申请/专利权人：天津大学

申请日：2023-08-07

公开（公告）日：2024-04-16

公开（公告）号：CN116975611B

主分类号：G06F18/2137

分类号：G06F18/2137;G06F18/214;G06F18/15;G06F18/22;G06N3/0464;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.11.17#实质审查的生效;2023.11.17#著录事项变更;2023.10.31#公开

摘要：本发明涉及一种基于扩散模型ODE形式的高频负荷数据生成方法和系统，其生成方法包括以下步骤，采集原始高频负荷数据，根据原始高频负荷数据构建低频扩充数据样本；构建从低频扩充数据生成高频特征生成数据的常微分方程形式扩散模型；根据扩散模型，训练低频扩充数据到高频特征训练数据演化过程的神经网络；基于所述神经网络，从低频扩充数据逐步生成高频特征生成数据；基于所述高频特征生成数据，计算得到高频负荷生成数据。本发明所提供的基于扩散模型ODE形式的高频负荷数据生成方法，可以实现任意两个数据分布之间的迁移，该方法适用于不同倍率下的低频到高频数据生成，并且相对于深度生成对抗网络，网络训练过程稳定，生成数据样本质量更高。

主权项：1.一种基于扩散模型ODE形式的高频负荷数据生成方法，其特征在于，包括以下步骤：步骤1，采集原始高频负荷数据，根据所述原始高频负荷数据构建低频扩充数据样本；步骤1.1采集原始高频负荷数据；步骤1.2对采集的原始高频负荷数据进行归一化处理得到高频特征训练数据样本；步骤1.3对所述高频特征训练数据样本进行下采样得到对应的低频特征数据；步骤1.4将所述低频特征数据扩充到与所述高频特征训练数据样本相同的数据量，生成低频扩充数据样本；步骤2，构建从所述低频扩充数据生成高频特征生成数据的常微分方程形式扩散模型；步骤2.1建立从低频扩充数据分布迁移到高频特征生成数据分布的常微分方程形式扩散模型定义低频扩充数据样本xLF～p0xLF，高频特征训练数据样本xHF～pTxHF，从低频扩充数据分布迁移到高频特征训练数据分布即是寻找一个传输映射T使得当xLF～p0xLF时，xHF＝TxLF～pTxHF，即将p0xLF分布转化为pTxHF分布，ODE形式扩散模型如式2-1所示，设计一个函数ftxt，使其对应的演化轨迹构成给定分布p0xLF分布转化为pTxHF之间的一个变换，从p0xLF分布中采样的xLF样本按照ODE演化后得到的是～pTxHF 步骤2.2建立直线路径演化轨迹选择低频扩充数据样本xLF～p0xLF及对应的高频特征训练数据样本xHF～pTxHF，定义它们按照轨迹 进行变换，理论上该轨迹是满足 的连续函数均可，则式2-2满足微分方程2-4： 将p0xLF分布中的xLF样本与对应pTxHF分布中的xHF样本采用线性插值进行连接，可得到式2-5： 则变化轨迹为 步骤2.3用含有xt和t的函数去近似逼近演化轨迹对t的导数，构建优化目标定义函数vpred＝sθxt,t代表拟训练的神经网络，输出结果为分布迁移演化速率，则扩散模型的优化目标为 当演化轨迹为式2-6，2-7等价为 步骤3，根据所述扩散模型，训练所述低频扩充数据到高频特征训练数据演化过程的神经网络；步骤4，基于所述神经网络，从所述低频扩充数据逐步生成高频特征生成数据；步骤5，将所述高频特征生成数据反归一化还原到真实负荷数据量级，计算得到高频负荷生成数据。

全文数据：

权利要求：

百度查询： 天津大学 一种基于扩散模型ODE形式的高频负荷数据生成方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD