本研究提出一种新颖的物理知情扩散模型,用于生成合成的净负荷数据,解决数据稀缺和隐私问题。该模型将物理模型嵌入去噪网络中,提供了一种多功能方法,可以轻松推广到未预料的情景。利用来自 Pecan Street 的真实智能电表数据,我们验证了所提出的方法,并通过与生成对抗网络、变分自动编码器、标准化流以及经过良好校准的基线扩散模型等最先进的生成模型进行了全面的数值研究,使用一套全面的评估指标来评估生成的合成净负荷数据的准确性和多样性。数值研究结果表明,所提出的物理知情扩散模型在所有定量指标上优于最先进的模型,至少提供了 20% 的改进。
Jun, 2024
使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能,具有较低的 Frechet Inception Distance(FID)得分和 Kullback-Leibler divergence(KL 散度)的减少。
Mar, 2024
本文提出了一种基于扩散的序列到序列结构来估计认知不确定性,并使用强健性添加的柯西分布来估计位置不确定性的方法来预测电气负载预测。与精确预测条件期望相比,我们展示了我们方法在分离两种不确定性和解决突变情况方面的能力。
May, 2023
通过 DiffPLF 模型,对电动汽车充电进行概率负载预测,该模型能够根据历史数据和相关协变量明确地近似预测负载分布,并结合条件生成机制,通过任务导向的微调技术提高准确性和可靠性,实现复杂时间模式的可控生成。
Feb, 2024
介绍了一种新颖的基于流的生成模型 FCPFlow,可用于产生条件和无条件的住宅负荷曲线(RLP)和概率负荷预测。该模型通过引入可逆线性层和可逆正则化层来展现出在连续条件下适用、在不同数据集上可扩展性强以及相对于深度生成模型更好地捕捉 RLP 的复杂相关性等三个主要优点。
May, 2024
本研究发布了一份大规模、合成的、详细的住宅能源使用数据集,该数据集具有高分辨率和可用性,能够深入探究能源消耗方面的问题。
Oct, 2022
通过使用合成数据,本文介绍了基于 Variational Auto-encoder (VAE) 模型的 Faraday,该模型通过训练英国一个能源供应商的 3 亿次智能电表数据读数,并结合属性和低碳技术的信息,产生与实际数据相当的家庭负荷曲线,为未来能源网络的网格建模人员提供了实际应用的参考。
Apr, 2024
通过对电力负荷预测的广泛技术进行综述,本文测试了人工智能驱动的短期负荷预测方法,包括 Facebook 的 Prophet 和 LSTM 模型,基于季节的 SARIMA 和平滑 Holt-Winters 模型,以及利用领域知识的经验回归模型。结果表明,在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。
通过经验分析,我们提出了一套方法,以降低在扩散模型中引入指导所带来的时间需求和计算开销,并且保持相当的图像质量,从而将计算时间减少大约三倍。
Dec, 2023
本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法,该模型可描述住宅设备需求的概率特征,并利用可扩展的统计学习方法直接从用电数据中估算模型参数,运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。
Oct, 2018