本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，特別是指一種電力企業(yè)電費回收數(shù)據(jù)模擬方法。

背景技術(shù)：

電力企業(yè)(例如，供電公司)電費回收管理工作是保證電力企業(yè)電費正常回收、實現(xiàn)企業(yè)可持續(xù)發(fā)展的一項重要任務(wù)。隨著電力客戶用電量快速增加和外部壞境的不斷變化，電力企業(yè)面臨的電費回收風(fēng)險和不確定性也在逐年加大。

現(xiàn)有技術(shù)中，由于欠費數(shù)據(jù)不準(zhǔn)確以及欠費數(shù)據(jù)稀缺，難以準(zhǔn)確進(jìn)行欠費預(yù)測。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種電力企業(yè)電費回收數(shù)據(jù)模擬方法，以解決現(xiàn)有技術(shù)所存在的欠費數(shù)據(jù)不準(zhǔn)確以及欠費數(shù)據(jù)稀缺，難以準(zhǔn)確進(jìn)行欠費預(yù)測的問題。

為解決上述技術(shù)問題，本發(fā)明實施例提供一種電力企業(yè)電費回收數(shù)據(jù)模擬方法，包括：

獲取已有的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)；

確定基于深度卷積的對抗生成網(wǎng)絡(luò)，所述對抗生成網(wǎng)絡(luò)包括：生成器和判別器；其中，所述判別器是一種卷積神經(jīng)網(wǎng)絡(luò)，所述生成器是一種反卷積神經(jīng)網(wǎng)絡(luò)；

將獲取的所述真實數(shù)據(jù)輸入判別器，判別器學(xué)習(xí)所述真實數(shù)據(jù)的特征以訓(xùn)練其判別真實數(shù)據(jù)和模擬數(shù)據(jù)的能力，通過生成器生成模擬數(shù)據(jù)，將生成的模擬數(shù)據(jù)輸入到判別器判別真假，并根據(jù)判別結(jié)果計算生成器的損失函數(shù)值和判別器的損失函數(shù)值，直至生成器的損失函數(shù)值和判別器的損失函數(shù)值達(dá)到預(yù)設(shè)值，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，結(jié)束訓(xùn)練；

利用訓(xùn)練后的生成器生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)。

進(jìn)一步地，所述獲取已有的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)包括：

確定欠費度量指標(biāo)體系；

根據(jù)確定的欠費度量指標(biāo)體系，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)。

進(jìn)一步地，所述欠費度量指標(biāo)體系包括：非目標(biāo)指標(biāo)和目標(biāo)指標(biāo)；

所述非目標(biāo)指標(biāo)包括：供電單位、行業(yè)類別、用電類別、電壓等級、負(fù)荷重要等級、運行容量、停電標(biāo)識、是否三方協(xié)議、1月用電量、2月用電量、3月用電量、4月用電量、5月用電量、6月用電量、7月用電量、8月用電量、9月用電量、10月用電量、11月用電量、12月用電量、1月欠費金額、2月欠費金額、3月欠費金額、4月欠費金額、5月欠費金額、6月欠費金額、7月欠費金額、8月欠費金額、9月欠費金額、10月欠費金額、11月欠費金額、12月欠費金額；

所述目標(biāo)指標(biāo)包括：欠費月個數(shù)。

進(jìn)一步地，所述根據(jù)確定的欠費度量指標(biāo)體系，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)包括：

根據(jù)確定的欠費度量指標(biāo)體系中的指標(biāo)，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)，得到每個指標(biāo)對應(yīng)的指標(biāo)值；

判斷每個指標(biāo)值是否有錯誤，若某個指標(biāo)值有錯誤，則刪除有錯誤的指標(biāo)值；

判斷每個指標(biāo)值是否空缺，若某個指標(biāo)值空缺，則以當(dāng)前指標(biāo)對應(yīng)的所有指標(biāo)值的平均數(shù)補足。

進(jìn)一步地，在通過生成器生成模擬數(shù)據(jù)，將生成的模擬數(shù)據(jù)和所述真實數(shù)據(jù)輸入所述判別器來訓(xùn)練所述判別器之前，所述方法還包括：

對所述真實數(shù)據(jù)進(jìn)行預(yù)處理；

所述對所述真實數(shù)據(jù)進(jìn)行預(yù)處理包括：

將所述真實數(shù)據(jù)中的na值替換成0；

將所述真實數(shù)據(jù)的數(shù)據(jù)類型轉(zhuǎn)換為num/int類型；

剔除所述真實數(shù)據(jù)中的inf值；

對所述真實數(shù)據(jù)進(jìn)行歸一化處理。

進(jìn)一步地，所述確定基于深度卷積的對抗生成網(wǎng)絡(luò)包括：

確定生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)，所述網(wǎng)絡(luò)結(jié)構(gòu)包括：輸入層、卷積層和輸出層；

確定生成器和判別器的卷積層卷集核大小、卷積核的滑動步長；

確定生成器和判別器的損失函數(shù)。

進(jìn)一步地，所述卷積層卷集核大小為2*2。

進(jìn)一步地，所述非目標(biāo)指標(biāo)的數(shù)目可以表示為非1的兩個數(shù)的乘積形式；

若所述非目標(biāo)指標(biāo)的數(shù)目不可以表示為非1的兩個數(shù)的乘積形式，則添加1個或多個噪聲指標(biāo)，使所述非目標(biāo)指標(biāo)的數(shù)目可以表示為非1的兩個數(shù)的乘積形式。

進(jìn)一步地，所述判別器的損失函數(shù)表示為：

d_loss＝l(d)＝-ex～pr[d(x)]+ex～pg[d(x)]

d_loss_real＝-ex～pr[d(x)]；

d_loss_fake＝ex～pg[d(x)]

其中，d_loss、l(d)為判別器的損失函數(shù)；pr表示真實數(shù)據(jù)；pg表示由生成器生成的模擬數(shù)據(jù)；x～pr中的x表示真實數(shù)據(jù)，x～pg中的x表示模擬數(shù)據(jù)，d(x)表示將x輸入判別器的判別結(jié)果；d_loss_real表示真實數(shù)據(jù)輸入到判別器中的判別結(jié)果和預(yù)設(shè)的第一預(yù)期結(jié)果之間的交叉熵；d_loss_fake表示生成器生成的模擬數(shù)據(jù)輸入到判別器中的判別結(jié)果與預(yù)設(shè)的第二預(yù)期結(jié)果之間的交叉熵；

所述生成器的損失函數(shù)表示為：

g_loss＝l(g)＝-ex～pg[d(x)]

其中，g_loss、l(g)為生成器的損失函數(shù)，表示生成器生成的模擬數(shù)據(jù)輸入到判別器中的判別結(jié)果與預(yù)設(shè)的第三預(yù)期結(jié)果之間的交叉熵；pg表示由生成器生成的模擬數(shù)據(jù)；x～pg中的x表示模擬數(shù)據(jù)，d(x)表示將x輸入判別器的判別結(jié)果。

進(jìn)一步地，所述將獲取的所述真實數(shù)據(jù)輸入判別器，判別器學(xué)習(xí)所述真實數(shù)據(jù)的特征以訓(xùn)練其判別真實數(shù)據(jù)和模擬數(shù)據(jù)的能力，通過生成器生成模擬數(shù)據(jù)，將生成的模擬數(shù)據(jù)輸入到判別器判別真假，并根據(jù)判別結(jié)果計算生成器的損失函數(shù)值和判別器的損失函數(shù)值，直至生成器的損失函數(shù)值和判別器的損失函數(shù)值達(dá)到預(yù)設(shè)值，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，結(jié)束訓(xùn)練包括：

s1，將所述真實數(shù)據(jù)輸入到所述判別器中，所述判別器學(xué)習(xí)真實數(shù)據(jù)的特征，判別真實數(shù)據(jù)真假，根據(jù)判別結(jié)果與預(yù)設(shè)的第一預(yù)期結(jié)果計算交叉熵d_loss_real；

s2，將隨機噪聲輸入到所述生成器中生成模擬數(shù)據(jù)，將生成器生成的模擬數(shù)據(jù)輸入到所述判別器中，所述判別器學(xué)習(xí)模擬數(shù)據(jù)的特征，判別模擬數(shù)據(jù)真假，根據(jù)判別結(jié)果與預(yù)設(shè)的第三預(yù)期結(jié)果計算生成器的損失函數(shù)值；

s3，根據(jù)s2的判別結(jié)果與預(yù)設(shè)的第二預(yù)期結(jié)果計算交叉熵d_loss_fake，對d_loss_fake和d_loss_real求和，得到判別器的損失函數(shù)值，基于生成器的損失函數(shù)值和判別器的損失函數(shù)值利用自適應(yīng)估計優(yōu)化方法調(diào)節(jié)生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)元的權(quán)重和偏置來降低生成器的損失函數(shù)值和判別器的損失函數(shù)值；

s4，s2和s3交替進(jìn)行，直至生成器的損失函數(shù)值和判別器的損失函數(shù)值達(dá)到預(yù)設(shè)值，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，結(jié)束訓(xùn)練。

本發(fā)明的上述技術(shù)方案的有益效果如下：

上述方案中；其中，所述判別器是一種卷積神經(jīng)網(wǎng)絡(luò)，所述生成器是一種反卷積神經(jīng)網(wǎng)絡(luò)，依據(jù)這兩種卷積神經(jīng)網(wǎng)絡(luò)搭建對抗學(xué)習(xí)模式，將獲取的真實數(shù)據(jù)輸入判別器來訓(xùn)練判別器判別真實數(shù)據(jù)和模擬數(shù)據(jù)的能力；通過生成器生成模擬數(shù)據(jù)然后輸入到判別器判別真假，并進(jìn)行自學(xué)習(xí)訓(xùn)練使生成器生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)，然后，利用生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)進(jìn)行欠費預(yù)測，能夠解決欠費數(shù)據(jù)不準(zhǔn)確以及欠費數(shù)據(jù)稀缺，難以準(zhǔn)確進(jìn)行欠費預(yù)測的問題，從而有效輔助電力企業(yè)制定用電和電費預(yù)警策略，且dcgan作為有監(jiān)督學(xué)習(xí)的特征提取器，生成的模擬數(shù)據(jù)有助于提高欠費預(yù)測的準(zhǔn)確率。

附圖說明

圖1為本發(fā)明實施例提供的電力企業(yè)電費回收數(shù)據(jù)模擬方法的流程示意圖；

圖2為本發(fā)明實施例提供的對抗生成網(wǎng)絡(luò)中生成器和判別器的對抗學(xué)習(xí)的原理示意圖。

具體實施方式

為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例進(jìn)行詳細(xì)描述。

本發(fā)明針對現(xiàn)有的欠費數(shù)據(jù)不準(zhǔn)確以及欠費數(shù)據(jù)稀缺，難以準(zhǔn)確進(jìn)行欠費預(yù)測的問題，提供一種電力企業(yè)電費回收數(shù)據(jù)模擬方法。

如圖1所示，本發(fā)明實施例提供的電力企業(yè)電費回收數(shù)據(jù)模擬方法，包括：

s101，獲取已有的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)；

s102，確定基于深度卷積的對抗生成網(wǎng)絡(luò)(deepconvolutionalgenerativeadversarialnerworks，dcgan)，所述對抗生成網(wǎng)絡(luò)包括：生成器和判別器；其中，所述判別器是一種卷積神經(jīng)網(wǎng)絡(luò)，所述生成器是一種反卷積神經(jīng)網(wǎng)絡(luò)；

s103，將獲取的所述真實數(shù)據(jù)輸入判別器，判別器學(xué)習(xí)所述真實數(shù)據(jù)的特征以訓(xùn)練其判別真實數(shù)據(jù)和模擬數(shù)據(jù)的能力，通過生成器生成模擬數(shù)據(jù)，將生成的模擬數(shù)據(jù)輸入到判別器判別真假，并根據(jù)判別結(jié)果計算生成器的損失函數(shù)值和判別器的損失函數(shù)值，直至生成器的損失函數(shù)值和判別器的損失函數(shù)值達(dá)到預(yù)設(shè)值，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，結(jié)束訓(xùn)練；

s104，利用訓(xùn)練后的生成器生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)。

本發(fā)明實施例所述的電力企業(yè)電費回收數(shù)據(jù)模擬方法；其中，所述判別器是一種卷積神經(jīng)網(wǎng)絡(luò)，所述生成器是一種反卷積神經(jīng)網(wǎng)絡(luò)，依據(jù)這兩種卷積神經(jīng)網(wǎng)絡(luò)搭建對抗學(xué)習(xí)模式，將獲取的真實數(shù)據(jù)輸入判別器來訓(xùn)練判別器判別真實數(shù)據(jù)和模擬數(shù)據(jù)的能力；通過生成器生成模擬數(shù)據(jù)然后輸入到判別器判別真假，并進(jìn)行自學(xué)習(xí)訓(xùn)練使生成器生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)，然后，利用生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)進(jìn)行欠費預(yù)測，能夠解決欠費數(shù)據(jù)不準(zhǔn)確以及欠費數(shù)據(jù)稀缺，難以準(zhǔn)確進(jìn)行欠費預(yù)測的問題，從而有效輔助電力企業(yè)制定用電和電費預(yù)警策略，且dcgan作為有監(jiān)督學(xué)習(xí)的特征提取器，生成的模擬數(shù)據(jù)有助于提高欠費預(yù)測的準(zhǔn)確率。

在前述電力企業(yè)電費回收數(shù)據(jù)模擬方法的具體實施方式中，進(jìn)一步地，所述獲取已有的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)包括：

確定欠費度量指標(biāo)體系；

根據(jù)確定的欠費度量指標(biāo)體系，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)。

本實施例中，為了獲取已有的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)，需先確定欠費度量指標(biāo)體系，然后根據(jù)確定的欠費度量指標(biāo)體系，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)(real_data)。

本實施例中，在預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中，通過對82472個大工業(yè)用戶的電費數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)在2015年1月至2015年12月這12個月的735522萬條電費記錄中僅有12471條有欠費記錄，所述12471條有欠費記錄包含了有殘缺的欠費記錄。本發(fā)明實施例的目的就是增加欠費數(shù)據(jù)，平衡欠費數(shù)據(jù)和非欠費數(shù)據(jù)的比例，讓欠費預(yù)測模型能更好的學(xué)習(xí)到欠費數(shù)據(jù)的特征。

本實施例中，所述預(yù)設(shè)的數(shù)據(jù)系統(tǒng)可以為某省國家電網(wǎng)電力用戶營銷數(shù)據(jù)庫系統(tǒng)。

本實施例中，獲取到的735522電費記錄包含了1-12個月的用電特征，而其中只有12471條欠費記錄，那么同為預(yù)測和影響因子的欠費數(shù)據(jù)成為稀缺數(shù)據(jù)。在利用監(jiān)督學(xué)習(xí)時為了有效預(yù)測用戶欠費情況，可以確定每個月的每個用戶的欠費度量指標(biāo)；所述欠費度量指標(biāo)可以分別非目標(biāo)指標(biāo)和目標(biāo)指標(biāo)；由所述非目標(biāo)指標(biāo)和目標(biāo)指標(biāo)構(gòu)成欠費度量指標(biāo)體系。

本實施例中，所述非目標(biāo)指標(biāo)可以包括：供電單位、行業(yè)類別、用電類別、電壓等級、負(fù)荷重要等級、運行容量、停電標(biāo)識、是否三方協(xié)議、1月用電量、2月用電量、3月用電量、4月用電量、5月用電量、6月用電量、7月用電量、8月用電量、9月用電量、10月用電量、11月用電量、12月用電量、1月欠費金額、2月欠費金額、3月欠費金額、4月欠費金額、5月欠費金額、6月欠費金額、7月欠費金額、8月欠費金額、9月欠費金額、10月欠費金額、11月欠費金額、12月欠費金額。本實施例中，所述目標(biāo)指標(biāo)包括：欠費月個數(shù)，在實際操作中，可以根據(jù)實際情況來決定目標(biāo)指標(biāo)的選擇。本實施例中欠費數(shù)據(jù)是研究重點，且欠費指標(biāo)1-12月可以推出欠費月個數(shù)，所以將欠費月個數(shù)確定為目標(biāo)指標(biāo)。

本實施例中，根據(jù)確定的欠費度量指標(biāo)體系中的33個指標(biāo)，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)，即：real_data包括：12471條欠費數(shù)據(jù)，real_data的維度為12471*33。對real_data作初步分析，發(fā)現(xiàn)每次欠費金額分布在0-100萬，為便于欠費預(yù)測模型的收斂，將欠費金額以千元計，并保留一位小數(shù)。

在前述電力企業(yè)電費回收數(shù)據(jù)模擬方法的具體實施方式中，進(jìn)一步地，所述根據(jù)確定的欠費度量指標(biāo)體系，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)作為真實數(shù)據(jù)包括：

根據(jù)確定的欠費度量指標(biāo)體系中的指標(biāo)，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)，得到每個指標(biāo)對應(yīng)的指標(biāo)值；

判斷每個指標(biāo)值是否有錯誤，若某個指標(biāo)值有錯誤，則刪除有錯誤的指標(biāo)值；

判斷每個指標(biāo)值是否空缺，若某個指標(biāo)值空缺，則以當(dāng)前指標(biāo)對應(yīng)的所有指標(biāo)值的平均數(shù)補足。

本實施例中，由于所述12471條有欠費記錄包含了有殘缺的欠費記錄，在根據(jù)確定的欠費度量指標(biāo)體系中的指標(biāo)，從預(yù)設(shè)的數(shù)據(jù)系統(tǒng)中抽取相應(yīng)的電力用戶欠費數(shù)據(jù)，得到每個指標(biāo)對應(yīng)的指標(biāo)值后，需判斷每個指標(biāo)值是否有錯誤，若某個指標(biāo)值有錯誤，則刪除有錯誤的指標(biāo)值；判斷每個指標(biāo)值是否空缺，若某個指標(biāo)值空缺，則以當(dāng)前指標(biāo)對應(yīng)的所有指標(biāo)值的平均數(shù)補足，這樣，可以得到完整的真實數(shù)據(jù)real_data，該過程并不改變real_data的維度，所述real_data的維度依然是12471*33。

在前述電力企業(yè)電費回收數(shù)據(jù)模擬方法的具體實施方式中，進(jìn)一步地，在通過生成器生成模擬數(shù)據(jù)，將生成的模擬數(shù)據(jù)和所述真實數(shù)據(jù)輸入所述判別器來訓(xùn)練所述判別器之前，所述方法還包括：

對所述真實數(shù)據(jù)進(jìn)行預(yù)處理；

所述對所述真實數(shù)據(jù)進(jìn)行預(yù)處理包括：

將所述真實數(shù)據(jù)中的na值替換成0；

將所述真實數(shù)據(jù)的數(shù)據(jù)類型轉(zhuǎn)換為num/int類型；

剔除所述真實數(shù)據(jù)中的inf值；

對所述真實數(shù)據(jù)進(jìn)行歸一化處理。

本實施例中，將所述真實數(shù)據(jù)中的na值替換成0；將所述真實數(shù)據(jù)的數(shù)據(jù)類型轉(zhuǎn)換為num/int類型，例如，對于文字型指標(biāo)，如行業(yè)類別、供電單位等，轉(zhuǎn)換成相應(yīng)的數(shù)值(num)指標(biāo)；剔除所述真實數(shù)據(jù)中的無限大值(inf)值。

本實施例中，接著對真實數(shù)據(jù)進(jìn)行歸一化處理，歸一化就是要把真實數(shù)據(jù)(通過某種算法)限制在需要的一定范圍內(nèi)。首先歸一化是為了后面數(shù)據(jù)處理的方便，其次是保證程序運行時收斂加快。歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計分布性。對真實數(shù)據(jù)做歸一化處理，消除不同數(shù)據(jù)量級的影響。具體的，對真實數(shù)據(jù)進(jìn)行歸一化處理，將各個指標(biāo)值壓縮到[0，100]之間。

本實施例中，可以利用公式:yi＝(xi-xmin)/(xmax-xmin)對各指標(biāo)值做歸一化處理，免去量級的影響；其中，xi、yi分別表示處理前后的指標(biāo)值，xmin表示該項指標(biāo)的最小值，xmax表示該項指標(biāo)的最大值。

本實施例中，目標(biāo)指標(biāo)“欠費月個數(shù)”的數(shù)據(jù)經(jīng)過統(tǒng)計在1-7，不需做處理。

在前述電力企業(yè)電費回收數(shù)據(jù)模擬方法的具體實施方式中，進(jìn)一步地，所述確定基于深度卷積的對抗生成網(wǎng)絡(luò)包括：

確定生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)，所述網(wǎng)絡(luò)結(jié)構(gòu)包括：輸入層、卷積層和輸出層；

確定生成器和判別器的卷積層卷集核大小、卷積核的滑動步長；

確定生成器和判別器的損失函數(shù)。

本實施例中，為了適應(yīng)電力數(shù)據(jù)的維度，設(shè)計了獨特的對抗生成網(wǎng)絡(luò)參數(shù)，例如：

1)去除激活層輸出，生成器和判別器的損失函數(shù)不取對數(shù)處理，可以有效加速模型收斂；

2)將欠費度量指標(biāo)體系中的32個非目標(biāo)指標(biāo)的維度轉(zhuǎn)換成4*8，方便對抗生成網(wǎng)絡(luò)的判別器和生成器輸入數(shù)據(jù)到卷積層；

3)將判別器和生成器的卷積層卷積核設(shè)置成2*2，以突出每個指標(biāo)的重要性；

4)所述非目標(biāo)指標(biāo)的數(shù)目盡量可以表示為非1的兩個數(shù)的乘積形式；若所述非目標(biāo)指標(biāo)的數(shù)目不可以表示為非1的兩個數(shù)的乘積形式，則添加1個或多個噪聲指標(biāo)，使所述非目標(biāo)指標(biāo)的數(shù)目可以表示為非1的兩個數(shù)的乘積形式；例如，如果非目標(biāo)指標(biāo)的數(shù)目為37這種質(zhì)數(shù)，就不能運用生成器和判別器的卷積訓(xùn)練模式，所以這時需要增加無意義的噪聲指標(biāo)以方便訓(xùn)練，增加無意義噪聲指標(biāo)轉(zhuǎn)換之后才能形成一個n*m的形式，才可以使用卷積神經(jīng)網(wǎng)絡(luò)，例如，增加1個無意義噪聲指標(biāo)，得到的指標(biāo)數(shù)為38，38可以表示為2*19。

接著，描述判別器的參數(shù)設(shè)置，具體的：

所述判別器的網(wǎng)絡(luò)結(jié)構(gòu)包括：輸入層、卷積層和輸出層，具體包括：1層輸入層、3層卷積層和1層輸出層，卷積層卷集核大小為2*2，，以突出每個指標(biāo)的重要性，卷積核的滑動步長為[1221]，通過卷積核的滑動步長可以替代層池化層進(jìn)行降維，邊界處理方式為越過邊緣取樣，每一批數(shù)據(jù)大小為64條數(shù)據(jù)。由于目標(biāo)指標(biāo)的維度為1-7，設(shè)置輸出層的維度為[64，1，1，7]方便與卷積層進(jìn)行全連接操作，輸出層的輸出為64*1*1*7個值。

生成器的輸入為維度7的隨機噪聲，卷積層卷集核大小為2*2,以突出每個指標(biāo)的重要性，卷集核的滑動步長為[1221],每一批數(shù)據(jù)大小為64數(shù)據(jù)，使用反卷積網(wǎng)絡(luò)進(jìn)行增加維度。

所述判別器的損失函數(shù)d_loss為l(d)＝-ex～pr[d(x)]+ex～pg[d(x)]

其中，pr表示真實數(shù)據(jù)，pg表示由生成器產(chǎn)生的模擬數(shù)據(jù)，對于x～pg/x～pr，x有不同的含義，例如，x～pr中的x表示真實數(shù)據(jù)，x～pg中的x表示模擬數(shù)據(jù)，d(x)表示將x輸入判別器的判別結(jié)果；d_loss_real＝-ex～pr[d(x)]表示是真實數(shù)據(jù)輸入到判別器中的判別結(jié)果和第一預(yù)期結(jié)果(例如，預(yù)期的為1的結(jié)果)之間的交叉熵，d_loss_fake＝ex～pg[d(x)]是生成器生成的模擬數(shù)據(jù)輸入到判別器中的判別結(jié)果和第二預(yù)期結(jié)果(例如，預(yù)期為0的結(jié)果)之間的交叉熵，判別器的損失函數(shù)d_loss是d_loss_fake和d_loss_real之和。判別器的目的是經(jīng)過不斷的訓(xùn)練自學(xué)習(xí)來最小化判別器的損失函數(shù)值。

然后，描述生成器的參數(shù)設(shè)置，具體的：

所述生成器的網(wǎng)絡(luò)結(jié)構(gòu)包括：輸入層、卷積層和輸出層，具體包括：1層輸入層、3層反卷積層和1層輸出層，卷積層卷集核大小為2*2，以突出每個指標(biāo)的重要性，卷集核的滑動步長為[1221]，邊界處理方式為越過邊緣取樣，每一批數(shù)據(jù)大小為64條數(shù)據(jù)。由于目標(biāo)指標(biāo)的維度為1-7，設(shè)置的輸入的隨機噪聲z的維度為[64，1，1，7]。

所述生成器的損失函數(shù)g_loss為l(g)＝-ex～pg[d(x)]；

其中，g_loss表示生成器生成的模擬數(shù)據(jù)輸入到判別器中的判別結(jié)果與預(yù)設(shè)的第三預(yù)期結(jié)果(例如，預(yù)期為1的結(jié)果)之間的交叉熵；pg表示由生成器生成的模擬數(shù)據(jù)；x～pg中的x表示模擬數(shù)據(jù)，d(x)表示將x輸入判別器的判別結(jié)果。

基于生成器的損失函數(shù)值和判別器的損失函數(shù)值利用自適應(yīng)估計優(yōu)化方法調(diào)節(jié)生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)元的權(quán)重和偏置來降低生成器的損失函數(shù)值和判別器的損失函數(shù)值，最終目標(biāo)是要最小化d_loss和g_loss。

在前述電力企業(yè)電費回收數(shù)據(jù)模擬方法的具體實施方式中，進(jìn)一步地，所述將獲取的所述真實數(shù)據(jù)輸入判別器，判別器學(xué)習(xí)所述真實數(shù)據(jù)的特征以訓(xùn)練其判別真實數(shù)據(jù)和模擬數(shù)據(jù)的能力，通過生成器生成模擬數(shù)據(jù)，將生成的模擬數(shù)據(jù)輸入到判別器判別真假，并根據(jù)判別結(jié)果計算生成器的損失函數(shù)值和判別器的損失函數(shù)值，直至生成器的損失函數(shù)值和判別器的損失函數(shù)值達(dá)到預(yù)設(shè)值，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，結(jié)束訓(xùn)練包括：

s1，將所述真實數(shù)據(jù)輸入到所述判別器中，所述判別器學(xué)習(xí)真實數(shù)據(jù)的特征，判別真實數(shù)據(jù)真假，根據(jù)判別結(jié)果與預(yù)設(shè)的第一預(yù)期結(jié)果計算交叉熵d_loss_real；

s2，將隨機噪聲輸入到所述生成器中生成模擬數(shù)據(jù)，將生成器生成的模擬數(shù)據(jù)輸入到所述判別器中，所述判別器學(xué)習(xí)模擬數(shù)據(jù)的特征，判別模擬數(shù)據(jù)真假，根據(jù)判別結(jié)果與預(yù)設(shè)的第三預(yù)期結(jié)果計算生成器的損失函數(shù)值；

s3，根據(jù)s2的判別結(jié)果與預(yù)設(shè)的第二預(yù)期結(jié)果計算交叉熵d_loss_fake，對d_loss_fake和d_loss_real求和，得到判別器的損失函數(shù)值，基于生成器的損失函數(shù)值和判別器的損失函數(shù)值利用自適應(yīng)估計優(yōu)化方法調(diào)節(jié)生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)元的權(quán)重和偏置來降低生成器的損失函數(shù)值和判別器的損失函數(shù)值；

s4，s2和s3交替進(jìn)行，直至生成器的損失函數(shù)值和判別器的損失函數(shù)值達(dá)到預(yù)設(shè)值，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)，結(jié)束訓(xùn)練。

本實施例中，除了上述設(shè)置的參數(shù)，還需設(shè)置最大訓(xùn)練次數(shù)，每次訓(xùn)練都會有d_loss和g_loss產(chǎn)生，當(dāng)判別器和生成器的損失函數(shù)值達(dá)到預(yù)設(shè)值(例如，0.4)或者訓(xùn)練輪數(shù)大于1000時結(jié)束訓(xùn)練，并用訓(xùn)練好的生成器輸入隨機噪聲z(生成器的輸入數(shù)據(jù))生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)。生成器生成的模擬數(shù)據(jù)的數(shù)量一般不超過真實數(shù)據(jù)的數(shù)量，如果想要生成更多的模擬數(shù)據(jù)可以重新訓(xùn)練dcgan，完成另一套對抗學(xué)習(xí)模型(即：對抗生成網(wǎng)絡(luò))然后生成模擬數(shù)據(jù)。

本實施例中，生成器的損失函數(shù)值和判別器的損失函數(shù)值越小，表示判別器和生成器能力越強，但是實際上這兩個是互相矛盾的，生成器能力強了，判別器就會判別不出真假，他的損失函數(shù)就會升高，所以最終需要的是一個平衡值，不能一方偏高另一方偏低這樣，因為，預(yù)設(shè)值可以設(shè)為0.4，在實際應(yīng)用中，預(yù)設(shè)值可以根據(jù)實際情況決定，二者的預(yù)設(shè)值可以相同也可以不同。

本實施例中，對抗生成網(wǎng)絡(luò)對抗學(xué)習(xí)之后生成的模擬數(shù)據(jù)需進(jìn)行逆向歸一化，將其恢復(fù)到原來的數(shù)據(jù)值域中，供使用者做監(jiān)督學(xué)習(xí)模型訓(xùn)練。

如圖2所示，本實施例中，對抗生成網(wǎng)絡(luò)中生成器和判別器的對抗學(xué)習(xí)(訓(xùn)練)的具體步驟可以包括：

a11，將真實數(shù)據(jù)real_data輸入到判別器中，判別器學(xué)習(xí)真實數(shù)據(jù)的特征，判別其真假，根據(jù)判別結(jié)果與預(yù)設(shè)的第一預(yù)期結(jié)果計算d_loss_real；

a12，將隨機噪聲z輸入到生成器中，生成器生成模擬數(shù)據(jù)analog_data，模擬數(shù)據(jù)analog_data進(jìn)入判別器中，判別器學(xué)習(xí)模擬數(shù)據(jù)analog_data的特征，并判別其真假，根據(jù)判別結(jié)果與預(yù)設(shè)的第三預(yù)期結(jié)果計算g_loss；

a13，根據(jù)a12的判別結(jié)果與預(yù)設(shè)的第二預(yù)期結(jié)果計算d_loss_fake，判別器的d_loss＝d_loss_fake+d_loss_real,利用自適應(yīng)估計優(yōu)化方法調(diào)節(jié)生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)元的權(quán)重和偏置來降低d_loss和g_loss；

a14，a12和a13交替進(jìn)行，生成器的目的是生成與所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)analog_data，讓判別器辨別不出來提高他的d_loss_fake；判別器的目的是能夠辨別模擬數(shù)據(jù)analog_data的真假，降低判別器的d_loss；

a15，當(dāng)判別器的損失函數(shù)值和生成器的的損失函數(shù)值達(dá)到0.4，或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的最大訓(xùn)練次數(shù)1000，結(jié)束訓(xùn)練。

a16，利用訓(xùn)練后的生成器生成所述真實數(shù)據(jù)特征一致的模擬數(shù)據(jù)analog_data。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護范圍。