基于生成對抗網絡和遷移學習的電力碳流耦合特征數據生成與評估

楊至元, 陳暉, 李沛

(1. 南方電網能源發展研究院有限責任公司, 廣州市 510663;2. 南方電網產業投資集團有限責任公司,廣州市 510663)

0 引 言

電力系統碳排放流(以下簡稱電力碳流)模型是基于電力潮流和碳排放強度表征供電區域碳排放流分布的一種有效計算方法[1-4],作為支撐高質量、高精度以及高時效電碳耦合技術的重要基礎,對促進電、碳、綠證、綠電等多市場體系之間的協同發展至關重要[5-11]。但目前通過電力碳流模型關聯的耦合特征數據質量有待提升[12-14],能夠支撐電碳耦合技術分析和研究的可信數據樣本較為不足[15-16],限制了數據驅動的電碳耦合技術發展和應用[17-18]。

當前電力監測數據和碳排放監測數據存在一定程度的質量問題[19-21],具體而言:1)在電能量監測方面,隨著電網數智監測和調控技術不斷革新,多類型監視和調控設備不斷接入電網,對海量、多源異構數據缺乏統一和標準化的處理機制,特別是在發電側和用戶側的數據質量還需進一步優化[22-24];2)在碳排放監測方面,不同企業、行業的用能工況不同,復雜程度不一,部分行業存在碳監測成本高、靈活性差、覆蓋范圍有限等問題,未能形成高精度且覆蓋多行業的普適性碳排放指標監測方案,難以獲得豐富的碳監測數據樣本[25-26]。綜上,目前電力碳流耦合特征數據存在數據失真、樣本不足等問題,不夠支撐現階段電碳耦合技術實現高精細度和高感知度的應用需求[27-28]。

當前基于電力碳流等耦合技術的數據分析和特征建模研究主要集中在電能量數據質量優化[29-30]、典型行業或典型場景下電碳數據建模[31-32]以及多時空維度的電力碳流耦合效應分析等方面[33-34]。針對電碳耦合數據質量的研究較為割裂,大都聚焦在單方面的電力數據建?；蚴翘寂欧疟O測模型優化,缺少綜合電力特征和碳排放特征的數據質量優化方法,特別是對電力碳流特征數據的稀缺性研究不夠充分[35]。由此,發展綜合電力系統特征和碳排放特征的數據采樣方法,優化數據質量,是推動電碳耦合技術發展完善的關鍵要素[36]。

針對上述問題,本文提出了一種基于生成式對抗網絡(generative adversarial networks,GAN)理論與電力碳流耦合模型的電力碳流耦合特征數據的模擬生成方法:首先闡述了現階段電力碳流特征數據的完整性并通過時序電力碳流模型生成了電碳耦合特征數據[37];基于生成對抗網絡在數據生成和數據質量優化方面的優勢[38-40],結合電力碳流數據樣本的現狀,建立了電力碳流關聯要素的GAN框架訓練模型。但由于GAN本質是極小極大博弈問題,深度神經網絡(deep neural networks,DNN)在訓練電力碳流耦合特征數據過程中容易出現模型坍縮、梯度消失等情況,直接影響GAN對目標任務的學習效果。對此,本文在GAN框架中引入了遷移學習(transfer learning,TL)模塊,在小樣本中對GAN框架中的部分參數進行預訓練,建立了生成式對抗遷移(GAN-TL)模型[41],優化GAN模型的收斂曲線和學習效能;并提出了基于電力碳流計算結果的GAN-TL有效性評估方法,從定性描述和定量分析兩個方面彌補了GAN-TL驗證機制缺失的弊端,提高生成式網絡在特征數據建模方面的適用性。

本文研究是對電碳耦合特征分析和建模研究的重要補充,針對現階段可信樣本不足的問題提出基于GAN-TL的電力碳流耦合特征生成和評估方法,并在IEEE 14節點和118節點系統中進行驗證,通過與變分自編碼器(variational autoencoder,VAE)[42]訓練結果進行比對分析,校驗GAN-TL模型在電力碳流數據生成方面的適用性和有效性,同時對訓練模型中的不確定性和局限性進行了闡述,并提出下一步研究計劃。

本文的創新點主要包括以下幾點:1)將電力系統狀態參數和碳排放參數作為生成式框架的訓練樣本,實現電力碳流耦合關系的智能擬合;2)基于生成式框架和遷移學習模型提出電力碳流耦合特征數據的生成和評估方法;3)通過對比其他生成式模型,驗證GAN-TL模型在電力碳流數據生成領域的有效性。

1 時序電力碳流耦合特征的數據質量分析

電力碳流計算的本質是將系統內各發電機組的碳排放指標依照電力潮流計算結果按計算比例均衡分布在電力系統的節點和支路上,以此評估電力系統支路、節點以及負荷的碳指標分布情況[2]。這里給出電力系統時序電力碳流特征的分析模型:

[CS,t,CB,t,CL,t,CG,t]=M(EG,t,PFS,G,L,B,t)

(1)

式中:s∈S為系統節點參數集合;B為系統支路參數集合;L為系統負荷參數集合;G為系統機組參數集合;t∈T表示時序參數;C表示碳流相關特征向量;CS,t、CB,t、CL,t、CG,t分別表示t時刻的節點碳勢、支路碳流、負荷碳流以及機組注入碳流;EG,t為t時刻機組碳排放強度;等式右側PFS,G,L,B,t為電力潮流計算模型,輸出為潮流的斷面信息;M(·)為時序電力碳流計算框架。

圖1給出了理想情況和實際情況下電力碳流數據的差異分析。

在理想環境中,電力系統參數以及各機組的碳排放強度均假設為已知且準確的。由式(1)可知,在給定當前時刻的電力運行參數和各個機組的碳排放強度時,可以直接計算得到高精度、高時效性的電力碳流特征數據。然而在實際場景中,情況卻不盡然:一方面,碳核算周期與統計周期無法保證完全一致,無法及時獲取部分機組的碳排放強度數據,此時電力碳流特征數據即為缺失狀態;另一方面,電力新興業務種類繁多,發展環境、發展階段不一,運營平臺以及支撐技術等均存在不同程度的差異,監測和統計結果極有可能存在誤差,而且新能源機組的建設周期遠小于傳統能源機組,無法有效保證統計周期內監測結果的準確性。

例如,對于第nt條時序數據,極有可能在統計間隔期間新增了部分新能源的投產并網,由此導致發電機機組集合G出現了統計誤差。目前可獲取的電碳數據極有可能存在誤差和缺值,能夠用于電碳耦合技術研究的可信樣本容量不足[31]。開展基于有限可信樣本生成其他可信樣本的數據采樣方法對現階段電力碳流耦合特征分析和建模具有重要現實意義。

2 基于生成對抗網絡框架與遷移學習的電碳耦合特征生成及驗證

為了更好解決電力碳流耦合特征數據的可信樣本不足問題,優化數據質量,本節提出基于生成式對抗網絡搭建電力碳流特征數據的模擬生成方法,其核心是將電力系統狀態參數和碳排放特征作為學習樣本導入學習模塊,并最終實現時序電力碳流耦合關系的智能擬合。本節就生成模型在訓練中存在的梯度消失、收斂特性不穩定等問題增加了遷移學習模塊,優化了收斂曲線,并針對生成數據評價機制缺失等問題提出基于電力碳流計算結果的校驗方法。

2.1 基于生成對抗網絡的電力碳流數據訓練模型

GAN最初作為非監督學習框架提出,隨后便在圖像識別、圖像超分辨率轉換以及數據增強等方面得到了廣泛應用。在近期發布的生成型預訓練變換聊天應用(chat generative pre-trained transformer,ChatGPT)中,GAN也成為其視覺分類的核心框架之一[43]。GAN框架由生成器(generator)和判別器(discriminator)兩組DNN組成。假定目標任務的訓練數據為真實數據,生成器生成“虛假”數據,判別器通過對訓練數據和“虛假”數據進行學習,不斷提高其分辨能力。生成器和判別器通過零和博弈形式進行競爭,并將其中一個神經網絡的損失作為另一個神經網絡的收益,最終通過訓練迭代實現損失和收益平衡。此時,判別器將無法區分生成數據和訓練數據。

假設訓練樣本y滿足分布y～pf,pf由真實數據集組成;生成器G(z;θG)是參數為θG的多層感知機(multilayer perceptron,MLP)組成的DNN,MLP作為一種通用的函數近似方法可以將噪聲z映射到新的分布PG;類似地,判別器D[G(z;θG);θD]由參數為θD的MLP組成。判別器可以將生成器的輸出xfake映射到[0,1]區間,形成概率輸出,從而表征xfake滿足pf分布或是PG分布。求解GAN博弈問題的本質是求解生成器和判別器的價值函數:

(2)

式中:E表示樣本的分布期望值;令pf和PG在Rn上存在分布μ(x)和κ(x),上述價值函數求解可以改寫為:

(3)

在式(3)基礎上,選取圖1中準確的歷史時序電力碳流計算模型中的輸入xin和輸出xout組成模型的訓練集。式(3)中極小極大問題求解可等效為對判別器和生成器的參數訓練,如下:

(4)

式中:g(θD)和g(θG)分別表示通過隨機梯度下降(stochastic gradient descent,SGD)算法對判別器D參數θD和生成器G參數θG進行更新的計算過程;m為每一次訓練選取的樣本大小,對第i條樣本:

(5)

(6)

其中:

(7)

需要注意的是,盡管理論上GAN模型在Rn上存在最優解,但在實際訓練中,由于GAN模型受DNN參數和結構影響明顯,GAN的收斂特性極不穩定,特別是生成器的訓練就較易出現模型坍縮和梯度消失的情況。這在很大程度上限制了GAN模型的有效性。

2.2 基于對抗網絡深度學習框架和遷移學習模型的電碳耦合特征數據的生成方法

為了解決GAN模型在學習中頻繁遇到的模型坍縮和梯度消失等問題,本文在GAN中引入了遷移學習模型。遷移學習并不特指一種具體的方法,其模型架構需要依據具體的訓練場景進行適配。遷移學習的核心思想是通過轉移類似或相關分布中的先驗知識來提高目標學習器在目標域上的學習表現,由此減少構建目標學習框架對大量目標域數據的依賴[44]。針對上一節提到的模型收斂問題,其關鍵是生成器在訓練中的梯度消失。所以一個具有先驗知識的判別器將極大提高生成器的收斂效率。這里給出基于判別器先驗參數傳遞模型的特征生成算法(discriminator in GAN with transfer learning,DTL),如算法1所示。

算法1:基于DTL的電力碳流特征數據生成框架1輸入:Xmin=[x1min,x2min,…],Xmax=[x1max,x2max,…]輸出:D?,G?,xinfake,xoutfake2選取mc?Xmin定義訓練世代epochsmin3for e in epochsmin do4g(θT)=θT1|mc|∑|mc|i=1T[mi,θT]5θT←θT-αg(θT)6end7選取mn?Xmax定義訓練世代epochsmax8θ0D←θ?T9for e in epochsminepochsmax do10zi=random(Rn)11{g(θD)←θD1|mn|∑|mn|i=1{log[D(ximax)]+log{1-D[G(zi)]}}g(θG)←θG1|mn|∑|mn|i=1log{1-D[G(zi)]}12end13[xinfake,xoutfake]=G?(zi)

算法中,較少樣本的Xmin用于遷移學習,樣本較多的Xmax用于生成對抗網絡學習的訓練;同時給出一個參數為θT的遷移模型T(·),其本質也是由DNN組成的神經網絡。TL訓練模型如下:

(8)

在GAN框架中部署遷移學習模塊的操作流程是先將生成器(或判別器)部署在先驗樣本上進行預訓練,使之獲得先驗知識,之后再將其部署進目標學習任務的GAN網絡中,即為GAN-TL。GAN-TL既能很好解決模型生成器坍縮和判別器梯度消失的問題,也可以提高對小樣本學習場景的學習效率和效能,同時在有效性上也適配現階段小樣本電力碳流特征數據的建模和分析。

2.3 生成特征校驗與分析

目前主流機器學習模型的驗證大都是將模型部署在與訓練集同分布的測試域中進行驗證,這種方法對應用場景較為固定且有明確標簽的監督學習比較有效。對于無監督學習模型的驗證,學界目前沒有統一的框架,一般會采用聚類算法對學習結果進行聚類,生成聚類效果圖。對于簡單的學習場景,無監督學習效果的好壞可以直接通過專家系統或人工識別來直觀判斷,也可以通過人工標記的偽標簽對學習結果進行校驗。

但對于復雜且聚類特征不明顯的學習目標,聚類結果并不能反映無監督學習模型的效果,同時也缺乏可以量化訓練結果的聚類指標。具體而言,對于無監督學習模型GAN來說,如果原分布pf不具備明顯的聚類特征,生成的虛擬分布PG也同樣無法獲得聚類結果。所以聚類結果并不能作為表征GAN模型的訓練好壞。同樣地,盡管GAN在圖像領域的應用可以通過人工直觀辨識來校驗學習模型的好壞,但在本文提出的電力碳流GAN-TL模型的校驗研究中,直觀法并不能作為判斷GAN訓練結果的標準。

圖2 基于GAN-TL框架的電力碳流特征數據的生成及驗證框架Fig.2 The Framework of data acquisition from CEF model based on the GAN-TL method

(9)

3 算例仿真

3.1 仿真環境

3.1.1 電力系統及碳排放初始仿真設置

本文選取IEEE 14節點系統和118節點系統作為電力系統仿真的測試環境。其中IEEE 14節點系統含有10個負荷節點,4個發電機節點,1個平衡節點,15條傳輸線路,5條變壓器線路,負荷總計259 MW。IEEE 118節點系統含有99個負荷節點,53個發電機節點,1個平衡節點,173條線路,13條變壓器線路,負荷總計4 242 MW。電力系統仿真測試軟件為開源電力系統仿真包Pandapower,版本為2.11.1[45]。選取Pandapower中CIGRE_15 min新能源出力和負荷測試曲線作為仿真系統中部分發電機和負荷節點的變化曲線,以此模擬測試系統的時序變化,如圖3所示。發電機碳排放的核算周期與電力系統的時域分析相比可以近似等效為靜態模型,在15 min的時間尺度內變化不大。算例仿真中傳統發電機的碳排放模型設置與文獻[37]保持一致,按比例系數隨機取樣,系數取樣區間為[1,5]。

圖3 CIGRE_15 min時序新能源出力測試曲線Fig.3 The base generation output and load curves of CIGRE_15 mins testing profile

3.1.2 人工智能深度學習框架

本文選取開源人工智能軟件庫TensorFlow 2.9.1用于搭建GAN-TL框架的深度神經網絡模型,通過調用TensorFlow內置集成的Keras應用編譯接口(application programming interface,API)實現深度神經網絡的模塊化搭建。GAN-TL基于CPU訓練平臺,訓練神經網絡的硬件參數如下:AMD 6800HS,8核心,基頻3.2 GHz,支持16線程擴展;16 GB DDR5 RAM,頻率4 800 MHz。

3.2 IEEE 14節點和118節點系統測試結果

3.2.1 IEEE 14節點算例電力碳流特征仿真

在IEEE 14節點算例的遷移學習模塊初始化設置中,遷移模塊學習率設置為0.003,epochsmin為800,mc=16。訓練樣本包括系統發電機出力、節點負荷、機組碳排放強度、節點碳勢、支路碳流、負荷碳流以及機組碳流,特征維度為137。小樣本容量為1 000,深度神經網絡中需要傳遞的參數個數為20 241,設置4線程并行計算。GAN框架中,訓練樣本容量為5 000,噪聲zi的長度為200,學習率設置為0.002,epochsmin為10 000,mn=16。需要訓練的神經網絡參數共852 361個,設置8線程并行計算。

經比選,DTL的學習效果要優于基于生成器的先驗參數傳遞算法(generator in GAN with transter learning, GTL)。完成訓練后,由式(6)可以生成1 000條生成數據,并經式(9)校驗矩陣校核。學習結果如圖4、5所示。圖4和圖5展示了部分線路和節點的電力碳流特征學習結果。在生成的1 000個樣本中,極個別樣本的線路和節點數據的準確率出現異常,如圖中紅色方框所示。生成器一共新生成14 000個節點碳勢數據,準確率在90%以上的碳勢結果占比為89.93%,準確率在95%以上的碳勢結果占比為62.62%;在新生成的20 000個碳流密度數據中,準確率在90%以上的碳流密度占比約83.98%;在新生成的14 000個負荷碳流和機組注入碳流結果中,準確率在90%以上的負荷碳流占比約79.11%;準確率在90%以上的機組注入碳流超過85%,如圖4中的紫色虛框所示;準確率在95%以上的數據占比為83.49%。

圖4 IEEE 14節點系統的支路碳流密度特征的誤差結果Fig.4 The rate of errors of branch carbon emission flow intensity in the IEEE 14 bus system

3.2.2 IEEE 118節點算例電力碳流特征仿真

在IEEE 118節點算例的遷移學習模塊初始化設置中,遷移樣本容量為1 000,遷移模塊學習率設置為0.000 2,epochsmin為1 000,mc=64。118節點系統的訓練樣本包括系統發電機出力、節點負荷、機組碳排放強度、節點碳勢、支路碳流、負荷碳流以及機組注入碳流,特征維度為1 237。深度神經網絡中需要傳遞的參數個數為3 367 937,設置4線程并行計算。在目標任務的GAN框架中,訓練樣本容量為5 000,噪聲長度為1 200,學習率設置區間為[0.000 8,0.001 5],epochsmax設置為[10 000,15 000],mn取64。需要訓練的神經網絡參數共計3 497 997個,設置8線程并行計算。DTL和GTL的訓練過程如圖6所示。圖6一共展示了3組不同GAN-TL模型和1組基礎架構的GAN模型的訓練過程。為排除其他因素干擾,3組GAN-TL模型僅學習率上做了差異化處理,其他參數保持一致,以展示各模型訓練對參數的靈敏性和響應程度,其中2組GTL模型分別設置了0.000 8和0.001的學習率,DTL和GAN基礎模型均設置為0.001的學習率。

圖6 IEEE 118節點系統在不同訓練參數下的收斂情況展示Fig.6 The converge results of GAN-TL models based on diverse settings using the IEEE 118 bus system

由圖6可知,紅色和深紫色折線顯示基礎GAN模型的生成器損失和判別器損失均存在極大的不穩定性;淺紫色和藍色的折線為2組GTL的生成器損失曲線,epochs在2 000～3 000和8 000～9 000時GTL存在成大幅波動成器損失和判別器損失均存在極大的不穩定性;淺紫色和藍色的折線為2組GTL的生器損失曲線,epochs在2 000～3 000和8 000～9 000時GTL存在大幅波動,也并沒有實現很好的收斂。相較而言,橘色和綠色折線顯示的DTL模型在訓練中表現較為穩定,在epochs為5 000～6 000時已成功收斂。

進一步地,表1給出了DTL和GTL在IEEE 118節點系統上的對比驗證。通過評價指標R可以得到不同參數設置下GAN基礎模型與DTL/GTL的量化對比結果。與14節點系統類似,在118節點系統新生成的1 000組電碳特征中,一共生成有功通量數據、節點碳勢數據以及機組注入數據共354 000個,新生成碳流密度數據186 000個。對于各個模型的訓練結果,按準確率區間對各組特征數據進行分類比較,可以發現在95%以上區間:DTL的占比較GTL的占比在4組維度中平均提高了13.83%,最高提升了29.83%;盡管在注入碳流特征的準確率占比上DTL較GAN下降了約2.66%,但在有功通量特征的準確率占比上提高了37.49%,節點碳勢特征的準確率占比提高了37.60%,碳流密度的準確率占比提高了24.62%。對于準確率在90%以上和85%以上的區間,DTL相對GTL/GAN模型分別提升了14.75%/32.26%和12.23%/33.99%。由此可知,DTL相較于GTL和GAN基礎模型擁有更快的收斂速度以及更好的模型表達,更適用于算例中的學習場景。算例仿真結論也與2.2小節的直觀推理相吻合。

表1 不同參數GAN-TL模型的靈敏性分析和對比驗證Table 1 The sensitivity analysis and verifications with diverse parameters settings among the GAN-TL models

圖7給出一個直觀的展示結果。圖中共有3組不同參數設置的DTL模型,2組GTL模型以及1組GAN基礎模型作對比驗證。每個子圖的橫坐標表示生成數據的特征空間,縱坐標表示生成的樣本數。通過顏色的深淺可以形象表征每組模型生成樣本的誤差結果。顏色越深,表示該特征越不準確,反之則越準確。通過比對可以發現,GAN模型的顏色最深,模型的誤差最大;紅色虛框標識的第2組DTL模型生成樣本淺色部分最多,模型也最精確。

圖7 IEEE 118 節點系統中不同GAN-TL模型的學習校驗結果直觀展示Fig.7 The intuitive demonstration of verifications on diverse GAN-TL methods in the 118 bus system

3.2.3 GAN-TL模型與其他生成方法的比對分析

為了驗證算法在電力碳流數據生成方面的有效性,本節補充了GAN-TL模型與VAE模型的電力碳流數據生成方法的對比驗證。VAE是一種基于概率方法的無監督學習模型,由編碼器、解碼器兩組神經網絡組成,在圖像生成、圖像重建、特征學習等方面有著廣泛的研究和應用[42]。編碼器將輸入數據映射為高斯分布,并從該潛在分布中采樣得到潛在向量,用于解碼器生成新的樣本。這種重參數化技巧使得梯度可以反向傳播從而實現對神經網絡的迭代訓練。圖8給出了基于VAE框架的電力碳流數據生成和驗證方法。

圖8 基于VAE框架的電力碳流數據生成和驗證Fig.8 Generation and Validation Method of CEF data based on VAE Framework

由圖8可知,VAE模型中編碼器將訓練批次中的訓練數據xi映射為由均值μi和方差σi2表征的高斯分布pφ(zi),解碼器通過對潛在向量zi取樣解碼,生成新數據xi′。最后,生成數據和訓練數據通過校驗矩陣進行電力碳流計算校驗。VAE相關訓練參數設置如下,編碼器和解碼器均由卷積神經網絡組成,共含有19萬個訓練參數,潛在空間維度取2,訓練樣本容量為5 000,設置8線程并行計算。

表2為GAN-TL模型與VAE模型在IEEE 14節點測試算例中的學習結果比對。比對特征包括節點碳勢、碳流密度、負荷碳流以及機組注入碳流。表中數據表示在誤差矩陣中,誤差率為10%以內的生成數據占比,表中的數值越高表示學習結果越準確,反之,學習結果偏差越大。通過對比3種設置不同的VAE模型可知,本文提出的GAN-TL模型對節點碳勢和碳流密度的訓練效果提升明顯,平均提高了21.89%和16.38%,對負荷碳流和注入碳流的訓練效果也有小幅度提升,分別為6.38%和0.83%。VAE的訓練是將樣本的先驗分布映射到潛在空間,為防止出現過擬合,訓練世代不宜設置過大,這在一定程度上節省了計算資源。

表2 GAN-TL模型與VAE模型的訓練結果對比Table 2 The comparison study between GAN-TL model and VAE models

VAE模型中潛在空間的維度和結構較為抽象,編碼器對先驗分布的映射可能丟失重要的細節,預設的先驗正態分布也不適用于分布復雜的數據場景,同時解碼器在進行樣本重構時需要權衡樣本的多樣性和準確性。因此,映射過程的不確定性和重構過程的模糊性也會對訓練結果造成影響。相較而言,GAN模型的數學原理和結構更為直觀,對復雜分布的學習更有優勢。

3.2.4 生成模型的討論與分析

本文提出的基于生成對抗網絡和遷移學習的電力碳流耦合特征數據生成和評估方法,本質上為小樣本、無監督類型的數據生成任務,其有效性已通過IEEE實例研究以及與VAE模型的比對分析進行了驗證。但現階段的訓練模型仍存在以下幾點不足:

1)樣本的數據質量需進一步提升。結合表1、2以及圖7可以發現模型在某類特征上表現出較低的準確率。通過數據解析可以知道,這是因為訓練樣本中此類特征表達不明顯,訓練集不足以支撐神經網絡參數對此類特征的表達,從而在生成樣本中表現出隨機性。

2)GAN-TL模型細節尚不完善,仍有優化空間?，F階段,本文并未對已獲得源領域知識的TL模型參數的傳遞過程進行優化,這有可能限制了GAN-TL模型在目標領域的學習增益。

3)協同優化算法尚不明晰。電力碳流數據特征和分布暫不明確,生成模型也缺乏標準的通用算法。在復雜分布的特征提取、生成模型的多樣性和準確性權衡博弈等方面,仍需繼續探索有效的協同優化算法。

4 結 論

開展基于小樣本的電力碳流特征分析和評估研究是現階段電碳耦合技術的重要研究方向。本文基于GAN-TL框架提出了電力潮流和碳流耦合特征數據的生成式框架,以完善現有的電碳數據庫和特征庫,從而推進電碳耦合技術向平臺化和實用化方向發展。

本文分析闡述了現階段電力碳流數據的實際質量問題,針對小樣本、無監督的電力碳流數據生成任務,提出將電力系統狀態參數和碳排放參數作為訓練樣本,通過GAN-TL模型擬合了電力碳流耦合數據模型的分布特征,經由電力碳流計算框架和校驗矩陣直觀展示了生成數據的特征表達,同時實現了生成模型的定量評價,通過引入與VAE模型的對比分析,進一步驗證了GAN-TL在電力碳流數據生成任務上的有效性。

本文研究目標是提出基于GAN-TL框架生成電力碳流數據的建模和評估方法,為電碳耦合數據質量提升提供新的研究思路?；谘芯拷Y果,本文在數據質量、模型構建、協同優化等方面對現階段生成模型的局限性進行了梳理。后續的研究工作將針對實際任務場景開展必要的數據工程和特征工程,基于典型行業生產、運營環節的電力碳流特點,修正生成式模型的參數和結構,探索優化訓練成本的有效方法,增強生成式框架在電碳耦合領域的實用性。