1.一种基于生成对抗网络的空调用户调频能力评估方法，其特征在于，包括：步骤1：根据空调用户调频机理，选择调频能力和影响调频能力的强相关因素的量测数据，构建小样本训练集、小样本生成集和调频能力评估模型的测试样本集；步骤2：改进生成对抗网络算法的生成器模型，并利用小样本训练集对改进后的生成对抗网络模型进行训练，得到训练后的改进生成对抗网络模型，进一步采用小样本生成集生成合成样本集，并通过小样本训练集、小样本生成集、合成样本集构建调频能力评估模型的训练集；步骤3：构建多层前馈神经网络模型，利用调频能力评估模型的训练集训练该模型，得到训练后的多层前馈神经网络模型，作为空调用户调频能力评估模型；步骤1中所述根据空调用户调频机理，选择调频能力和影响调频能力的强相关因素作为量测对象，利用量测数据构建小样本训练集、小样本生成集和调频能力评估模型的测试样本集，具体步骤包括：步骤1.1采用量测技术获取参与调频的空调用户相关数据；步骤1.2分析步骤1.1获取的量测数据，遴选出反映调频能力的量测数据，和对调频能力有较强相关性的影响因素的量测数据，并将一组调频能力量测数据和对应的强相关影响因素量测数据构成一个样本，将样本分类为小样本训练集、小样本生成集和调频能力评估模型的测试样本集，具体如下：其中， 代表集合label中第i个样本；label为1、2、3，分别代表小样本训练集、小样本生成集和调频能力评估模型的测试样本集； 代表强相关影响因素量测数据； 代表对应的调频能力量测数据；m代表一个样本包含的量测数据总个数；将步骤1中所述小样本训练集、小样本生成集以及调频能力评估模型的测试样本集分别用S T ，S G 和S V 表示；步骤2中所述改进生成对抗网络算法的生成器模型，具体为：引入样本相关性损失函数，修改标准生成对抗网络算法的生成器损失函数模型；所述样本相关性损失函数是指：将小样本训练集输入生成器后输出的结果与小样本训练集的相似度损失，并用输出结果和小样本训练集中样本之间的加权曼哈顿距离表示，如下所示：其中，L C 为样本相关性损失，在每一次训练迭代中，从小样本训练集S T 中随机选择N个样本输入生成器； 代表将样本 输入生成器后输出的结果中第j个元素；γ j 为 的加权值；由式输出结果和小样本训练集中样本之间的加权曼哈顿距离可知，当 越接近于 时，样本相关性损失就越小，即当生成器输出结果的分布特征越接近于输入生成器的小样本训练集的分布特征时，样本相关性损失就越小；因此，所述样本相关性损失函数可用来衡量生成器的样本生成质量；所述修改标准生成对抗网络算法的生成器数学模型，修改后的生成器损失函数模型如下所述：min V G ＝L G +L C其中，V G 表示改进后的生成器损失函数；L G 代表标准生成对抗网络算法的生成器损失函数，在生成器优化过程中，样本相关性损失函数的引入，将惩罚与小样本训练集分布特征不相似的输出结果，可加速生成器收敛；步骤2中所述利用小样本训练集对改进生成对抗网络模型进行训练，得到训练后的改进生成对抗网络模型，具体为：首先构造生成器和判别器的神经网络初始模型，并设置训练过程的迭代次数epoch；然后采用交叉迭代方法和随机梯度下降法训练生成器和判别器的神经网络权重参数；具体为，采用交叉迭代方法，即在每一轮迭代训练过程中，先固定判别器神经网络权重参数不变，根据改进后的生成器损失函数V G ，采用随机梯度下降法优化生成器神经网络的权重参数；然后将优化后的生成器神经网络权重参数固定不变，根据标准生成对抗网络算法中的判别器损失函数，采用随机梯度下降法优化判别器神经网络的权重系数；经过epoch轮迭代训练后，获得训练后的改进生成器模型和判别器模型；步骤2中所述通过小样本生成集生成合成样本集，具体为：将步骤1中所述小样本生成集S G 输入训练后的改进生成器模型，生成合成样本集S A ；步骤2中所述通过小样本训练集、小样本生成集、合成样本集构建调频能力评估模型的训练集，具体为：将步骤1所述小样本训练集S T 、小样本生成集S G 和步骤2所述合成样本集S A 混合，获得调频能力评估模型的训练集S E ；步骤3中所述构建多层前馈神经网络模型，具体为：将空调用户参与调频的强相关影响因素作为多层前馈神经网络的输入节点，将空调用户的调频能力作为该神经网络的输出节点，输入节点和输出节点间通过多个隐藏层连接；步骤3中所述利用调频能力评估模型的训练集，训练该模型，具体为：利用步骤2所述调频能力评估模型的训练集S E ，训练步骤3构造的多层前馈神经网络的权重参数，获得训练后的多层前馈神经网络模型，作为空调用户调频能力评估模型。
