典型文献
基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法
文献摘要：
采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡.传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容易产生梯度消失等问题.在原始ACGAN的模型基础上,在其判别真假损失函数上添加梯度惩罚函数,使得判别器和生成器在相互优化过程中梯度下降更快,更容易达到纳什均衡,从而使原始样本的不均衡情况得到有效改善.通过公共数据集PLAID进行测试分析,并验证了所提方法的有效性.
文献关键词：
生成对抗网络;辅助分类器;负荷识别;样本不均衡;样本扩充
中图分类号：
作者姓名：
裘星;尹仕红;张之涵;谢智伟;江敏丰;郭兴林;杨建明;郑建勇
作者机构：
深圳供电局有限公司,广东深圳 440304;东南大学电气工程学院,江苏南京 210096
文献出处：
引用格式：
[1]裘星;尹仕红;张之涵;谢智伟;江敏丰;郭兴林;杨建明;郑建勇-.基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法)[J].电器与能效管理技术,2022(03):23-29,38
A类：
B类：
改进生成对抗网络,非侵入式,负荷预测,预测样本,样本不均衡,改善方法,不常,样本数量,样本分布,辅助分类器,ACGAN,梯度消失,真假,损失函数,梯度惩罚,惩罚函数,判别器,生成器,梯度下降,纳什均衡,衡情,公共数据,PLAID,测试分析,负荷识别,样本扩充
AB值：
0.400513
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
