CN114022311A - 基于时序条件生成对抗网络的综合能源***数据补偿方法 - Google Patents

Abstract

本发明提供一种基于时序条件生成对抗网络的综合能源***数据补偿方法，属于综合能源***自动化技术领域，首先采集综合能源***在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集，然后构建生成器和判别器生成对抗网络结构并进行训练，得到数据集的缺失样本补偿模型，利用缺失样本补偿模型对综合能源***中的缺失数据进行精确补偿；本发明综合了LSTM对历史信息带有记忆功能的优势，CNN与BP的结合实现了从输入到输出的映射功能；构建混合损失函数从高维、低维多方面考虑，使补偿的数据更加真实；在网络训练时，针对电、热、气***添加了物理约束，使补偿后的数据更符合综合能源***的运行数据特点。

Description

基于时序条件生成对抗网络的综合能源***数据补偿方法

技术领域

本发明属于综合能源***自动化技术领域，具体涉及一种基于时序条件生成对抗网络的综合能源***数据补偿方法。

背景技术

在能源危机和环境污染的双重压力下，综合能源***应运而生。综合能源***是指在一定范围或区域内，利用专业技术和运行模式，对电、气、热、风等多种能源进行合理分配和利用，实现能源的交互、互补、应用的一种新型能源***，是我国未来能源***发展的新形态。在进行综合能源***负荷预测、优化调度时，需要花大量时间在准备数据上，因为数据在文件或EXCEL中数据格式并不正确，且数据出现缺失、重复、离群点或异常值都可能造成综合能源负荷预测结果不准确，影响优化调度决策算法的效果，因此，对综合能源***缺失数据进行补偿是必不可少的。

目前，最先进的补偿方法可分为数学建模、统计分析和神经网络训练。差分自回归移动平均模型、季节性自回归移动平均模型等数学建模方法，剔除了原始数据中的不可靠部分，拟合参数化平稳模型，重构不可靠数据。但此类方法多用于单一变量数据序列补偿问题的研究，忽略了多变量数据序列随时间变化的关系，不适用于综合能源***。统计分析方法往往将不可靠数据的邻近数据信息强加于不可靠数据上，缺乏对全局信息的利用。例如，均值/中值平均、MICE和k-nearest neighbors(KNN)只能处理随机数据恢复情况。由于强大的建模能力，神经网络训练方法为不可靠的数据处理提供了灵活的方法。这些方法包括期望最大化(EM)、矩阵分解和支持向量回归(SVR)。生成式对抗网络(generativeadversarial networks,GAN)利用对抗模型的优势，实现了令人满意的数据恢复性能。生成对抗网络由生成器以及对抗器这两个深度神经网络组成，需要进行大规模的计算。生成对抗网络在训练的过程中避免了复杂的变分推断以及棘手的概率计算，其原理简洁明晰，是时下最流行的生成模型，在众多领域得到应用。但是传统的GAN模型利用JS散度设计优化损失函数，其目的是尽可能的减小真实样本数据分布与生成的样本数据分布之间的差距，单纯采用JS散度(Jensen–Shannon divergence)构建损失函数不具有一般性，并且在模型结构等方面也都还有待改进。

发明内容

针对上述现有技术的不足，本发明提供一种基于时序条件生成对抗网络的综合能源***数据补偿方法，为综合能源***负荷预测、优化调度等算法提供可靠数据，提高算法精确性。为此，本发明所采取的技术方案是：基于时序条件生成对抗网络的综合能源***数据补偿方法，包括：

步骤1：采集综合能源***在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集D；

步骤2：构建生成器和判别器生成对抗网络结构并进行训练，得到数据集D的缺失样本补偿模型；

步骤3：利用缺失样本补偿模型对综合能源***中的缺失数据进行精确补偿。

所述步骤1包括：

步骤1.1：对原始的完备运行数据Y进行归一化处理；

步骤1.2：将归一化处理后的完备运行数据进行特征提取；

步骤1.3：根据提取到的特征，将完备运行数据转换为灰度图；

步骤1.4：将得到的灰度图做人为缺失处理，得到缺失样本；

步骤1.5：将缺失样本以及对应的样本标签共同构成数据集D，D＝(D₁，D₂，...，D_k)，D_k＝{X_k，M_k}，将每个样本中第n个数据属性的所有采样值构成的序列定义为子序列信息Xⁿ，其中，D_k表示第k个样本，X_k表示第k个样本的数据集合，M_k表示第k个样本的样本标签集合，用于标记缺失数据位置；

所述步骤2包括：

步骤2.1：构建LSTM-CNN-BP模型作为生成器，利用生成器模型对缺失处理后的数据进行精确补偿；

步骤2.2：根据全域判别器D_reg与局域判别器D_spa生成双判别器，保证数据的空间相关性与时间相关性；

步骤2.3：根据生成器与双判别器生成对抗网路，建立混合损失函数对模型进行训练。

所述步骤2.1包括：

步骤2.1.1：设置卷积层、池化层、全连接层搭建卷积神经网格CNN模型；

步骤2.1.2：采用ReLU函数作为激活函数，池化层采用最大池化处理，CNN模型输入层的输入为一维的子序列信息Xⁿ，经过卷积后选定短时特征；

步骤2.1.3：短时特征经过池化层处理，保留时间序列的局部特征，然后由LSTM模型将子序列的信息汇总处理，得到的局部特征作为LSTM的输入；

步骤2.1.4：由神经元组成的隐藏层和一个全连接的输出层构成长短期记忆神经网络LSTM模型，使用注意力机制对LSTM模型的隐藏层输出向量进行关注；

步骤2.1.5：将LSTM模型的输出神经元联合CNN模型的输出作为前馈神经网络BP模型的输入，通过将上一时刻输入的特征产生影响量化后与当前时间输入的内容一起输入到网络中参与训练；

所述步骤2.2包括：

步骤2.2.1：对缺失样本的灰度图像进行分割，得到分割后的图像P；

步骤2.2.2：建立全域判别器D_reg与局域判别器D_spa的网络结构，得到双判别器，将分割后的图像P作为局域判别器D_spa的输入，将未分割的缺失样本作为全域判别器D_reg的输入。

所述步骤2.3包括：

步骤2.3.1：建立对抗性损失函数

利用判别器计算对抗性损失；

步骤2.3.2：建立恢复损失函数

利用双判别器强化生成器能力；

步骤2.3.3：计算离散弗雷歇距离

其中序列距离L为：

式中，

为完备运行数据中第t个时间间隔中第n个数据属性的采集值，

为补偿后的数据中第t个时间间隔中第n个数据属性的补偿值；

步骤2.3.4：建立生成器的混合目标函数：

式中，λ和β为参数变量；

步骤2.3.5：建立全域判别器D_reg的目标函数

局域判别器D_spa的目标函数

步骤2.3.6：建立约束条件，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。

所述步骤2.2.1包括：

步骤S1：将缺失样本的灰度图像转换为二值图像P₁；

步骤S2：根据边缘检测分割算法对灰度图像进行分割，得到分割后的图像P₂；

步骤S3：设置权重将图像P、P₂组合为新的图像P：

P＝θ₁P₁+θ₂P₂

θ₁＝Σ(τ_mγ_m)，θ₂＝Σ(ψ_lξ_l)

式中，τ_m表示***动态响应系数，m表示综合能源***中能源类型种类数，γ_m表示阈值分割算法汇总不同能源类型所占权重，ψ_l表示综合能源***的耦合紧密度，l表示综合能源***中能源耦合类型，ξ_l表示边缘检测分割算法中不同能源耦合类型占比；

所述步骤2.3.6包括：

步骤SS1：在训练过程中添加节点功率约束：

式中，G_ij、B_ij为导纳矩阵的实部、虚部；

为发电机注入功率；

为母线i处电力负荷消耗功率；

分别为燃气发电机、CHP机组注入到母线i的有功功率；

分别为电动压缩机、热网循环泵、电锅炉消耗的有功功率；

为无功补偿器注入的无功功率；V_i为母线i上电压幅值；

步骤SS2：气网部分考虑节点的流量平衡关系，建立各个节点流入流量与流出流量相同的约束：

式中，f_i ^GS、f_i ^GD分别为节点i处气源注入、负荷所需流量；f_i ^GG、f_i ^CHP、f_i ^GB则为燃气发电机、CHP机组、燃气锅炉消耗的天然气流量；

为天然气管道常数，

为气节点j处的压力，

为为与气节点j相连接的气节点i处的压力；sign_ij表示管道内天然气的流动方向，当节点i的压力大于节点时，signg为+1，反之为-1；

步骤SS3：针对热网部分，建立节点功率平衡约束、节点压力平衡约束以及供回水温度平衡约束：

式中，

分别为电锅炉、燃气锅炉、CHP机组为热网提供的热功率；

为节点负荷所需热功率；C_p为水的比热容；

为节点i至节点j段管道的质量流，当热网存在环路时，闭环回路内的水头压力损失总和为0；B_h为回路-网络关联矩阵；K_h为管道的阻力系数；C_s、C_r为温度系数矩阵；B_s、B_r为包含温度、质量流的列向量；

步骤SS4：添加约束节点后，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。

所述步骤S1包括：

步骤S1-1：设置初始阈值Z将灰度图像分为两个区域R1、R2；

步骤S1-2：分别计算R1和R2区域的平均灰度值μ₁、μ₂；

步骤S1-3：计算新的阈值Z′，即Z′＝(μ₁+μ₂)/2；

步骤S1-4：根据阈值Z′进行灰度图像的分割：

式中，

表示灰度图像，P₁表示分割后的图像。

本发明的有益效果是：

本发明提出了一种基于时序条件生成对抗网络的综合能源***数据补偿方法，综合了长短期记忆网络(LSTM，Long Short-Term Memory)对历史信息带有记忆功能的优势，卷积神经网络(Convolutional Neural Networks，CNN)与多层前馈神经网络(backpropagation，BP)的结合实现了从输入到输出的映射功能；构建混合损失函数从高维、低维多方面考虑，使补偿的数据更加真实，从而提高综合能源***状态监测的准确性；在网络训练时考虑了综合能源***的数据耦合特殊性，针对电、热、气***添加了物理约束，使补偿后的数据更符合综合能源***的运行数据特点。

附图说明

图1为本发明中基于时序条件生成对抗网络的综合能源***数据补偿方法流程图；

图2为本发明中生成器的构建原理图；

图3为本发明具体应用的综合能源***拓扑结构；

图4为本发明在具体实例中的仿真结果，其中(a)为缺失数据的仿真结果图，(b)为完备运行数据的仿真结果图，(c)为补偿数据的仿真结果图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明。

本实施方式历史运行数据来源于如图3所示的综合能源***结构，由IEEE-57总线电网、比利时20节点气网、巴厘岛32节点热网相互耦合而成。

本发明在生成对抗网络架构、损失函数做了创新，并且考虑了综合能源***节点能量守恒的特点，提出了适用于综合能源***的数据补偿方法。即一种基于时序条件生成对抗网络的综合能源***数据补偿方法，如图1所示，包括：

步骤1：采集综合能源***在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集D；包括：

步骤1.1：对原始的完备运行数据进行归一化处理；

步骤1.2：将归一化处理后的完备运行数据进行特征提取，这里采用k-means、t-SNE算法进行特征提取；

步骤1.3：根据提取到的特征，将完备运行数据转换为灰度图；

步骤1.4：将得到的灰度图做人为缺失处理，得到缺失样本X，其维度为100*100；

步骤1.5：将缺失样本以及对应的样本标签共同构成数据集D，D＝(D₁，D₂，...，D_k)，D_k＝{X_k，M_k}，将每个样本中第n个数据属性的所有采样值构成的序列定义为子序列信息Xⁿ，X＝(X¹，X²，...，Xⁿ)，其中，D_k表示第k个样本，X_k表示第k个样本的数据集合，M_k表示第k个样本的样本标签集合，用于标记缺失数据位置；

本实施例中采集的生产过程数据如表1所示，CHP为电热联产机组，P2G(power togas)电转气。

表1生产过程数据

步骤2：构建生成器和判别器生成对抗网络结构并进行训练，得到数据集D的缺失样本补偿模型；包括：

步骤2.1：由于综合能源***历史运行数据具有强相关性，因此构造链式神经网络结构传播历史信息。构建LSTM-CNN-BP模型作为生成器，如图2所示，利用生成器模型对缺失处理后的数据进行精确补偿；包括：

步骤2.1.1：设置卷积层、池化层、全连接层搭建卷积神经网格CNN模型；

步骤2.1.2：采用ReLU函数作为激活函数，池化层采用最大池化处理，CNN模型输入层的输入为一维的子序列信息Xⁿ，维度为100*1，经过卷积后选定短时特征，设置3个卷积层，卷积核个数为64，卷积核大小都是4*4；

步骤2.1.3：短时特征经过池化层处理，保留时间序列的局部特征，然后由LSTM模型将子序列的信息汇总处理，得到的局部特征作为LSTM的输入；

步骤2.1.4：由神经元组成的隐藏层和一个全连接的输出层构成长短期记忆神经网络LSTM模型，最大迭代次数为2000，当误差小于10^-6时，跳出循环，使用注意力机制对LSTM模型的隐藏层输出向量进行关注，对其中与当前输出量显著相关的特征量赋予更大的权值；

为了能更好地提取综合能源***运行数据长时间依赖关系的特征，将训练集的连续N个时刻历史运行数据作为CNN模型的输入，x_t+Δt时刻的数据作为输出对BP网络模型进行训练，直到达到预设的准确率，使损失函数的损失值最小化，保存训练后的参数。该模型能把前次输入的特征产生影响量化后与当前时间输入的内容一起输入到网络中去参与训练，又具有BP神经网络模型较强的非线性映射能力和泛化能力，提高了数据的使用范围。

步骤2.1.5：将LSTM模型的输出神经元联合CNN模型的输出作为前馈神经网络BP模型的输入，BP模型包括输入层、隐藏层和输出层，确定BP神经网络的隐层数为3层，学习系数为0.1，误差控制率为0.001，最大训练次数为2000次，通过将上一时刻输入的特征产生影响量化后与当前时间输入的内容一起反映到网络中参与训练，又具有BP神经网络模型较强的非线性映射能力和泛化能力，提高了数据的使用范围；

步骤2.2：对缺失样本的灰度图像进行分割，建立局域判别器与全域判别器模型，构造损失函数。综合能源***多能流之间关系复杂，设备高度耦合，针对综合能源***数据空间相关性与时间相关性，根据全域判别器D_reg与局域判别器D_spa生成双判别器，将按照区域特点将缺失样本X的灰度图进行分割作为判别器输入，保证数据的空间相关性与时间相关性；包括：

步骤2.2.1：选取合适的阈值将灰度图像转化为包含必要信息的二值图像，对缺失样本的灰度图像进行分割，得到分割后的图像P；包括：

步骤S1：将缺失样本的灰度图像转换为二值图像P₁，可以有效减少数据复杂度，包括：

步骤S1-1：设置初始阈值Z将灰度图像分为两个区域R1、R2；

步骤S1-2：分别计算R1和R2区域的平均灰度值μ₁、μ₂，反映综合能源***的运行数据变化特征；

步骤S1-3：计算新的阈值Z′，即Z′＝(μ₁+μ₂)/2；

步骤S1-4：根据阈值Z′进行灰度图像的分割：

式中，

表示灰度图像，P₁表示分割后的图像；

步骤S2：根据边缘检测分割算法对灰度图像进行分割，得到分割后的图像P₂；

定义梯度：

其中，H在点(t，n)的变化率最大，向量

的长度L(t，n)为：

其中，长度L(t,n)由梯度向量

中的g_t和g_j分量得到，最大变化率出现的角度α(t,n)为

确定图片边缘位置的强度和方向后得到分割后的图片P₂。

步骤S3：设置权重将图像P、P₂组合为新的图像P：

P＝θ₁P₁+θ₂P₂

θ₁＝Σ(τ_mγ_m)，θ₂＝Σ(ψ_lξ_l)

式中，τ_m表示***动态响应系数，m表示综合能源***中能源类型种类数，γ_m表示阈值分割算法汇总不同能源类型所占权重，权重的取值与综合能源***中各能源节点所占比重有关，ψ_l表示综合能源***的耦合紧密度，l表示综合能源***中能源耦合类型，ξ_l表示边缘检测分割算法中不同能源耦合类型占比；

步骤2.2.2：建立全域判别器D_reg与局域判别器D_spa的网络结构，得到双判别器，全域判别器与局域判别器由卷积层、batch_norm层、dropout层构成，卷积过程中的卷积参数根据缺失数据维度确定，最终得到双判别器，激活函数选择lkReLU。将分割后的图像P作为局域判别器D_spa的输入，将未分割的缺失样本作为全域判别器D_reg的输入。全域判别器保证了样本整体的区域相关性，局域判别器保证了数据序列的时空相关性；

将进行图像分割后的样本作为局域判别器的输入，全域判别器保证了样本整体的区域相关性，局域判别器保证了数据序列的时空相关性；全域判别器与局域判别器由卷积层、batch_norm层、dropout层构成，全域判别器共4个卷积层，卷积核大小依次为3*3、3*3、5*5和4*4，激活函数选择lkReLU，局域判别器共4个卷积层，卷积核大小依次为5*5、5*5、3*3和4*4。全域判别器的输入为未分割的缺失样本的灰度图，局域判别器的输入为分割后的缺失样本的灰度图。全域判别器与局域判别器的卷积过程中的卷积参数根据缺失数据维度确定。

步骤2.3：根据生成器与双判别器生成对抗网路，为了进一步准确地补偿不可靠数据，建立混合损失函数对模型进行训练，训练分为两个阶段：在每次迭代中，首先用生成器损失函数对生成器进行训练；然后，固定生成器，使用训练数据集的矩阵对判别器进行训练；最后，利用训练好的生成器可以对缺失数据进行补偿；包括：

步骤2.3.1：建立对抗性损失函数

利用判别器计算对抗性损失，关注到补偿数据的高度抽象特征，放大数据间的差异性，从高维的角度对数据进行分析；

式中，

为生成器补偿后的数据，

为对生成器补偿后的数据图片分割之后的数据，作为局域判别器的输入，

为全域判别模型对

的输出结果，

为局域判别模型对

的输出结果，

的含义是使补偿数据

与完备运行数据Y的差异性最小；

步骤2.3.2：生成器不仅要关注高度抽象特征，也要关注补偿数据与真实数据之间的差异性，强化生成器能力，从低维角度分析数据，建立恢复损失函数

式中，

为完备运行数据中第t个时间间隔中第n个数据属性的采集值，

为补偿后的数据中第t个时间间隔中第n个数据属性的补偿值，Y为完备运行数据，M为所有样本的标签集合，⊙为点积算子；

步骤2.3.3：计算离散弗雷歇距离

其中序列距离L为：

步骤2.3.4：建立生成器的混合目标函数：

式中，λ和β为参数变量；由于对抗性损失

从高维的角度对数据进行分析，关注高度抽象特征，放大了数据间的差异性，恢复损失

属于低维数据范畴，关注于综合能源***数据的实际物理意义，二者具有维度相关关系，其函数关系表达式为λ＝K_dβ，K_d为维度变换系数，

J由从j中选取的综合能源***数据属性构成，实现了数据从高维到低维的维度级数平衡，选取原则根据综合能源***节点关系和数据相关性制定；

步骤2.3.5：将由生成器得到的输出数据输入到全域判别器中，该数据进行分割后输入到局域判别器中，建立全域判别器D_reg的目标函数

局域判别器D_spa的目标函数

式中，，

是指使得完备运行数据Y放入到判别模型D()输出的计算值和整个式子值尽可能大，

是指使得补偿数据

放入到判别模型D()输出的计算值尽可能小和整个式子值尽可能大，这样整合下来就是使得目标函数尽可能大，因此在训练时就可以根据目标函数进行梯度提升；

步骤2.3.6：建立约束条件，确保补偿数据的正确性，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型；包括：

步骤SS1：在训练过程中添加节点功率约束：

式中，G_ij、B_ij为导纳矩阵的实部、虚部；

为发电机注入功率；

为母线i处电力负荷消耗功率；

分别为燃气发电机、CHP机组注入到母线i的有功功率；

分别为电动压缩机、热网循环泵、电锅炉消耗的有功功率；

为无功补偿器注入的无功功率；V_i为母线i上电压幅值；

步骤SS2：气网部分考虑节点的流量平衡关系，建立各个节点流入流量与流出流量相同的约束：

式中，f_i ^GS、f_i ^GD分别为节点i处气源注入、负荷所需流量；f_i ^GG、f_i ^CHP、f_i ^GB则为燃气发电机、CHP机组、燃气锅炉消耗的天然气流量；

为天然气管道常数，

为气节点j处的压力，

为为与气节点j相连接的气节点i处的压力；sign_ij表示管道内天然气的流动方向，当节点i的压力大于节点时，signg为+1，反之为-1；

步骤SS3：针对热网部分，建立节点功率平衡约束、节点压力平衡约束以及供回水温度平衡约束：

式中，

分别为电锅炉、燃气锅炉、CHP机组为热网提供的热功率；

为节点负荷所需热功率；C_p为水的比热容；

为节点i至节点j段管道的质量流，当热网存在环路时，闭环回路内的水头压力损失总和为0；B_h为回路-网络关联矩阵；K_h为管道的阻力系数；C_s、C_r为温度系数矩阵；B_s、B_r为包含温度、质量流的列向量；

步骤SS4：添加约束节点后，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型；利用混合损失函数优化后的生成对抗网络产生补偿后的数据样本，原始的完备运行数据Y进行比较，如果相似，且损失函数控制在5％以内，则证明该网络结构的权重与偏置更新到合适范围，可以用来对缺失数据样本进行准确补偿。

步骤3：利用缺失样本补偿模型对综合能源***中的缺失数据进行精确补偿。仿真结果的对比图如图4所示。本发明在网络训练时考虑了综合能源***的数据耦合特殊性，针对电、热、气***添加了物理约束，使补偿后的数据更符合综合能源***的运行数据特点。

Claims (9)

1.一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，包括：

步骤1：采集综合能源***在一定运行时段内的生产过程数据作为原始的完备运行数据，并对完备运行数据进行缺失处理构建数据集D；

步骤2：构建生成器和判别器生成对抗网络结构并进行训练，得到数据集D的缺失样本补偿模型；

步骤3：利用缺失样本补偿模型对综合能源***中的缺失数据进行精确补偿。

2.根据权利要求1所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤1包括：

步骤1.1：对原始的完备运行数据进行归一化处理；

步骤1.2：将归一化处理后的完备运行数据进行特征提取；

步骤1.3：根据提取到的特征，将完备运行数据转换为灰度图；

步骤1.4：将得到的灰度图做人为缺失处理，得到缺失样本；

步骤1.5：将缺失样本以及对应的样本标签共同构成数据集D，D＝(D₁,D₂,…,D_k)，D_k＝{X_k,M_k}，将每个样本中第n个数据属性的所有采样值构成的序列定义为子序列信息Xⁿ，其中，D_k表示第k个样本，X_k表示第k个样本的数据集合，M_k表示第k个样本的样本标签集合，用于标记缺失数据位置。

3.根据权利要求1所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤2包括：

步骤2.1：构建LSTM-CNN-BP模型作为生成器，利用生成器模型对缺失处理后的数据进行精确补偿；

步骤2.2：根据全域判别器D_reg与局域判别器D_spa生成双判别器，保证数据的空间相关性与时间相关性；

步骤2.3：根据生成器与双判别器生成对抗网路，建立混合损失函数对模型进行训练。

4.根据权利要求3所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤2.1包括：

步骤2.1.1：设置卷积层、池化层、全连接层搭建卷积神经网格CNN模型；

步骤2.1.2：采用ReLU函数作为激活函数，池化层采用最大池化处理，CNN模型输入层的输入为一维的子序列信息Xⁿ，经过卷积后选定短时特征；

步骤2.1.3：短时特征经过池化层处理，保留时间序列的局部特征，然后由LSTM模型将子序列的信息汇总处理，得到的局部特征作为LSTM的输入；

步骤2.1.4：由神经元组成的隐藏层和一个全连接的输出层构成长短期记忆神经网络LSTM模型，使用注意力机制对LSTM模型的隐藏层输出向量进行关注；

步骤2.1.5：将LSTM模型的输出神经元联合CNN模型的输出作为前馈神经网络BP模型的输入，通过将上一时刻输入的特征产生影响量化后与当前时间输入的数据一起输入到网络中参与训练。

5.根据权利要求3所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤2.2包括：

步骤2.2.1：对缺失样本的灰度图像进行分割，得到分割后的图像P；

步骤2.2.2：建立全域判别器D_reg与局域判别器D_spa的网络结构，得到双判别器，将分割后的图像P作为局域判别器D_spa的输入，将未分割的缺失样本作为全域判别器D_reg的输入。

6.根据权利要求3所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤2.3包括：

步骤2.3.1：建立对抗性损失函数

利用判别器计算对抗性损失；

步骤2.3.2：建立恢复损失函数

利用双判别器强化生成器能力；

步骤2.3.3：计算离散弗雷歇距离

其中序列距离L为：

式中，

为完备运行数据中第t个时间间隔中第n个数据属性的采集值，

为补偿后的数据中第t个时间间隔中第n个数据属性的补偿值；

步骤2.3.4：建立对抗网络的混合目标函数：

式中，λ和β为参数变量；

步骤2.3.5：建立全域判别器D_reg的目标函数

局域判别器D_spa的目标函数

步骤2.3.6：建立约束条件，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。

7.根据权利要求5所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤2.2.1包括：

步骤S1：将缺失样本的灰度图像转换为二值图像P₁；

步骤S2：根据边缘检测分割算法对灰度图像进行分割，得到分割后的图像P₂；

步骤S3：设置权重将图像P、P₂组合为新的图像P：

P＝θ₁P₁+θ₂P₂

θ₁＝∑(τ_mγ_m),θ₂＝∑(ψ_lξ_l)

式中，τ_m表示***动态响应系数，m表示综合能源***中能源类型种类数，γ_m表示阈值分割算法汇总不同能源类型所占权重，ψ_l表示综合能源***的耦合紧密度，l表示综合能源***中能源耦合类型，ξ_l表示边缘检测分割算法中不同能源耦合类型占比。

8.根据权利要求6所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤2.3.6包括：

步骤SS1：在训练过程中添加节点功率约束：

式中，G_ij、B_ij为导纳矩阵的实部、虚部；

为发电机注入功率；

为母线i处电力负荷消耗功率；

分别为燃气发电机、CHP机组注入到母线i的有功功率；

分别为电动压缩机、热网循环泵、电锅炉消耗的有功功率；

为无功补偿器注入的无功功率；V_i为母线i上电压幅值；

步骤SS2：气网部分考虑节点的流量平衡关系，建立各个节点流入流量与流出流量相同的约束：

式中，f_i ^GS、f_i ^GD分别为节点i处气源注入、负荷所需流量；f_i ^GG、f_i ^CHP、f_i ^GB则为燃气发电机、CHP机组、燃气锅炉消耗的天然气流量；

为天然气管道常数，

为气节点j处的压力，

为为与气节点j相连接的气节点i处的压力；sign_ij表示管道内天然气的流动方向，当节点i的压力大于节点时，signg为+1，反之为-1；

步骤SS3：针对热网部分，建立节点功率平衡约束、节点压力平衡约束以及供回水温度平衡约束：

式中，

分别为电锅炉、燃气锅炉、CHP机组为热网提供的热功率；

为节点负荷所需热功率；C_p为水的比热容；

为节点i至节点j段管道的质量流，当热网存在环路时，闭环回路内的水头压力损失总和为0；B_h为回路-网络关联矩阵；K_h为管道的阻力系数；C_s、C_r为温度系数矩阵；B_S、B_r为包含温度、质量流的列向量；

步骤SS4：添加约束节点后，利用数据集D对对抗网络进行训练，得到训练后的对抗网络作为缺失样本的补偿模型。

9.根据权利要求7所述的一种基于时序条件生成对抗网络的综合能源***数据补偿方法，其特征在于，所述步骤步骤S1包括：

步骤S1-1：设置初始阈值Z将灰度图像分为两个区域R1、R2；

步骤S1-2：分别计算R1和R2区域的平均灰度值μ₁、μ₂；

步骤S1-3：计算新的阈值Z′，即Z′＝(μ₁+μ₂)/2；

步骤S1-4：根据阈值Z′进行灰度图像的分割：

式中，

表示灰度图像，P₁表示分割后的图像。

Images