May, 2023

智能家居能源管理：VAE-GAN 合成数据集生成器和 Q 学习

PDF
TL;DR本文介绍了一种基于 VAE-GAN 的生成模型技术以产生智能家居能源消耗的时间序列数据，并探讨了当生成模型与基于 Q 学习的 HEMS 相结合时的性能。实验结果表明，基于 VAE-GAN 生成的合成数据与真实数据分布非常接近，并且可以产生比基准方法更高性能的基于 Q 学习的 HEMS。
smart home energy management systemstime-series datagenerative modelq-learning-based hemssynthetic data
发现论文，激发创造
  • 智能家居中用于合成数据生成的变分自编码生成对抗网络

    本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。

    Jan, 2022

  • Faraday: 智能电网的合成智能电表生成器

    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

  • 利用条件扩散和构建元数据创建合成能源计量数据

    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

  • 智能家居能源管理：序列到序列负载预测和 Q 学习

    本研究提出了一种基于序列到序列学习和强化学习的智能家居能源管理系统控制方法，其中包括光伏发电功率和功率负荷的预测，离线优化和在线操作控制，研究表明序列到序列学习方法具有更好的预测和在线操作性能。

    Sep, 2021

  • 家庭电力数据生成器 (HEDGE): 用于生成电动车、住宅需求和光伏发电量曲线的开放访问工具

    本文介绍了 Home Electricity Data Generator (HEDGE)，一种用于生成真实住宅能源数据的开放访问工具。HEDGE 基于英国真实数据，生成了住宅光伏发电、家庭电负荷、电动车消耗和在家可用性的真实日常数据。我们利用 HEDGE 填补了可用数据的不足，为住宅分布式能源资源特性和协调的研究提供了数据支持。

    Oct, 2023

  • TimeVAE: 多元时间序列生成的变分自编码器

    本文提出了一种基于变分自动编码器的新型体系结构，可用于进行时序数据的合成生成，具有可解释性，能够编码领域知识，训练时间较短。实验表明，该方法在数据相似度和预测性方面均表现优异，依然能够准确地呈现原始数据的时态属性，并且对于下一步预测具有显著的改善效果。最后，该模型可以将特定领域的时间模式融入到生成模型中，提供可解释性的输出。

    Nov, 2021

  • 跳过基准：使用生成机器学习生成系统级高级综合数据

    该论文提出了一种名为 Vaegan 的新方法，利用生成式机器学习生成足够强大以支持复杂系统级高级综合设计空间探索实验的合成数据，该方法使用变分自动编码器（VAE）和生成对抗网络（GAN）来进行任务，并使用先进的数据集和度量标准对方法进行评估，与之前的工作进行比较，表明 Vaegan 可以有效生成与真实数据分布接近的合成高级综合设计空间数据。

    Apr, 2024

  • 使用生成对抗网络进行数据中心多元情景预测的数据增强

    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

  • 多对抗变分自编码网络

    介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

    Jun, 2019

  • 使用生成对抗网络合成逼真的心电图

    本文研究应用生成对抗网络（GANs）生成真实且无隐私顾虑的电信号数据，用于医疗培训和数据分析，并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号，并且能够经受住简单的成员推断攻击，保证了训练集的隐私。

    Sep, 2019