本文提出了一种基于生成对抗网络的数据驱动方法用于清洁能源场景生成，结合了时空维度下的可再生能源生产模式，具有高效，实际和可行的特点。

Jul, 2017

本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。

Apr, 2019

通过高分辨率风场的超分辨率处理，本研究展示了一种基于物理信息的超分辨率生成对抗网络（SR-GAN）的初步开发，可以将低分辨率的三维风场提升 9 倍，获得高保真度的风场数据，并大幅降低了高分辨率风场模拟的计算成本。

Dec, 2023

本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

Jan, 2022

本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

该论文提出了一种新颖的数据驱动模型，能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图，并通过图变换器处理图表示来实现。结果表明，该图变换器代理模型具有良好的泛化能力，并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置，实现与工业标准风电场模拟工具类似的准确性，但计算成本仅为一小部分。

Nov, 2023

本研究运用生成对抗网络（GANs）和计算机视觉技术，通过图像超分辨率和深度学习方法，针对低分辨率全球再分析数据，生成逼真的高分辨率地表风场，并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。

Feb, 2023

本文介绍了生成对抗网络在合成光谱数据方面的应用，提出了改进的 Wasserstein GANs 来避免模型崩溃，并证明了利用 CWGAN 数据增强可充分提高性能，同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。

Jul, 2023

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。

Nov, 2023

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。

May, 2023