时间序列数据生成装置还包括数据质量评估模块，用于：
[0155]
利用lstm模型分别建立基于相似性判别分数的定量测量方法和基于平均绝对误差的预测分数定量评估方法，根据定量测量方法和定量评估方法评估电力时间序列数据的数据质量。
[0156]
本发明的一个实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如上述的电力时间序列数据生成方法。
[0157]
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种电力时间序列数据生成方法，其特征在于，包括：基于自回归模型建立一维时间卷积嵌入层，基于所述一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；基于自回归模型建立具有注意力机制的重建层，在所述一维时间卷积嵌入层和所述重建层的组成框架中构建生成器和鉴别器，将所述潜在特征向量空间作为所述生成器和所述鉴别器的输入；利用所述重建层对所述潜在特征向量空间进行重建，并建立所述组成框架的重建损失函数；基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数；基于所述重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据。2.如权利要求1所述的电力时间序列数据生成方法，其特征在于，所述时间序列数据包括动态时间特征和静态特征，所述基于所述一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间，包括：通过一维时间卷积嵌入层的嵌入层函数对所述时间序列数据引入潜在特征变量，确定所述时间序列数据的潜在特征向量空间。3.如权利要求2所述的电力时间序列数据生成方法，其特征在于，所述通过一维时间卷积嵌入层的嵌入层函数对所述时间序列数据引入潜在特征变量，确定所述时间序列数据的潜在特征向量空间，包括：设定s为静态特征，为静态特征潜在向量空间，x为动态时间特征，为动态时间特征的潜在特征向量空间，通过一维时间卷积嵌入层函数将所述静态特征的向量空间和所述动态时间特征的向量空间引入潜入特征变量，确定所述时间序列数据的潜在特征向量空间：所述一维时间卷积嵌入层函数为：e:潜在变量为：其中，是静态特征的一维时间卷积嵌入网络，是静态特征的一维时间卷积嵌入网络，是动态时间特征的一维时间卷积嵌入网络。4.如权利要求1所述的电力时间序列数据生成方法，其特征在于，所述重建层的重建函数为：r:其中，为静态特征的向量空间s的潜在向量空间，为动态时间特征的向量空间的潜在特征向量空间。5.如权利要求1所述的电力时间序列数据生成方法，其特征在于，所述在所述一维时间卷积嵌入层和所述重建层的组成框架中构建生成器和鉴别器，包括：所述生成器的生成函数为：
g:其中，表示定义已知分布的静态特征向量空间和动态时间特征向量空间；所述鉴别器的鉴别函数为：d:6.如权利要求1所述的电力时间序列数据生成方法，其特征在于，基于所述重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据，包括：制定训练机制，在训练过程中分别采用jensen-shannon散度及kullback-leibler散度来进行编码、生成和迭代，生成电力时间序列数据。7.如权利要求1所述的电力时间序列数据生成方法，其特征在于，在生成电力时间序列数据之后，还包括：利用lstm模型分别建立基于相似性判别分数的定量测量方法和基于平均绝对误差的预测分数定量评估方法，根据所述定量测量方法和所述定量评估方法评估所述电力时间序列数据的数据质量。8.一种电力时间序列数据生成装置，其特征在于，包括：潜在特征向量空间计算模块，用于基于自回归模型建立一维时间卷积嵌入层，基于所述一维时间卷积嵌入层对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；生成器和鉴别器构建模块，用于基于自回归模型建立具有注意力机制的重建层，在所述一维时间卷积嵌入层和所述重建层的组成框架中构建生成器和鉴别器，将所述潜在特征向量空间作为所述生成器和所述鉴别器的输入；重建损失函数构建模块，用于利用所述重建层对所述潜在特征向量空间进行重建，并建立所述组成框架的重建损失函数；对抗网络损失函数构建模块，用于基于时间动力方法，建立生成对抗网络的有监督损失函数和无监督损失函数；电力时间序列数据生成模块，用于基于所述重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的电力时间序列数据生成方法。

技术总结
本发明公开了一种电力时间序列数据生成方法、装置及存储介质，其中方法包括：基于自回归模型建立一维时间卷积嵌入层，并对时间序列数据的特征向量空间进行降维处理，得到潜在特征向量空间；基于自回归模型建立具有注意力机制的重建层，在一维时间卷积嵌入层和重建层的组成框架中构建生成器和鉴别器，将潜在特征向量空间作为生成器和鉴别器的输入；利用重建层对潜在特征向量空间进行重建，并建立组成框架的重建损失函数；建立生成对抗网络的有监督损失函数和无监督损失函数；基于重建损失函数、有监督损失函数和无监督损失函数进行重建后的特征向量空间进行训练，生成电力时间序列数据。本发明能够有效提高生成的时间序列数据质量。量。量。


技术研发人员：康峰 章春锋 苏立伟 覃浩 伍广斌 雪映 陈海燕 陶飞达 梁瑞莹 李文虎
受保护的技术使用者：广东电网有限责任公司客户服务中心
技术研发日：2023.04.04
技术公布日：2023/8/21