基于生成对抗网络和迁移学习的电力碳流耦合特征数据生成与评估OA北大核心CSTPCD

目前电力碳流耦合特征数据的可信样本较为不足,不能满足高质量、高精度以及高时效的电碳耦合技术发展需求。将生成式对抗网络理论与电力碳流耦合模型相结合,提出一种全新的电力碳流耦合特征数据模拟生成方法:将电力系统时序状态参数和碳排放特征作为学习样本导入学习模块,实现时序电力碳流耦合关系的智能拟合;针对生成式网络训练困难等问题,通过迁移学习模块,在小样本中对电力碳流特征数据开展预训练,并将训练参数传递至目标域中,提高目标任务学习效率,结合对照选比结果,获得适用的生成式迁移模型;此外,针对生成数据的评价机制缺失问题,提出一种基于电力碳流计算结果的校验方法,量化了生成式迁移学习模型的有效性评估结果,并在IEEE 14节点和118节点系统上进行了验证。