Generating wind power scenarios is very important for studying the impacts of
multiple wind farms that are interconnected to the grid. We develop a graph
convolutional generative adversarial network (GCGAN) appro
传统智能电表测量缺乏实时决策所需的细致度。为解决这一实际问题,我们通过凸优化层引入强制时间一致性的生成对抗网络(GAN)模型。我们的 GAN 模型的一个独特特征是,它仅通过历史智能电表数据中的慢时间尺度聚合功率信息进行训练。结果表明,该模型能够成功从 15 分钟平均功耗信息中创建每分钟的时间相关瞬时注入功率曲线。这种创新方法强调神经元间的约束,为配电系统中改进的高速状态估计提供了有前途的途径,并增强了基于数据驱动解决方案在此类系统监控方面的适用性。
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。